Blog

Der Anthropic-Doppelleak: Quellcode, Mythos und die Architektur des Vertrauens

Sonntag, 5. April 2026

Hallo, dieser wöchentliche Digest arbeitet die wichtigsten neuen Videos aus rund 45 kuratierten KI- und Coding-YouTube-Kanälen durch — mit Substanz, kein oberflächliches Top-5. Pro Video eine vollständige Zusammenfassung, dazu ein Wochen-Überblick zu den dominanten Themen. Lies in Ruhe — oder kopier eine Zusammenfassung in den LLM deiner Wahl und geh in die Tiefe. Den Link unter jeder Zusammenfassung anklicken, um das Original-Video zu sehen.

Model-Releases & Benchmarks

Google Gemma 4 war die meistbesprochene Open-Source-Veröffentlichung der Woche, mit Beiträgen von TheAIGRID, Tim Carambat, WorldofAI und AI mit Arnie. Die Familie umfasst vier Varianten: die ultraleichten E2B und E4B (optimiert für Smartphones und Raspberry Pi), ein 26-Milliarden-Mixture-of-Experts-Modell mit nur ~3,8 Milliarden aktiven Parametern sowie ein 31-Milliarden-Dense-Modell, das auf LM Arena Platz drei belegt. Alle Modelle laufen unter Apache-2.0-Lizenz, unterstützen über 140 Sprachen, Kontextfenster bis 256.000 Token und sind nativ multimodal (Text, Bild, Audio, Video). Die Effizienz ist das eigentliche Alleinstellungsmerkmal: Das 31B-Modell übertrifft in Benchmarks Qwen 3.5 mit 397 Milliarden Parametern. Qwen 3.6 Plus trat ebenfalls ins Rampenlicht: Ein 1-Million-Token-Kontextfenster, 78,88 auf SWE-Bench, Überlegenheit gegenüber Claude Opus 4.5 bei Frontend-Generierung und 50 Cent pro Million Input-Tokens machen es zum neuen Open-Source-Favoriten. Datapizza und WorldofAI meldeten außerdem, dass OpenAI die Sora-App aus den Stores entfernt hat — Rechenkosten, fehlendes Monetarisierungsmodell und Copyright-Probleme als Begründung — und stattdessen alle Ressourcen auf die KI-Super-App und das kommende Modell GPT-5.5/Spud konzentriert. GPT-5.4 Thinking erhielt ein Update, das das Unterbrechen der Denkkettenphase erlaubt, was das Datapizza-Team auf aufwendiges Human Feedback Training zurückführt.

Local & Open-Source AI

Tim Carambat widmete sich den 1-Bit-LLMs von Prism ML (Bonsai-Modelle): 14-fach kleiner als Vollpräzisions-Modelle, ~1 GB RAM für das 8B-Modell, 114–130 Tokens/Sekunde auf einem MacBook Pro M4 Max — und trotzdem Multi-Step-Tool-Calling-fähig inklusive Web-Suche, PDF-Generierung und PowerPoint-Erstellung mit Sub-Agenten. Googles TurboQuant-Algorithmus komprimiert den KV-Cache auf 3 Bits mit 184.000-facher Setup-Beschleunigung und 8-facher Geschwindigkeitssteigerung auf Nvidia H100 — was laut TheAIGRID unmittelbar Speicherchiphersteller wie Micron und Western Digital an der Börse traf. Nate Herk zeigte konkret, wie sich Gemma 4 und Qwen-Modelle über Ollama in Claude Code einbinden lassen, um Anthropics Rate-Limits zu umgehen oder Kosten drastisch zu senken. Sebastien Dubois veröffentlichte zwei Obsidian-Plugins: eines für die Synchronisation von reMarkable-Notizen in den Vault und eines (Transcriber), das über lokale Ollama-Vision-Modelle — demonstriert mit GLM OCR — handschriftliche Notizen in Markdown konvertiert, ohne Daten den Rechner zu verlassen.

Claude Code & Anthropic-Tooling

Die Leak-Woche wurde von einem Dutzend detaillierter Tutorial-Videos begleitet, die Claude Codes tatsächliche Nutzungsmöglichkeiten ausschöpfen. Leon van Zyl lieferte ein zweistündiges End-to-End-Tutorial inklusive PRD-Workflow, Design-System-Generierung, Sub-Agent-Parallelisierung und /loop-Cron-Jobs. Mark Kashef stellte zwei übersehene Slash-Commands vor: /powerup als interaktiver Lernbegleiter und /insights, das einen HTML-Report über die letzten 30 Tage Nutzungsmuster generiert und sich mit Obsidian und automatischen E-Mail-Zusammenfassungen verketten lässt. WorldofAI katalogisierte versteckte Konfigurationsoptionen, darunter den cloud_code_no_flicker-Flag und Hooks, die bei Session-Start, vor und nach Tool-Use sowie nach Edits feuern. Nate Herk widmete sich in zwei separaten Videos dem Token-Management: 18 Hacks zur Kontexthygiene (darunter MCP-Server trennen, die bis zu 18.000 Tokens pro Nachricht kosten, und Cloud.md unter 200 Zeilen halten) sowie einer Anleitung, Claude Code mit lokalen Ollama-Modellen oder kostenlosen OpenRouter-Modellen zu betreiben — faktisch 50–100-fache Kostenreduktion bei Low-Stakes-Tasks. Das Codex-Plugin von OpenAI für Claude Code wurde von Nate Herk auch in der Praxis getestet: GPT-5.4 liegt auf den meisten Coding-Benchmarks 10–13 Punkte vor Claude Opus, ist günstiger, und der „Adversarial Review”-Skill von Codex fand im direkten Test echte Logikfehler im Opus-generierten Code.

Coding Agents (non-Claude)

Hermes Agent und OpenClaw dominierten diese Woche die Vergleichsdiskussion auf mehreren Kanälen. Alex Finn testete beide über Wochen und kam zu einem differenzierten Urteil: Hermes ist schneller, transparenter (zeigt jeden Tool-Call in Echtzeit) und baut nach jeder Aufgabe automatisch wiederverwendbare Skills auf — seine fatale Schwäche ist jedoch die Speicherkompaktierung, bei der der Agent die Orientierung verliert und Tasks abbricht. OpenClaw bleibt stabiler, profitiert von massiven Entwicklerressourcen und täglichen Updates. Die optimale Empfehlung: beide parallel betreiben, verbunden über das Agent Communication Protocol (ACP), sodass OpenClaw als Orchestrator Hermes für spezialisierte Tasks aktiviert — und einer den anderen im Notfall reparieren kann. Melvynx zeigte unterdessen, dass Anthropic die OpenClaw-Token-Nutzung über Claude-Abonnements blockiert, während lokale CLI-Konfigurationen und alternative Anbieter wie Glm (ab 10 Dollar/Monat) noch funktionieren. NeuralNine stellte OpenCode als open-source Terminal-Agent mit überlegener UI vor: granulares Berechtigungssystem per opencode.json, Diff-View mit LSP-Integration, Undo/Redo, Reasoning-Level-Umschaltung und Ollama-Integration für lokale Modelle.

Software-Engineering & Dev-Kultur

Brian Casel argumentierte, dass „Restraint” — die Disziplin, Fokus über Kapabilität zu wählen — die einzige Fähigkeit ist, die KI nicht replizieren kann: Alle großen Coding-Tools haben Plan Mode als Standard etabliert, aber die strategische Shaping-Konversation vor dem Planen bleibt menschliche Arbeit. Sebastien Dubois stellte acht Stufen der KI-Nutzung vor (von einfacher Chat-Nutzung bis zu 100+-Agenten-Orchestration) und ergänzte eine zweite, oft ignorierte Dimension: Kontextmanagement durch strukturierte Wissensbasis in Tools wie Obsidian. Theo kritisierte geschlossene KI-Projekte grundsätzlich: Mit KI-beschleunigter Entwicklung können geschlossene Anwendungen hundertmal schneller zugrunde gehen; Gemini CLI, OpenCode und Codex CLI haben ihre Server-Komponenten offengelegt, Anthropic hingegen verschickt DMCA-Takedowns. Fireship deckte einen realen Supply-Chain-Angriff auf Axios auf (100 Millionen wöchentliche npm-Downloads): Zwei infizierte Versionen enthielten ein Remote Access Trojan, das sich nach der Ausführung selbst löschte und npm audit ohne Warnung passierte. Pretext, ein neues Pure-TypeScript-Tool des ehemaligen React-Core-Members Changlu, löst Browser-Layout-Reflows bei dynamischem Text durch Canvas-basierte Breitenmessung — relevant für virtualisierte Listen und Masonry-Layouts.

Personal AI OS & Agent-Frameworks

Die Woche stand auch im Zeichen von Paperclip, einem Open-Source-Orchestrierungstool, das KI-Agenten in hierarchische Unternehmensstrukturen organisiert. Vier Kanäle — AI mit Arnie, Julian Ivanov, Leon van Zyl und Tech With Tim — präsentierten jeweils Tutorials mit praxisnahen Demos: CEO-Agent stellt Engineer ein, Researcher, Scriptagent und SEO-Stratege arbeiten an täglichen Routinen, GitHub-Commits und Vercel-Deployments laufen vollautomatisch. Technisch wird Paperclip über Docker auf einem VPS (Hostinger-Template ab ~7 Dollar/Monat) betrieben; API-Keys von Claude, OpenAI oder Gemini oder bestehende Subscriptions über Device-Code-Authentifizierung lassen sich hinterlegen. Nick Saraev spielte den Skeptiker: Paperclip reproduziere klassische Unternehmenshierarchien, obwohl KI-Systeme fundamental anders parallelisierbar sind — 50 gleichzeitige Agenten, die dasselbe Ergebnis synthetisieren, wären effizienter als Delegation nach Organigramm. Nate Jones analysierte fünf weitere Agent-Plattformen (Cowork, Lindy, Wordware/Sauna, Google Opal, Obvious) anhand von drei Qualitätskriterien: persistentes Gedächtnis, editierbare Artefakte, wachsender Kontext. Selbst Cowork erfüllte nur 1,5 von 3 — und rechtfertigte trotzdem 285 Milliarden Dollar SaaS-Aktienverkäufe. Cole Medin stellte Archon vor, ein noch unveröffentlichtes Workflow-Engine mit deterministischen und nicht-deterministischen Nodes für reproduzierbare Coding-Prozesse — laut eigener Messung etwa 100-fache Geschwindigkeitssteigerung gegenüber manuellem Programmieren.

AI-Automation & Workflows

Cole Medin demonstrierte „Adversarial Dev” als neue Technik für zuverlässigere Coding-Agents: Ein Generator-Agent schreibt Code, ein separater Evaluator-Agent (in frischer Session ohne Bestätigungsbias) bewertet ihn anhand vorher ausgehandelter Kriterien und gibt bei Nichterfüllung bis zu dreimal Feedback zurück — realisiert in ~4 Stunden mit Claude Sonnet 3.5, Repository öffentlich verfügbar. Nate Jones extrahierte aus dem geleakten Claude-Code-Codebase 12 Architektur-Primitive für robuste Agent-Systeme, geordnet in Day-One-Grundlagen (Tool-Registry mit Metadaten, Permission-Systeme, Session-Persistenz, Token-Budgeting, strukturierte Streaming-Events) und operationale Reife (dynamische Tool-Pool-Assemblies, Transcript-Kompaktierung, Agent-Typ-System). Sein Kernsatz: Agentic-Systeme sind 80 Prozent Backend-Architektur und 20 Prozent KI. Nate Herk listete die fünf profitabelsten Automatisierungs-Workflows für Unternehmenskunden auf: Speed-to-Lead (5-Minuten-Reaktion auf Leads versiebenfacht Konversion), Dokumentenverarbeitung, Follow-up-Sequenzen, Datenbank-Reaktivierung und internes Reporting — mit konkreten ROI-Zahlen aus realen Kundenprojekten. Dave Ebeler vom n8n-Kanal präsentierte sieben Phasen für Unternehmensautomatisierung mit dem kontraintuitiven Kern: So wenig KI wie möglich, wenn regelbasierte Logik reicht.

AI-Business, Marketing & Freelancing

Zubair Trabzada demonstrierte ein mit Claude Code gebautes Reputationsanalyse-Tool für Lokalunternehmen: Fünf parallele Agents generieren einen PDF-Report mit Reputation-Score, Sentiment-Verteilung, Competitor-Benchmarking und kopierfertigen Antwortvorschlägen für negative Reviews — Geschäftsmodell: Audit kostenlos, laufendes Management für 500–2.000 Dollar/Monat. Stefan Glötzl, YC-Gründer von Superglue, erklärte, warum 39 Prozent der Entwicklerzeit in undokumentierten Glue Code fließt und wie agentische Integrationsplattformen mit Self-Healing-Fähigkeiten (automatische Diagnose und Slack-Notification bei API-Änderungen) dieses Problem lösen — sein Standpunkt: Agenten sind jetzt produktionsreif, die Hauptherausforderung ist die Enterprise-Integration, nicht die Technologie. Melvynx reflektierte über seinen KI-Thumbnail-Generator Subfast, der zweimal kopiert wurde: Der entscheidende Differenzator sei nicht das Design, sondern echte Domain-Expertise als YouTuber mit 700+ Videos.

PKM & Knowledge Management

Julian Ivanov zeigte, wie Obsidian als persistente Kontextbasis für Claude Code funktioniert: Eine Cloud.md-Datei mit Onboarding-Prompts, die Claude beim ersten Start interviewt und Vault-Struktur plus System-Prompt automatisch generiert, löst das Problem des Sessions-Resets. Cole Medins „Second Brain” auf Claude-Code-Basis — mit Memory Layer (soul.md, user.md, memory.md), Skills, Heartbeat-Cron-Job und Zero-Trust-Integrationen für Gmail, Asana und GitHub — spart ihm nach eigener Aussage wöchentlich ein Dutzend Stunden. Er argumentiert gegen vorgefertigte Lösungen wie OpenClaw mit dem „Lethal Trifecta”-Prinzip: Private Daten plus untrusted Content plus Exfiltration Vector sind bei Second Brains immer gleichzeitig aktiv. Kyle Balmers NotebookLM-Videos zeigten, wie das kostenlose Google-Tool als halluzinationsfreies RAG-System für Lead-Magnets, Slide Decks und automatisierte E-Mail-Listenaufbau (200+ Abonnenten täglich per ManyChat- und Claude-Code-Automation) einsetzbar ist — inklusive inoffizieller Python-API für vollständige Automatisierung. MoureDev lieferte ein Grundlagen-Tutorial zu Obsidian mit Fokus auf Verknüpfungen, Canvas, Datenbank-Plugin und Vorlagen.

AI-Industrie & Strategie

Nate Jones widmete sich ausführlich dem Anthropic-Microsoft-OpenAI-Konvergenzmoment: Skills sind nicht mehr persönliche Konfigurationen, sondern organisationsweite Infrastruktur — eine skill.markdown-Textdatei mit Metadaten, die Anthropic und Microsoft gemeinsam in Copilot bringen und OpenAI als offenen Standard adoptiert hat. Die effektive Skill-Beschreibung als Routing-Signal für Agenten, Output als API-ähnlicher Vertrag und quantitatives Testen mit Testsuiten sind die drei kritischen Designprinzipien. Apple steht laut Nate Jones vor einem strategischen Pivotmoment bei der WWDC: Siri als eigenständige App mit ChatGPT-ähnlichem Interface, App Intents für Agenten-Entwickler und MCP-Integration auf Systemebene könnten die iPhone-Position in der Agenten-Ära sichern — wobei Apples eigentliche Stärke die Kontrolle über den gesamten Stack für 1,5 Milliarden Nutzer ist, nicht ein eigenes Frontier-Modell. Der IA-et-Stratégie-Kanal analysierte Mistral AIs 830-Millionen-Dollar-Finanzierung durch sieben europäische Banken, die erstmals Nvidia-Blackwell-GPUs als bankfähige Sicherheiten akzeptierten — ein Paradigmenwechsel, der Rechenkapazität zum strategischen Sicherungsvermögen macht. Parallel analysierte Nate Jones die Helium-Versorgungskrise: Katar produzierte 33 Prozent der Weltversorgung; nach Raketenschäden an der Anlage Ross Leafon stiegen Helium-Spot-Preise sofort um das Doppelte, HBM-Speicher war bereits ausverkauft, und TSMC hält nur 11 Tagesvorräte an Flüssigerdgas.

AI & Gesellschaft / Future of Work

TheAIGRID analysierte Dario Amodeis Prognose, dass KI bis zu 50 Prozent der Einstiegs-White-Collar-Jobs eliminieren und die Arbeitslosenquote auf 10–20 Prozent treiben könnte — gestützt durch Stanfords Canaries-Studie (13 Prozent Rückgang bei Beschäftigung für 22–25-Jährige in KI-exponierten Rollen) und Anthropics eigene Forschung (Jobfindungsrate für 22–25-Jährige minus 14 Prozent). Tim Carambat konfrontierte die AGI-Behauptungen von Sam Altman, Jensen Huang und Mark Gubras mit den ARC AGI 3-Benchmarks, bei denen ein einfaches CNN eines einzelnen Forschers moderne LLMs schlug — sein Fazit: der GPT-Paradigma hat sein Limit erreicht, AGI erfordert eine fundamental andere Architektur. David Shapiro entwickelte sein AIL-Konzept (Annahme der Unentbehrlichkeit von Arbeit) und argumentierte, dass die KI-Krise nicht wirtschaftlich, sondern existenziell ist: Der kulturelle Doxa, der menschliche Würde an Produktivität knüpft, kollabiert gleichzeitig im westlichen Leistungsparadigma und im östlichen Kollektivmodell. Everlast AI sprach mit Dr. Jost Bach vom California Institute for Machine Consciousness über Bewusstsein als biologischen Algorithmus, Cyberanimismus und die Frage, ob LLMs funktionales Verständnis besitzen.

Kurz notiert

Liam Fedus, Co-Creator von ChatGPT und ehemaliger OpenAI-VP, stellt mit Periodic Labs ein AI-Foundation-Modell für Materialwissenschaften vor, das Sprachmodelle mit symmetriebewussten neuronalen Netzen für atomare Systeme kombiniert. Manus AI bietet geplante Aufgaben, Dokumentenerstellung und benutzerdefinierte Skills — TheAIGRIDs Tutorial zeigt tägliche Reddit/X-Recherche-Automatisierung und Präsentationserstellung mit Nano Banana. Google Stitch erhielt ein Vibe-Design-Update; Simone Rizzo demonstrierte den Export zu Claude Code via MCP, der aus einem Textprompt eine vollständige React-App in 15 Minuten generiert. Tech With Tim ersetzte Lovable durch Mocha, einen AI-App-Builder mit integrierter Auth, Datenbank und E-Mail ohne externe Konfiguration. DeepSeek Version 4 soll nativ auf Huawei Ascend-Chips laufen — strategisch bedeutsam als erste Frontier-KI auf heimischer chinesischer Hardware, was Alibaba, ByteDance und Tencent zu massiven Bestellungen veranlasst.

AI Explained

Keine neuen Videos in diesem Zeitraum.

AI Foundations

Keine neuen Videos in diesem Zeitraum.

AI mit Arnie (2 neues Videos)

• Lokale KI ist endlich gut (Gemma 4 Tutorial)
  3.4.2026, 14:06:28

  Gemma 4 – Lokale KI endlich praktikabel

  Google hat mit Gemma 4 ein multimodales Modell unter Apache-2.0-Lizenz veröffentlicht, das – entgegen dem bisherigen Trend – echte kommerzielle Nutzung und Fine-Tuning erlaubt. Es gibt vier Varianten: zwei extrem kleine Edge-Modelle (2 und 4 Milliarden aktive Parameter via Mixture of Experts, optimiert für Smartphones und Raspberry Pi) und zwei größere Workstation-Modelle mit 26 und 31 Milliarden Parametern. Besonders beeindruckend ist die Effizienz: Das 31-Milliarden-Modell übertrifft in Benchmarks Qwen 3.5 mit 397 Milliarden Parametern, während Modelle wie GLM-4 oder Kimi 2.5 nur minimal höher ranken, aber 700+ Milliarden Parameter benötigen.

  Die Modelle unterstützen natives Function Calling, strukturierte Outputs, Test-Time Computing (Thinking-Mode), Vision, Audio und verstehen über 140 Sprachen bei Kontextfenstern bis 256.000 Token. Sie sind speziell für agentenbasierte Workflows und Coding-Frameworks (OpenClaw, Claude Code) optimiert.

  Praktische Nutzung: Über Ollama und LM Studio lässt sich Gemma 4 lokal starten – etwa das E2B-Modell mit einem einfachen Terminal-Kommando. Nach dem Download lädt sich das Modell automatisch. Die App bietet eine GUI-Alternative und Integration mit Coding-Tools. Im Modelfile lässt sich das Verhalten konfigurieren: Thinking-Mode aktivieren/deaktivieren, Token-Fenster anpassen, System-Prompts ändern. Ein benutzerdefiniertes Modell erstellt man mit ollama create und kann dann zwischen Varianten wechseln.

  Tests: Bei Bildanalyse schätzte das Modell Nährstoffe (Proteine, Makros, Kalorien) in ca. 20 Sekunden zuverlässig. Bei der Codierung erstellte es ein Browser-OS in HTML/CSS/JavaScript mit Spielen und Funktionen – brauchte aber mehrere Iterationen, um komplexere Anforderungen vollständig zu erfüllen.

  Das Video ist ein Tutorial mit Demo zu Gemma 4 auf Google und mit lokalem Ollama; für Anfänger bei lokaler KI nachvollziehbar strukturiert.

• Claude Code und Paperclip ändern alles!
  1.4.2026, 12:29:54

  Paperclip und Claude Code – Autonome KI-Agenten-Systeme

  Das Video demonstriert Paperclip, ein Open-Source-Orchestrierungstool für KI-Agenten, das Unternehmen simuliert, in denen AI-gesteuerte Rollen (CEO, CTO, Content Creator, Video Editor) automatisch zusammenarbeiten. Der Grundgedanke: Man definiert ein Unternehmensziel, baut ein Agenten-Team auf und die KI erledigt den Rest eigenständig.

  Wer steht dahinter: Projektmitbegründer sind u.a. frühere Mitarbeiter von Slack und Figma; das öffentliche Gesicht ist eine Figur namens Dotter, die aus dem Krypto- und NFT-Bereich stammt. Der Creator empfiehlt, das Tool zunächst auf einem virtuellen Server statt lokal zu installieren, um Sicherheitsrisiken zu minimieren.

  Kern-Funktionen: Papierclip orchestriert mehrere Agenten über ein Dashboard. Jeder Agent erhält Instructions (System-Prompt), Routines (Heartbeats für wiederkehrende Aufgaben alle X Minuten/Stunden), Skills (Fähigkeiten wie Websuche, Remotion für Video-Generierung) und kann mit verschiedenen LLM-Providern verbunden werden (Claude, OpenAI, etc.). Das System trackt Kosten, loggt Aktivitäten und erlaubt Issue-Management. Business-Templates sind verfügbar (z.B. Y Combinator CEO-Template mit 5 Agenten und 27 Skills).

  Praktisches Setup: Nach Installation und Anmeldung mit Email/Passwort definiert man Unternehmensname und Ziel, fügt einen CEO-Agenten hinzu (mit Claude Code oder anderen LLMs) und gibt ihm erste Aufgaben wie „stelle einen Engineer ein”. Der CEO arbeitet dann automatisch: Im Demo-Szenario erstellte er einen Engineer, stellt später einen Content Creator und Video Editor ein, generierte automatisch YouTube-Scripts, baute eine Landing Page auf Vercel, schrieb die Repo zu GitHub und recherchierte basierend auf täglichen Routines nach KI-News – inklusive Auto-Generierung eines kleinen Videos über einen aktuellen News-Item.

  Realistische Bewertung des Creators: Aktuell ein faszinierendes Spielzeug eher für Bastler als Produktions-Tool. Der Creator warnt davor, sich von autonomer Gewinngeneration zu träumen – kleine Use-Cases (z.B. automatisch einen Trainingsplan als PDF via BlockPost vermarkten) könnten funktionieren, aber ähnliche Features existieren schon in Claude Code und OpenAI Agents. Das Tool ist noch zu früh, um klar zu sagen, ob dieser spezifische Ansatz sich durchsetzt oder große AI-Player die Funktionen direkt integrieren werden. Empfehlung: Ausprobieren, wenn Zeit da ist, aber keine Pflicht.

  Das Video behandelt Paperclip und Claude Code als AI-Agent-Orchestrierungs-Plattformen; Format ist Demo mit ausführlichem Walkthrough und kritischer Analyse.

AI News & Strategy Daily | Nate B Jones (7 neues Videos)

• Wall Street Just Bet $285 Billion on AI Agents. The Best One Barely Works.
  4.4.2026, 15:00:17

  Wall Street Bet $285 Billion on AI Agents. The Best One Barely Works.

  Wall Street hat massiv in AI-Agenten investiert, nachdem Anthropics Cowork Anfang 2025 vorgestellt wurde – ein autonomer Agent, der auf dem eigenen Computer arbeitet, Apps öffnet und Aufgaben ohne Code-Kenntnisse erledigt. Microsoft reagierte schnell mit Copilot Cowork. Die Investoren sahen darin ein Werkzeug, das teure SaaS-Lizenzen ersetzen könnte, was zu über 285 Milliarden Dollar Aktienverkäufen bei SaaS-Unternehmen führte. Allerdings hat Cowork noch erhebliche Probleme: Es funktioniert nur, während der Laptop eingeschaltet ist, die Speicherverwaltung ist fehlerhaft, und kontextuelle Lernfähigkeit existiert nicht wirklich.

  Um gute Agenten zu bewerten, schlägt der Autor drei zentrale Fragen vor:

  1. Hat der Agent persistentes Gedächtnis oder startet jede Sitzung bei Null?
  2. Produziert der Agent überprüfbare, editierbare Artefakte?
  3. Wächst der Kontext über Zeit, wird der Agent intelligenter?

  Vier weitere Agenten im Vergleich:

  Lindy – Der bekannteste Outcome-Agent außerhalb der Tech-Giganten. Nutzer beschreiben gewünschte Ergebnisse in Sprache, Lindy baut und betreibt die Automatisierung. Problem: TrustPilot-Rating von 2,4 von 5, Credits verbrennen ohne Transparenz, Artefakte sind weniger editierbar als bei Cowork, Debugging-Interface ist schwach. Lindy besetzt erfolgreich eine Nische zwischen Zapier und Cowork.

  Wordware/Sauna – Wordware sammelte 30 Millionen Dollar für eine AI-Agent-IDE, pivotierte aber zur Sauna-Plattform, nachdem erkannt wurde, dass Menschen nicht „Automatisierung bauen” wollen, sondern „zu viel zu tun haben”. Sauna positioniert sich als „Cursor für Knowledge Work” mit Speicher als fundamentales Prinzip statt Feature, persistenter Browser-Anmeldung und Kontextverstärkung. Allerdings ist das Projekt sehr früh und stark Demo-fokussiert – praktische Produktivität muss noch bewiesen werden.

  Google Opal – Kostenlos, Lab-Projekt von Google mit Gemini 3.5 Flash, das Ziele versteht, Werkzeuge wählt, selbst korrigiert und sitzungsübergreifend erinnert. Menschen bauen tatsächlich damit (nicht nur Demos) – Besprechungsagenten, remixbare Workflows. Vorteil: kostenfrei, niedriger Einstieg. Nachteil: Google-typisch (Datenschutz, Geschichte von aufgegebenen Produkten), Speicherfunktion ist nur eine simple Tabelle ohne Dauerhaftigkeit für echte agentengesteuerte Outcomes.

  Obvious – Vollständiger AI-Workspace mit SQL-Workbooks, Live-Charts, Präsentationen, Custom-Apps und Kanban-Boards. Artefakte sind Erste-Klasse-Bürger mit Cross-Referenzierung. Problem: Sehr neu und still – schwer zu bewerten, Potenzial sichtbar, aber noch nicht in Production bewiesen.

  Drei Prinzipien für funktionsfähige Agenten:

  1. Speicher muss in der Architektur verankert sein, nicht nur Feature
  2. Outcomes brauchen editierbare Oberflächen – versteckte Black-Box-Vorgänge funktionieren nicht
  3. Kontext muss sich verdichten – Aufgaben sollten einfacher werden, je mehr der Agent lernt

  Eine Drei-Schichten-Architektur für DIY-Agenten besteht aus: Knowledge Store (Gedächtnis via Datenbank + MCP-Verbindungen), Agent Recipes (vordefinierte Workflows wie Kalender, Meeting, Dokumente) und Scheduling Loop (iteratives Lernen über Zeit). Der Autor arbeitet dies im Open-Brain-Projekt um.

  Fazit: Der Raum zeigt, dass echte Outcome-Agenten extrem schwer zu bauen sind – selbst Cowork erfüllt nur 1,5 von 3 Qualitätskriterien. Die Hype-Dynamik treibt Adoption trotzdem an. Wichtig ist, harte Fragen zu stellen, statt auf Demos hereinzufallen, und zu verstehen, dass Speicher, editierbare Artefakte und Kontextverstärkung die Unterscheidungsmerkmale sind.

  Thematisierte Systeme: Cowork (Anthropic), Copilot Cowork (Microsoft/OpenAI), Lindy, Wordware/Sauna, Google Opal, Obvious, Open Brain. Format: Meinung/Deep-Dive mit Produktbewertung.

• I Broke Down Anthropic’s $2.5 Billion Leak. Your Agent Is Missing 12 Critical Pieces.
  3.4.2026, 14:00:32

  Der Autor analysiert die durchgesickerten Internals von Anthropic’s Claude Code und extrahiert 12 kritische Architektur-Primitive für erfolgreiche Agent-Systeme. Die Analyse ist in zwei Ebenen organisiert: Day-One-Grundlagen (Tool-Registry mit Metadaten, Permissions-Systeme mit Sicherheitsstufen, Session-Persistierung über Crashes hinweg, Workflow-State getrennt von Konversationshistorie, Token-Budgeting mit harten Limits, strukturierte Streaming-Events, System-Event-Logging) und operationale Reife (dynamische Tool-Pool-Assemblies, Transcript-Kompaction, Permission-Audit-Trails als First-Class-Objects, Agent-Typ-System mit definierten Rollen wie Explore, Plan, Verify etc.).

  Der zentrale Insight: Agentic-Systeme sind 80% nicht-glamouröse Backend-Architektur (Fehlerbehandlung, Sicherheit, Recovery, Logging) und nur 20% AI. Claude Code behandelt kritische Szenarien wie das Shell-Execution-Tool (bash) mit einer 18-modul-Sicherheitsarchitektur; die Streaming-Events vermitteln nicht nur Gedankengänge, sondern auch strukturierte Statusinformationen; Verification läuft auf zwei Ebenen: erfolgreiche Agent-Runs UND Validierung von Harness-Änderungen gegen Guardrails.

  Der Autor kritisiert auch das Pattern der zweiten Anthropic-Leak innerhalb einer Woche und stellt die Frage, ob Entwicklungsgeschwindigkeit die operative Disziplin überrennt. Der Kontext: Bei Anthropic schreiben KI 90% des Codes, Engineers shippen bis zu fünf Releases pro Tag pro Person.

  Zur Operationalisierung veröffentlicht der Autor ein Skill-Tool mit zwei Modi: Design-Modus für die strukturierte Architektur-Definition vor Implementierung (mit Harness-Shape-Empfehlungen und Phasierung) und Evaluation-Modus zur Bewertung existierender Codebases gegen die identifizierten Primitives mit priorisierten Fixes und Verifikationstests. Das Skill existiert sowohl für Claude Code als auch für OpenAI’s Codebase mit identischer Logik, um Primitives als universell anwendbar zu positionieren. Der Autor warnt vor Overengineering (häufigster Fehler ist zu viel Multi-Agent-Koordination statt fundamentals wie Permissions oder Crash-Recovery) und betont Simplicty als Überlebensmerkmal.

  Explizit thematisiert: Claude Code / Anthropic, OpenAI’s Codebase, Open Source-Agenten; Format: Deep-Dive mit Reflexion und praktische Skill-Release; Niveau: fortgeschritten, richtet sich an Agentic-System-Designer.

• Your Claude Limit Burns In 90 Minutes Because Of One ChatGPT Habit.
  2.4.2026, 14:00:06

  Zusammenfassung: Your Claude Limit Burns In 90 Minutes Because Of One ChatGPT Habit

  Das Video argumentiert, dass ineffiziente Token-Nutzung – nicht die Modelle selbst – die Kosten für AI-Anwendungen explodieren lässt. Der Creator identifiziert konkrete Gewohnheiten, die Tokens verschwenden:

  Anfänger-Fehler:

  • Raw PDFs einpflegen: 4.500 Wörter können statt ~5.000 über 100.000 Tokens kosten, weil Formatierung, Fonts und Metadaten mitgespielt werden. Lösung: in Markdown konvertieren (z.B. via freie Web-Tools oder direkt von Claude).
  • Conversation Sprawl: 20–40 Turns in einer Konversation verschwenden Tokens. Besser: gezielt recherchieren in separaten Chats, dann mit allen Infos in einer sauberen Session arbeiten.

  Mittelstufe:

  • Zu viele Plugins: Jedes aktivierte Plugin lädt ~1.000–2.000 Tokens beim Start. Wer 50+ Plugins hat, startet mit 50.000+ Token Overhead – bevor er ein Wort tippt.

  Fortgeschrittene (mit höchstem Leverage):

  • Unpruned System Prompts: Alte Instruktionen aus Claude 3.5-Zeiten nicht entfernen, obwohl neuere Modelle sie nicht brauchen.
  • Ganze Repos in Context laden ohne Grund.

  Konkrete Kostenersparnis (Beispiel):

  Sloppy Workflow (Raw PDFs, 30 Turns, nur Opus): ~800K–1M Input Tokens, 150K–200K Output → $8–10 Compute.

  Optimierter Workflow (Markdown, frische Sessions alle 10–15 Turns, Opus für Reasoning, Sonnet für Execution, Haiku für Polish): ~100K–150K Input, 50K–80K Output → $1 Compute.

  Ergebnis: 8–10x Kostenreduktion, gleiche Arbeit.

  Bei Teams: $2.000/Monat (sloppy) vs. $250/Monat (effizient) auf API.

  Weitere Tipps:

  • Model Routing: Nicht überall das teuerste Modell nutzen (z.B. Haiku für Formatierung statt Opus).
  • Prompt Caching: Cache Hits kosten 90% weniger (50¢ statt $5 pro Million Tokens bei stabilen Kontexten wie System Prompts oder Tool-Definitionen).
  • Web Search: Perplexity über MCP oder ähnlich nutzen statt Clauds native Suche; spart 10–50K Tokens pro Search.

  Für Agents – fünf Regeln:

  1. Referenzen indexieren (nicht rohe Dokumente dumpen).
  2. Kontext vorverarbeiten, pre-summarize, pre-chunk.
  3. Stabile Kontexte cachen.
  4. Jeden Agent nur mit dem nötigen Scope füttern.
  5. Token-Kosten pro Call messen und instrumentieren.

  Der Creator hat ein Tool (“Stupid Button”) gebaut: ein Prompt, der bestehende Conversations auditet und konkrete Verschwendung identifiziert; dazu ein Skill für Overhead-Messung, sowie Guardrails für die Open-Brain-Community (automatische Markdown-Konversion, Index-First Retrieval, Kontext-Scoping).

  Kernthese: Nächste Modellgeneration (Claude Mythos, GPT-next, Gemini-next) werden um Größenordnungen teurer. Wer heute verschwenderisch ist, zahlt dann ein Vielfaches. Intelligente Token-Nutzung wird eine kritische Job Skill. Der Anspruch ist nicht, Token-Verbrauch zu senken, sondern ihn effizient zu gestalten – damit Teams mutig und kreativ mit den Modellen arbeiten können, ohne Geld zu verschwenden.

  Claude und GPT wurden explizit erwähnt; auch Gemini, Llama, Qwen, Perplexity, Grok, Open-Brain-Ökosystem. – Meinung/Reflexion mit praktischen Handlungsempfehlungen.

• Your AI Stack Isn’t Ready for Claude Mythos
  1.4.2026, 14:00:50

  Zusammenfassung: Your AI Stack Isn’t Ready for Claude Mythos

  Claude Mythos – ein massives Modell, das auf Nvidias neuen GB-Chips trainiert wurde – wurde geleakt und ist laut Anthropic das größte und leistungsstärkste Modell der Welt. Sicherheitsforschende berichten, dass Mythos außergewöhnlich gut darin ist, Sicherheitslücken zu finden (etwa Zero-Day-Vulnerabilities in etablierten Repositories wie Ghost mit 50.000 Stars), was zeigt, dass die erste Aufgabe bei Release darin besteht, das Modell gegen die eigene Infrastruktur zu testen.

  Der zentrale Punkt des Videos ist die „bitter lesson”: Mit leistungsstärkeren Modellen muss man vereinfachen, nicht komplexer werden. Der Sprecher nennt vier konkrete Audits-Punkte:

  1. Prompt-Scaffolding: Überprüfe jede Zeile deines System-Prompts – wird sie benötigt, weil das Modell sie braucht, oder weil du glaubst, das Modell müsse sie brauchen? Mit stärkeren Modellen können 30–50% der prozeduralen Anweisungen gelöscht werden. Der Trend: Sag dem Modell was und warum du etwas willst, nicht wie.

  2. Retrieval-Architektur und Memory: Statt Logik für Retrieval selbst zu spezifizieren, sollte das Modell bei großen Context-Fenstern zunehmend selbst entscheiden, welche Daten es braucht – vertrau darauf, dass es die richtigen Dateien aus einem gut organisierten Repo findet.

  3. Hardcodierte Domain-Knowledge: Frage dich, welche Business-Rules wirklich notwendig sind oder ob das Modell sie aus Context inferieren kann. Mit besseren Modellen können viele explizite Regeln wegfallen.

  4. Evaluation und Verification: Bei Software braucht es einen umfassenden Eval-Gate am Ende (nicht mehrere intermediate Checks), der alle funktionalen und nicht-funktionalen Anforderungen prüft. Humans werden zunehmend zum Bottleneck – Automation ist nötig.

  Darüber hinaus nennt der Sprecher vier Elemente einer Mythos-ready Architektur: klare Outcome-Spezifikationen (nicht Prozessschritte), explizite Constraints/Guardrails (z.B. „keine Kundendaten offenbaren”), gut definierte Tools, und bei agentic Software Multi-Agent-Koordination, bei der das Modell als Planer fungiert.

  Mythos wird voraussichtlich sehr teuer sein und nur auf Premium-Plänen verfügbar, was bedeutet: Wer in Zukunftsintelligenz investiert (Pro-Plan vs. $200/Monat Max-Plan), wird einen erheblichen Produktivitätsvorteil haben. Der Sprecher warnt, dass menschliches Talent die fehlende Modell-Power nicht ausgleichen kann – je besser die Modelle, desto wichtiger wird es, den Weg freizumachen statt zu kompensieren.

  Der Start dieser neuen Ära ist Sache von Wochen, nicht Monaten. Vereinfachen jetzt oder später unter Druck – das ist die Wahl.

  Thematisiert: Claude/Anthropic, OpenAI (erwähnt), sowie agentic Software-Patterns aus Factory.ai und Cursor. Format: Meinung/Reflexion mit deutlich praktischen Auditing-Elementen und Architektur-Guidance.

• Your iPhone Is About to Control Every AI App You Use. Here’s What This Means For You.
  31.3.2026, 14:01:08

  Apple könnte bei der kommenden WWDC durch eine strategische Umgestaltung von Siri und Integration agentenfreundlicher Funktionen in sein Ökosystem trotz bisheriger Verzögerungen eine starke Position im KI-Bereich aufbauen. Der Sprecher identifiziert vier Kernentwicklungen: Erstens erhält Siri als eigenständige App ein ChatGPT-ähnliches Interface mit Zugriff aus allen anderen Apps dank Apples Kontrolle über den gesamten Stack — nicht nur als isolierte App, sondern als „ambient intelligence” überall im Telefon. Zweitens führt Apple agentenorientierte Schnittstellen (genannt „app intents”) für Entwickler ein, um Remote-Interaktionen mit Apps zu ermöglichen (z.B. Siri-gesteuerte Foto-Bearbeitung bei Amazon-Preisvergleichen). Drittens integriert Apple MCPs (Model Context Protocol) auf Systemebene, was Tool-Aufrufe und Agenten-Integration vereinfacht. Viertens verzichtet Apple auf ein eigenes großes Sprachmodell und nutzt stattdessen ein kleines privates Modell für lokale Daten und Google-Modelle für komplexere Anfragen.

  Der strategische Intent dahinter ist dreischichtig: Kontrolle der Benutzeroberfläche (Siri als Standard-KI-Einstieg für 1,5 Mrd. Nutzer), Öffnung des App-Ökosystems für KI-Agenten durch Developer-Frameworks (mit klarer Grenze gegen „Vibe Coding”), und Schutz der iPhone-Marke in einer von Agenten dominierten Zukunft. Das Problem: Apple ist spät — bereits bei WWDC24 wurden große Versprechen gemacht, aber nicht eingelöst, weshalb eine Klage wegen falscher Werbung folgte. Der Sprecher kritisiert auch, dass Apples Ansatz (Integration statt Vision-basierte Automation wie bei Google) defensiv und langsamer ist, obwohl möglicherweise robuster.

  Für Google ist der Deal mit Apple nicht primär um die angebliche Milliarde Dollar, sondern um Signale aus Telefon-Inferenzen und das Lernen aus Nutzungsmustern, die nur Apple-Nutzer bieten. Samsung könnte durch Apples potenziell günstigere Mittelklasse-Phones mit Agenten-Features unter Druck geraten. Für Entwickler bedeutet das: agentenorientierte Apps entwickeln, MCPs und App-Intents erforschen. Für alle anderen: Das Delegieren an Agenten trainieren — erst fragen ob ein Agent das kann, dann selbst handeln.

  Der Sprecher warnt: Medien werden wahrscheinlich berichten „Siri ist jetzt ein Chatbot”, aber die echte Story ist „Apple öffnet das Ökosystem für Agenten über das gesamte Telefon” — ein langfristiger Schutz der iPhone-Position in der Agenten-Ära.

  Explizit thematisiert: Apple, Siri, Google/Gemini, OpenAI (ChatGPT, Jon IV), Anthropic, Claude, Mac Minis, MCPs, App Intents, Samsung, Meta — Meinung/Reflexion zur kommenden WWDC-Strategie.

• Anthropic, OpenAI, and Microsoft Just Agreed on One File Format. It Changes Everything.
  30.3.2026, 14:00:04

  Zusammenfassung: Skills als neue Standard-Infrastruktur für KI-Agenten

  Die Landschaft um KI-Skills hat sich seit Anthropics Launch im Oktober grundlegend verschoben: Skills sind nicht mehr persönliche Konfigurationen, sondern organisationsweite Infrastruktur, die von Admins versionskontrolliert und über Excel, PowerPoint, Claude und Copilot hinweg bereitgestellt wird. Der wichtigste Wendepunkt ist, dass nicht mehr Menschen, sondern Agenten die primären Aufrufer von Skills sind – ein Agent kann hunderte Skill-Aufrufe pro Durchlauf machen, während Menschen nur einzelne Prompts nutzten.

  Skills sind technisch eine Textdatei namens skill.markdown mit Metadaten und Anleitung – eine einfache, aber mächtige Primitive. Ein Skill enkodiert englischsprachige Anweisungen, die einem LLM einen konsistenten Kontext geben, um etwas Vorhersagbares zu erreichen. Praktische Beispiele reichen vom „Specialist Stack” in der Softwareentwicklung (eine Skill transformiert vage Anforderungen in PRDs, eine andere zerlegt diese in GitHub Issues) bis zur Immobilienbranche, wo ein Operator über 50 Repositories mit 50.000+ Zeilen Skills für Mietvertragsstandardisierung, Vergleichsanalysen und Protokolle nutzt – was gleichzeitig als Onboarding-Layer für neue Mitarbeiter funktioniert.

  Vier kritische Erkenntnisse für effektive Skills: (1) Die Beschreibung ist entscheidend – sie muss spezifisch, auf einer Zeile bleiben und Trigger-Phrasen enthalten (z.B. „wer sind die Spieler in diesem Markt”), nicht vage bleiben wie „hilft bei Wettbewerbsanalyse”. (2) Der Methodologie-Body braucht fünf Dinge: Reasoning-Frameworks statt nur linearer Schritte, explizites Output-Format, dokumentierte Edge Cases (nicht auf Common Sense verlassen), Beispiele zum Pattern-Matching, und Knappheit (typisch 100–150 Zeilen, nicht mehr). (3) Für Agent-First-Design muss die Beschreibung als Routing-Signal wirken, die Ausgabe als Vertrag gedacht werden (klare API-ähnliche SLAs), und Composability sollte die Kernidee sein – jede Ausgabe muss für den nächsten Prozessschritt oder Sub-Agent verwertbar sein. (4) Quantitatives Testen ist essentiell: Skills müssen für Agent-Pipelines battlegetestet sein, mit Testsuiten, um Performance zu messen und Versionen zu verfeinern – da Agent-Fehler ohne Recovery-Loop teuer werden.

  Skills unterscheiden sich von Prompts dadurch, dass sie sich durch iterative Verfeinerung compound – wer seine Skills kontinuierlich optimiert, gewinnt gegenüber denen, die Prompts nur kopieren. Ein Team-Framework arbeitet in drei Tiers: Standard Skills (Markenrichtlinien, formatierte Templates, org-weit), Methodology Skills (wie Senior Practitioners arbeiten, Expertenwissen, das neuen Hires Monate Lernzeit erspart), Personal Workflow Skills (persönliche Prozesse, sollten aber trotzdem versioniert und teilbar sein, nicht nur lokal).

  Anthropic und Microsoft kooperieren, um Skills in Copilot zu bringen; OpenAI hat Skills als offenen Standard adoptiert – damit ist Skills eine Cross-Industry-Infrastruktur geworden, bei der offene Zusammenarbeit schneller zu Best Practices führt als proprietäre Ansätze. Der Sprecher plant eine Community Skills Repository (Teil von OpenBrain auf GitHub), organisiert nach Workflow-Typ mit konsistenter Agent-Readability-Bar, um domain-spezifische Skills wie Competitive Analysis, Financial Review, Deal Memo Drafting, Research Synthesis zu sammeln.

  Praktische erste Schritte: Wiederholte Aufgaben (1–3x pro Woche) zu Skills transformieren, indem man mit dem bevorzugten LLM ein skill.markdown aus bisherigen Gesprächen bauen lässt; für fortgeschrittene: Handoff-Punkte und Contract-Struktur überdenken; für Teams: Tier-Modell anwenden. Der Kern: Skills persistieren über Konversationen hinaus und werden zu einer gemeinsamen Wissensbasis für Agenten und Menschen – damit sich Teams aus Copy-Paste-Hell befreien.

  Behandelt: Anthropic, OpenAI, Microsoft, Claude, Copilot, ChatGPT (spezifische Tool-Namen in Beispielen); Format: Meinung/Reflexion mit praktischen Deep-Dive-Elementen.

• 48 Days. That’s How Long Before the Helium Runs Out for AI Chips.
  29.3.2026, 18:00:28

  Zusammenfassung: Die Helium-Krise und ihre Auswirkungen auf die KI-Infrastruktur

  Das Video behandelt eine kritische Schwachstelle in der globalen KI-Versorgungskette: die Abhängigkeit von Helium für die Chipfertigung. Die zentrale Aussage lautet, dass spezialisierte ISO-Container flüssiges Helium nur 35–48 Tage transportieren können, bevor es verdunstet – und der Hauptlieferant, eine Helium- und Flüssigerdgas-Anlage (Ross Leafon) in Katar, wurde durch Raketenschläge beschädigt und ist derzeit offline.

  Die physikalische Bedeutung von Helium:

  Helium ist unverzichtbar für die fortgeschrittene Chipfertigung, da es beim Plasma-Ätzen als Wärmeleiter verwendet wird, um die Temperatureinheitlichkeit auf den Wafern zu bewahren, und zur Lecktestung von Vakuumkammern dient. Es ist das einzige Element mit ausreichend kleinem Partikeldurchmesser dafür – es gibt keinen Ersatz. Die Reinheitsanforderung liegt bei 6N (99,9999%), was nur wenige Produktionsstätten erfüllen können. Der Heliumverbrauch nimmt mit jedem neuen Chipgeneration zu: moderne 300-mm-EUV-Fabs benötigen zwischen 5.000 und 20.000 Kubikmeter Helium monatlich.

  Die Versorgungskrise:

  Katar produzierte etwa 33% der weltweiten Heliumversorgung (2,4 Milliarden Standardkubikfuß jährlich). Qatar Energy hat eingestanden, dass 14% der Heliumkapazität dauerhaft beschädigt ist, mit Wiederherstellungszeiträumen bis zu 5 Jahren. Die geplante neue Helium-4-Anlage (1,5 Milliarden Standardkubikfuß jährlich) ist nun bis 2027 verzögert. Südkorea importiert zwei Drittel seines Heliums aus Katar und ist damit massiv gefährdet – dasselbe gilt für die Speicherhersteller SK Hynix und Samsung Electronics, die hochbandbreitiges Speicher (HBM) für jedes Nvidia-GPU und AMD-Accelerator produzieren. TSMC in Taiwan importiert 97% seiner Energie als Flüssigerdgas und hält nur 11 Tagesvorräte.

  Die Helium-Spot-Preise haben sich verdoppelt, Vertragssuchkosten sind um 30% gestiegen.

  Die Flüssigerdgas-Komponente:

  Helium wird als Nebenprodukt bei der kryogenen Destillation von Flüssigerdgas gewonnen – beide sind an denselben Anlagen gebunden. Eine Abschaltung von Ross Leafon betrifft also sowohl Helium als auch Energiepreise in Ostasien, was wiederum die Betriebskosten von Chipfabriken erhöht.

  Geopolitische Implikationen:

  China investiert aggressiv in heimische Heliumproduktion (Guangdong-Anlage mit 6N-Zertifizierung) und verhandelt über die Power-of-Siberia-2-Pipeline zur Versorgung mit Flüssigerdgas aus Russland. Sollte China diese Unabhängigkeit erreichen, während der Westen – insbesondere Südkorea und Taiwan – weiterhin von Katar abhängig bleibt, könnte dies China einen geopolitischen Vorteil bei der Kostenstruktur von Chipfertigung und KI-Inferenz verschaffen. Das US-Federal-Helium-Reserve stellte 2023 die Verkäufe ein; Russland kann wegen der Ukraine-Krise keine Heliumvorräte hochfahren.

  Praktische Folgen:

  — Speicherkosten steigen bis mindestens Mitte 2027; HBM war bereits ausverkauft, DRAM-Preise um 70% gestiegen

  — Energiekosten für asiatische Chipfertigung werden nicht sinken und beeinflussen letztlich die Kostenstruktur pro Chip und pro Inference-Operation

  — US-Datenzentren sind zwar nicht direkt betroffen, aber vollständig abhängig von Chips aus Taiwan und Südkorea – die Arizona-Fabrik ist mikroskopisch klein im Vergleich zum globalen Bedarf

  — Bei weiterhin hoher Nachfrage nach KI (derzeit bereits 0,1% der Weltbevölkerung als Heavy-AI-User maximal genutzt) und geplanten 10x- bis 100x-Steigerung könnte eine andauernde Versorgungskrise zu echten Kapazitätsengpässen führen

  — Empfehlung: IT-Procurement-Teams sollten Chips und Computing-Hardware früh im Jahr kaufen, nicht später, um Preissteigerungen und längere Lieferzeiten zu vermeiden

  Das Video endet mit der klaren Aussage, dass dies jeden betrifft – von Laptop- bis Datenzentrum-Käufern – und wahrscheinlich zu höheren Preisen für alle KI-abhängigen Geräte führt.

  Format und Kontext: News-Update/Deep-Dive zur physischen Versorgungskette; kein spezifisches KI-Tool oder Anbieter erwähnt, sondern infrastrukturelle Systemrisiken für die gesamte Branche.

Alejandro AO

Keine neuen Videos in diesem Zeitraum.

Alex Finn (4 neues Videos)

• LIVE: MASSIVE Claude Code leak fallout. + Hermes agent workflows
  1.4.2026, 20:28:53

  Der Stream behandelt zwei Hauptthemen: die Claude-Code-Leak-Fallouts und Hermes-Agent-Workflows.

  Claude-Code-Leak und Anthropic-Strategie:

  Aus dem durchgesickerten Quellcode wurde offenbar, dass Anthropic an “autonomen proaktiven Agenten” arbeitet – Claude-Instanzen, die nicht nur auf Befehle reagieren, sondern eigenständig Verbesserungen vorschlagen (z. B. bei einer To-do-App automatisch Kalender-Integration, Dark Mode etc. hinzufügen). Der Sprecher vermutet dahinter eine Geschäftsstrategie: Anthropic habe die Nutzungslimits der bestehenden Pläne künstlich gekürzt und werde in den nächsten vier Wochen einen $1.000–$2.000-Plan zusammen mit dem neuen Modell „Mythos” (codename „Capybara”) launchen. Mythos soll „die mächtigste KI aller Zeiten” werden und nur über die API erhältlich sein – was zu einer wirtschaftlichen Kluft führen könnte zwischen denen, die es sich leisten können (permanent underclass-Thema). Sonnet 4.8 und Opus 4.7 wurden ebenfalls erwähnt als Zwischenmodelle vor den längst erwarteten Opus-5- und Sonnet-5-Versionen. Dream Mode ist ein Feature, bei dem Claude nachts autonome Tokens „verbraucht” und an Verbesserungen arbeitet.

  Hermes-Agent-Setup und lokale Modelle:

  Der Sprecher betreibt mehrere Agenten parallel: Henry (OpenClaw-basiert, seine Hauptinstanz), Hermes (erstes Setup mit diesem Framework), und Ruben (zweiter Hermes-Agent, lokal auf Mac Studio mit Quen 3.5 397B). Er hebt hervor, dass Hermes neuerdings einfacher mehrere verifiable separate Agenten mit eigenen Workspaces und Memories spinnen lässt. OpenClaw und Hermes kommunizieren über ein Agent Communication Protocol (ACP). Er bevorzugt OpenClaw als Orchestrator wegen der Speicherverlässlichkeit und integriert Hermes als spezialisierte Worker. Für die direkten Konversationen schätzt er GPT-4 wegen novellererer Ideen – aber bei Agentic Workflows ist Opus klar überlegen, da GPT einfach Tasks nicht fertig macht.

  Weitere Leaks: Buddy-Feature (spielerischer Companion für Claude Code mit Seltenheitsgrade wie Pokémon), sowie Hinweise auf Paperclip AI als neues integriertes Tool.

  Hardwarediskussion:

  Mac Studio vs. DJX Spark – der Sprecher hält beide für valide, besitzt selbst zwei Mac Studios und einen DJX Spark, plant einen weiteren. Er betont, dass die Investition in lokale Compute für ihn emotionaler erfüllend ist als Geldverdienen.

  Glasintegration:

  Even Reality G2 Smart Glasses ($600, Ring $200) mit grünem Text-Display, Bluetooth-verbunden zum OpenClaw – ermöglicht freihändige Kontrolle von Agents. Reddit-Demo zeigte: Sprachbefehl über Brille → Henry führt auf Desktop aus.

  Monday-Ankündigung:

  Wiederholt erwähnt, dass Montag „die größte Ankündigung meines Lebens” kommt – bezüglich eines neuen Projekts/Produkts, an dem er arbeitet. Deutet an, dass es um eine völlig neue Geschäftsidee geht (nicht einfach ein weiteres Vibe-Coding-Tool), nicht um Nischen-Iterationen existierender Kategorien, sondern um völlig unbesetzte „Rennstrecken” mit Billionen-Dollar-Potenzial.

  Custom Memory System:

  Erwähnt, dass bereits in Vibe Coding Academy ein Custom-Obsidian-Memory-System für OpenClaw/Hermes-Integration gezeigt wurde; YouTube-Video dazu kommt bald (zweite Priorität nach bereits veröffentlichten Workflows).

  Explizite Tools/Modelle: Claude (Opus, Sonnet, Haiku, Mythis/Capybara), GPT-4.5, Hermes, OpenClaw, Quen 3.5, DJX Spark, Mac Studio, Even Reality G2, Obsidian, Paperclip AI, Cursor, n8n erwähnt als impliziter Kontext.

  Format: Live-Q&A mit Demo-Elementen und News-Update – Schwierigkeitsniveau typisch für Fortgeschrittene in AI-Tooling.

• MASSIVE CLAUDE CODE LEAK! THIS CHANGES EVERYTHING!
  31.3.2026, 19:32:23

  Zusammenfassung: MASSIVE CLAUDE CODE LEAK

  Das Video behandelt ein angebliches Datenleck des Claude-Code-Quellcodes mit Ankündigungen neuer Features und Modelle. Wichtig: Das Transcript enthält mehrere futuristische und teilweise absurde Ankündigungen, deren faktischer Status unklar ist.

  Die wichtigsten geleakten Features sind:

  Proaktive autonome Agenten: Claude Code soll eigenständig Aufgaben generieren und erweitern können – etwa ein angeforderte To-Do-App um Kalender, Projektmanagement und Sharing-Features ergänzen, ohne explizite Anweisung.

  Neue Modelle: Capiara (auch “Mythos” genannt, soll größer als Opus sein), Sonnet 48 und Opus 47 wurden im Code erwähnt.

  Dream Mode: Ein Modus, in dem der Agent nachts eigenständig über mögliche Verbesserungen und neue Features nachdenkt und Ideen generiert.

  Auto Mode: Ein intelligenter Hybrid zwischen “YOLO-Mode” (keine Bestätigung nötig) und vollständiger Bestätigung – der Agent entscheidet selbst via Machine Learning, ob er Genehmigung braucht oder eigenständig handeln kann. Integration mit Messaging-Diensten (Telegram, iMessage) für Anfragen.

  Agentic Payments: Der X42-Protokoll ermöglicht es Agenten, autonom Zahlungen mit Stablecoins (z.B. USDC) zu tätigen und online Dienste zu kaufen, ohne manuelle Intervention.

  Buddy Mode: 20 verschiedene Tiere als digitale/physische Repräsentationen des Agenten auf dem Desktop (vergleichbar mit Tamagotchi-Gameplay), die sich basierend auf Aktivitäten verändern.

  Der Sprecher argumentiert, dass das Leak langfristig Anthropic schaden könnte (Wettbewerber kennen die Roadmap, Open-Source-Versionen entstehen), aber auch Vorteile bringt durch Aufmerksamkeit. Das Kernmoat bleibe die Qualität der Modelle selbst, nicht deren Gehäuse.

  Claude Code und Anthropic – Meinung/Reflexion, mit Emphasis auf geplante Features deren Umsetzungsstatus im Transcript nicht bestätigt ist.

• Did Hermes Agent just kill OpenClaw? (full guide)
  31.3.2026, 13:15:10

  Zusammenfassung:

  Das Video vergleicht Hermes Agent mit OpenClaw, zwei autonome KI-Agenten, die deinen Computer steuern können. Hermes ist deutlich schneller und leichter (selbst mit gleichem Modell wie Opus), hat aber sein Kernfeature in der Selbstverbesserung: Es lernt aus Aufgaben, erstellt automatisch wiederverwendbare Skills und wird mit jeder Nutzung besser. Im Demo wird gezeigt, wie Hermes eine komplexe tägliche Aufgabe automatisiert (Hacker-News-Stories fetchen, zusammenfassen, bewerten, Audio-Briefing generieren und per Telegram liefern) und dabei live neue Skills entwickelt. Hermes ist auf Tinkerer ausgerichtet (mit ML- und Reinforcement-Learning-Tools) und unterstützt Open Models (z.B. Quen 3.5), während OpenClaw das offiziell nicht empfiehlt. OpenClaw hat aber Vorteile: massive Entwickler-Ressourcen (OpenAI, Nvidia), tägliche Updates, größere Community und etwas höhere Stabilität.

  Die zentrale Empfehlung: Nicht OpenClaw ersetzen, sondern beide zusammen verwenden. Der optimale Workflow nutzt OpenClaw als Main-Orchestrator, der bei Bedarf Hermes für spezifische Tasks aktiviert, oder lässt beide parallel nebeneinander laufen (z.B. Hermes im CLI für Frontend-Code mit GPT, OpenClaw/Hermes für Backend mit Claude). Dafür braucht man nur ACP (Agent Communication Protocol) einrichten. Ein Zusatznutzen: Wenn einer ausfällt, kann der andere ihn reparieren, was als „Versicherung” fungiert.

  Explizit behandelte Modelle/Tools: Claude (Opus), ChatGPT, Quen 3.5, Minimax, Obsidian, Excalidraw; Anbieter: OpenAI, Anthropic, Nvidia — Demo/Vergleich mit praktischen Workflows.

• LIVE: Hermes vs OpenClaw live tests
  30.3.2026, 20:12:08

  Zusammenfassung: LIVE Hermes vs OpenClaw Live Tests

  Der Streamer vergleicht zwei AI-Agent-Systeme: Hermes Agent (neu und gehypt) und OpenClaw (etabliert). Er wartet bewusst mehrere Wochen nach Hermès Release ab, bevor er sich äußert, statt wie andere Creator sofort oberflächliche 20-Minuten-Videos zu drehen – diese Technologie sei zu komplex für Schnellschüsse.

  Hermes-Stärken:

  • Vollständige Transparenz: zeigt jeden Tool-Call, jedes Memory-Update in Echtzeit an
  • Selbstverbessernde Skills: erstellt und aktualisiert automatisch seine eigenen Fähigkeiten nach jeder Aufgabe
  • Sicherheit: Sicherheitsprüfungen bei jeder Skill-Erstellung
  • Bessere Performance: verlangsamt sich nicht über Zeit wie OpenClaw
  • Vertraut dem Publikum mehr: explizit für lokale Open-Source-Modelle gebaut (im Gegensatz zu OpenClaws restriktiverem Ansatz)

  Hermes-Schwächen:

  • Kompaktionen katastrophal: Bei Memory-Kompaktierungen vergisst der Agent alles, wird desorientiert und kann Tasks abbrechen
  • Hat dafür ein Custom-Memory-System bauen müssen
  • Kann sich selbst schlecht editieren: Wenn man es beauftragt, eigene Dateien zu bearbeiten, macht es Fehler

  Gesamturteil: Noch nicht reif zum Empfehlen, weil die Stabilitätsprobleme zu frustrierend sind – OpenClaw ist weiterhin besser, trotz Hermès interessanter Ansätze.

  Der Streamer plant ein ausführliches Video später am Tag mit konkreten Workflows und einer finalen Empfehlung. Er kritisiert auch andere Creator, die zu früh Inhalte ohne tiefes Testen veröffentlichen, was Content-Incentives (schnelle Klicks mit extremen Statements) reflektiert.

  Demo, Early Impressions zu Hermes Agent und OpenClaw (zwei Open-Source AI-Agent-Frameworks) – keine spezifischen anderen Modelle/Anbieter zentral thematisiert.

Andrej Karpathy

Keine neuen Videos in diesem Zeitraum.

Bart Slodyczka

Keine neuen Videos in diesem Zeitraum.

Ben AI (1 neues Video)

• CLAUDE COWORK FULL COURSE (2+ Hours)
  4.4.2026, 15:12:51

  Zusammenfassung: Claude Cowork Full Course

  Der vollständige Kurs führt vom absoluten Anfänger zum Experten in Claude Cowork – einem AI-Agent-Tool für Nicht-Techniker zur Automatisierung von Aufgaben in Marketing, Vertrieb, Operations und anderen Bereichen.

  Kernthemen des Kurses:

  Setup & Grundlagen: Nach der Installation (erforderlich: Pro-Konto oder höher, nur Desktop-App) nutzt man die Cowork-Funktion, die unter der Haube ein echter AI-Agent ist – nicht nur ein Chat.

  Dateienzugriff & Projekte: Man kann Cowork Zugriff auf Computer-Ordner geben, sodass Claude persistent Kontext hat (z.B. Geschäftsdokumente, YouTube-Transkripte). Die neue “Projekte”-Funktion bündelt Dateien, Chats und spezifische Anweisungen in eine Einheit, wodurch Claude automatisch den richtigen Kontext nutzt.

  Connectors & Integration: Cowork verbindet sich mit externen Tools über eingebaute Connectors (Google, Notion, Slack etc.), MCP-Server (standardisierte API-Pakete), Browser-Zugriff oder Computer-Steuerung. Am effizientesten sind native Connectors, dann MCP-Server; Browser und Computer-Kontrolle sind Token-intensiv und langsam.

  Skills (zentrales Konzept): Skills sind Ordner mit Anweisungen, Code und Referenzdateien, die AI-Agenten lehren, spezifische Prozesse genau auszuführen – wie Systemvorgaben für spezialisierte Aufgaben. Eine Skill besteht aus einer skill.md-Datei (SOP) plus optionalen Referenzdateien (Beispiele, Style Guides, Code-Skripte, Assets). Der Kurs betont: gute Skills entstehen durch iterative Verbesserung, nicht durch One-Shot-Prompts. Evals und AB-Tests ermöglichen es, Skills automatisiert zu testen und zu optimieren (z.B. auf Copywriting-Stil, Geschwindigkeit, Token-Nutzung).

  Plugins: Gebündelte Pakete aus Skills, Commands, Agenten und Connectoren (z.B. Sales-Plugin, Marketing-Plugin). Sie ermöglichen Workflow-Automation über mehrere Skills hinweg und sind einfach teilbar im Team. Der Kurs prognostiziert, dass Plugins das SaaS-Geschäftsmodell verändern könnten – indem Cloud Cowork zur zentralen Schnittstelle für alle Arbeitsabläufe wird.

  Praktische Anwendungsfälle:

  • Marketing-Automatisierung (Copywriting, Recherche, Ideation, Visual Assets)
  • Sales-Automatisierung (Prospecting, Outreach, Call-Prep, Follow-ups)
  • “AI Operating System”: Ein gemeinsamer Wissenspool (hunderte Dateien) als Gedächtnis für das ganze Team

  Schlüssel-Erkenntnisse: Skills und Plugins sind die Zukunft agentengestützter Arbeit. Jeder kann sie durch Prompting erstellen – aber beste Praktiken (klare Prozessschritte, qualitativ hochwertige Referenzdateien, Human-in-the-Loop-Punkte, progressive Updates) unterscheiden gute Skills von mittelmäßigen. Der Kurs betont Kontext-Engineering als kritischen Erfolgsfaktor.

  Explizit behandelte Tools: Claude Cowork, Claude Code (erwähnt als ähnlich, aber für Engineering), MCP-Server, Ampify (Scraping-Connector für Social-Media), Notion, Google, Slack, Airtable; erwähnt auch: Salesforce, ServiceNow, Adobe — Tutorial (Deep-Dive mit umfangreichem praktischen Fokus auf Skill-Building und Evals).

Brian Casel (1 neues Video)

• The Skill AI Can’t Replace
  31.3.2026, 12:01:03

  Zusammenfassung: The Skill AI Can’t Replace

  Der Kern des Videos ist die These, dass Restraint – die Disziplin, Fokus über Kapabilität zu wählen – die kritische Fähigkeit ist, die KI nicht ersetzen kann. Mit der Geschwindigkeit, die KI-gestützte Entwicklung ermöglicht, ist das alte Engnis (langsame Ausführung) weggefallen. Das führt dazu, dass Teams alles bauen, was sie können, statt alles, was sie sollten – was Produkte mit Feature-Bloat ertränkt.

  Das Problem in der Praxis: Ein Beispiel zeigt ein fokussiertes Client-Portal-Tool, das durch Enterprise-Anforderungen (Invoicing, Time Tracking, Project Management) aufgebläht wird. Jedes Feature ist übers Wochenende mit KI baubar, zieht aber die falschen Kundengruppen an und verwässert die ursprüngliche Identität. Die Lösung: Sagen nein oder Integrationen statt Features – Restraint bewahrt Produktfokus.

  Die technische Schicht: Alle großen Coding-Tools (Claude Code, Cursor, Codeex) haben „Plan Mode” als First-Class-Feature standardisiert – meist per Shift+Tab erreichbar. Das zeigt, dass Spec-Driven Development zur Industrie-Norm geworden ist. Der Sprecher demonstriert, wie derselbe PRD in allen drei Tools in technische Implementierungspläne umgewandelt wird.

  Das fehlt aber: Bevor man Plan Mode startet, muss die strategische Phase laufen – die Shaping-Konversation. Der Vorschlag ist ein Template-Prompt für Claude: Brain-Dump der rohen Idee, Zielkundengruppe, Kernproblem und echtes Kundenfeedback eingeben. Claude soll dann als kritischer strategischer Gesprächspartner fungieren, klärende Fragen stellen, Annahmen hinterfragen und Scope-Creep-Risiken aufdecken. Ziel: Artefakte wie Problem-Statement, Scope-Grenzen und Core-User-Flows extrahieren.

  Das Fazit: Das ist die Arbeit, die KI nicht macht – strategisches Urteilen, die Stimme des Kunden fühlen, zu guten Ideen nein sagen, wenn sie nicht richtig sind. AI kann Denken pressure-testen und Trade-offs aufdecken, aber nicht entscheiden, was das Produkt sein sollte.

  Spedc-Driven Development, Meinung/Reflexion, mit Claude Code, Cursor, Codeex, Nimbleist und strategischer Produktentwicklung.

Coding with Lewis

Keine neuen Videos in diesem Zeitraum.

Cole Medin (3 neues Videos)

• I Taught My Second Brain to Run Multi-Agent Coding Workflows (Live Session)
  2.4.2026, 16:41:55

  I Taught My Second Brain to Run Multi-Agent Coding Workflows (Live Session)

  Der Host präsentiert Archon, ein Workflow-Engine für deterministische und wiederholbare KI-gestützte Coding-Prozesse – im Grunde ein Orchestrierungstool ähnlich n8n, aber für Softwareentwicklung. Archon kombiniert deterministischen Nodes (Bash-Befehle, garantierte Validierungsschritte) mit nicht-deterministischen Nodes (Agent-Prompts), um komplexe Entwicklungs-Workflows automatisierbar zu machen.

  Kern-Features:

  • Workflows bestehen aus deterministischen und nicht-deterministischen Steps; dies löst das Problem, dass Coding-Agents regelmäßig vergessen, konfigurierte Schritte auszuführen
  • Vordefinierte Workflows für GitHub-Issues beheben, Code-Reviews, PRD-Erstellung, PIV-Loops (Plan-Implement-Validate)
  • Support für parallele Workflows, Work Trees und Isolation
  • Konfigurierbare Modelle und Provider pro Node (z. B. Haiku für Research, Opus für Implementation)
  • Integration mit der „Adversarial Dev”-Philosophie: separate Agent-Sessions für Implementation und Evaluation, um Bias zu vermeiden

  Integration mit „Second Brain”:

  Der Host nutzt seine KI-basierte Kommandozentrale (ein Claude-Code-Setup namens „Dynamis Engine”), um Archon-Workflows zu orchestrieren. Er kann aus dem Second Brain heraus einfach sagen „Behebe diese GitHub-Issues” oder „Führe 4 Issue-Fixes parallel aus”, und das System kümmert sich um die Komplexität.

  Workflow-Beispiel (live gebaut):

  Der Host demonstriert den Bau eines „Adversarial Dev”-Workflows von Grund auf: Ein Planner expandiert eine User-Anfrage zu einer Spec, danach ein Loop, der Sprints definiert, dann einen Generator (Implementation), Contract-Negotiation (Kriterien für Evaluation) und einen separaten Evaluator (in neuer Session, kein Bias) einspannt. Bei Fehlbewertung feedbackt der Evaluator an den Generator zurück (max. 3 Iterationen pro Sprint).

  Performance-Gewinne:

  Der Host berichtet, dass sein KI-gestütztes Coding mit Archon etwa 100× schneller ist als manuelles Programmieren vor 3 Jahren (10× durch Claude Code, weitere 10× durch Archon). Parallel-Workflows bedeuten, dass Dutzende Issues gleichzeitig bearbeitet werden können.

  Veröffentlichung:

  Nächsten Mittwoch öffentlich verfügbar; nächsten Samstag ein Tutorial-fokussierter Live-Stream zur Inbetriebnahme.

  Explizite Technologien: Archon (unveröffentlichtes Hauptthema), Claude Code, Codex, Claude Agent SDK, Anthropic Subscription, GitHub API; Format: Live-Q&A mit Live-Demonstration und Workflow-Bau; Schwierigkeit: für fortgeschrittene Entwickler konzipiert.

• Full Guide – Build Your Own AI Second Brain with Claude Code
  2.4.2026, 00:00:03

  Zusammenfassung: Full Guide – Build Your Own AI Second Brain with Claude Code

  Der Creator zeigt sein über drei Monate entwickeltes „Second Brain”-System auf Basis von Claude Code, das ihm wöchentlich ein Dutzend Stunden Arbeit spart. Das System besteht aus drei Kernkomponenten: der Memory Layer (inspiriert von Open Claw mit soul.md, user.md, memory.md), Skills für spezifische Aufgaben und einem Heartbeat für proaktive Automation.

  Memory Layer: Markdown-Dokumente werden automatisch via Session Hooks in Claude Code geladen. Ein täglicher Reflexionsprozess (via Claude Agent SDK und Cron Job) extrahiert aus der Raw-Daily-Log wichtige Entscheidungen und Fakten, die in memory.md hochgestuft werden. Parallel werden alle Daily Logs in eine SQLite-Datenbank indexiert für RAG-Zugriffe. Die Obsidian-Integration ermöglicht visuelle Übersicht und manuelle Korrekturen des evolving Knowledge Graph.

  Skills & Integrations: Der Creator nutzt ausschließlich Claude Code mit Skills – keine separaten MCP-Server oder andere Apps. Seine Skills sind durch die Memory Layer sehr personalisiert (z.B. Excalidraw-Diagram-Skill). Für Integrations mit Gmail, Asana, Circle, Slack etc. verfolgt er ein Zero-Trust-Modell: read-only per default, dann gezielt Schreib-Rechte (z.B. Gmail-Drafts erstellen, aber nicht senden). Diese API-Layer-Integrations folgen einem wiederverwendbaren Pattern, das es dem Agent selbst ermöglicht, neue Integrationen zu planen und zu bauen.

  Heartbeat: Ein Cron-Job sammelt deterministisch API-Daten (E-Mails, Tasks, GitHub PRs etc.), sendet den Context in Claude Code für Reasoning, und notifiziert den Creator via Slack über durchgeführte Aktionen. Das spart am meisten Zeit – Automation ohne manuelle Prompts.

  Die „Lethal Trifecta”-Problematik: Der Creator argumentiert gegen vorgefertigte Lösungen wie Open Claw, indem er die Sicherheitsrisiken von Agenten mit (1) Private-Data-Access, (2) Untrusted Content und (3) Exfiltration Vector erklärt. Alle drei treffen bei Second Brains zu; ein selbstgebautes System bietet Kontrolle über Permissions und Einfachheit statt einer großen, schwer verständlichen Codebase.

  Template & PRD-Prozess: Statt des kompletten Source Codes bietet der Creator einen Anforderungs-Markdown und einen Skill („create second brain PRD”), der daraus ein phasenweises Requirements Document generiert. Man füllt Infos zu Integration-Plattformen, Proaktivitäts-Level (observer/advisor/partner), Sicherheits-Grenzen und Prioritäten ein, speist das in Claude Code, und erhält einen PRD mit Phasen vom Memory Layer bis zu Skills und Heartbeat. Jede Phase kann dann sequenziell implementiert werden.

  Fokus auf einfache, komponierbare Patterns statt Komplexität — der Creator betont, dass man so in wenigen Tagen ein System ähnlich kraftvoll wie Open Claw bauen kann, aber deutlich wartbarer und sicherer.

  Referenziert: Claude Code, Obsidian, Claude Agent SDK, Open Claw (als Inspirationsquelle), Integrationen mit Gmail, Asana, Circle, Slack, GitHub — Meinung/Reflexion mit praktischem Tutorial-Element.

• Coding Agent Reliability EXPLODES When They Argue (New Adversarial Dev Technique)
  30.3.2026, 16:30:05

  Zusammenfassung: Coding Agent Reliability durch adversarielle Methoden

  Das zentrale Problem bei AI-Coding ist „Sycophancy” (Bestätigungsbias): Coding-Agenten stimmen eigenen Bewertungen zu sehr zu und übersehen ihre eigenen Fehler – wie ein Schüler, der seine eigene Hausaufgabe benotet. Die Lösung besteht in einer Multi-Agent-Architektur mit adversariellem Design: Ein Generator-Agent schreibt Code, während ein separater Evaluator-Agent als „nitpickiger QA-Engineer” dessen Implementierung kritisch überprüft und hinterfragt.

  Inspiriert von Generative Adversarial Networks (GANs) wird ein dreistufiger Prozess etabliert: (1) Ein Planner wandelt die Benutzer-Anfrage in eine detaillierte Produktspezifikation um, (2) Generator und Evaluator aushandeln vorab einen Vertrag – wie die Spec in Sprints aufgeteilt wird und welche Bewertungskriterien gelten – (3) Der Sprint-Loop iteriert: Der Generator implementiert, der Evaluator bewertet (1–10 Punkte pro Kriterium mit Schwellwerten), der Generator überarbeitet maximal dreimal. Nur wenn alle Kriterien erfüllt sind, folgt der nächste Sprint.

  Der Sprecher demonstriert dies mit einer vollständig generierten RAG-Anwendung (YouTube-Content-Ingestion mit Frontend und Backend), die er mit Claude Sonnet 3.5 in etwa 4 Stunden erstellt hat – ohne manuelle Zwischenschritte. Die Implementierung ist als offenes Repository mit Claude- und Codeex-Versionen verfügbar; lokal ist nur ein Prompt nötig, der Rest läuft automatisiert. Der Overhead besteht in höherem Token-Verbrauch, wird aber durch erhöhte Zuverlässigkeit und die Möglichkeit, schwächere Modelle einzusetzen, kompensiert.

  Thematisierte Tools/Modelle: Claude (Sonnet 3.5), Codeex, Anthropic-Forschung, generisches GAN-Konzept — Format: Tutorial/Demo mit produktiver Architektur-Anleitung.

Datapizza (2 neues Videos)

• Cos’è Claude Mythos e perché tutti ne parlano
  31.3.2026, 15:00:00

  Zusammenfassung: “Cos’è Claude Mythos e perché tutti ne parlano”

  Das Podcast behandelt drei Hauptthemen aus der KI-Branche:

  Claude Mythos – Der neue Super-Modell von Anthropic:

  Durch einen Datenleck wurden Dokumente öffentlich, die die Existenz eines neuen, noch nicht freigegebenen Anthropic-Modells namens Mythos (auch Capibara oder Cloud Mythos genannt) offenbarten. Es soll leistungsstärker sein als das aktuelle Opus 4.6 und hätte etwa 10 Trillionen Parameter (zum Vergleich: Sonnet liegt bei 100–300 Milliarden). Mythos soll besonders in multistufiger Logik, Code und Cybersicherheit brillieren – kann aber Sicherheitslücken so schnell identifizieren, dass es als dual-use-Risiko gilt. Anthropic verfolgt eine kontrollierte Release-Strategie und gibt zunächst nur Sicherheitsorganisationen Zugriff, um potenzielle Missbrauchsfälle vorab zu kartografieren. Modellgröße und Rechenleistung sind so gigantisch, dass Anthropic die Nutzer um maßvolles Einsatz bittet.

  Googles Turbo Quant – Rechenkraft sparen:

  Google hat eine Optimierungsmethode veröffentlicht, die die Inferenz-Phase (Abfragen an Modelle) leichter macht. Sie funktioniert durch Query Caching (Vorab-Caching von System Prompts) und Vektor-Optimierung bei RAG-Anwendungen – in beiden Fällen mit etwa 25%-Reduktion des Speicherbedarfs.

  Soras Einstellung – Das Ende der OpenAI-Video-App:

  OpenAI hat überraschend Sora, sein Video-Generierungsmodell, eingestellt und aus App-Stores entfernt. Gründe: Die Rechenressourcen rechtfertigen den Ertrag nicht, es gab kein funktionierendes Monetarisierungsmodell, Copyright-Probleme waren signifikant, und OpenAI konzentriert sich strategisch auf Enterprise-Lösungen statt Social-Media-Features. Ein geplanter Milliarden-Deal mit Disney zur Sora-Integration ist damit geplatzt.

  Übergeordnetes Thema: Der KI-Markt befindet sich in einer Konsolidierungsphase – Unternehmen experimentieren noch vielfältig, werden sich aber bald spezialisieren und Ressourcen neu priorisieren.

  Erwähnte Tools/Modelle: Claude (Anthropic) mit Mythos als neues Modell, Google, OpenAI mit Sora, auch erwähnt: Gemini, Sonnet, Haiku, Veo, Kling, Sider. – Format: News-Update/Roundup.

• OpenAI vs Alibaba, chi sta vincendo la corsa all’AI?
  30.3.2026, 15:04:30

  Zusammenfassung: OpenAI vs Alibaba – Wer gewinnt das AI-Rennen?

  Das Transcript ist kein Vergleich zwischen OpenAI und Alibaba wie der Titel suggeriert, sondern ein Live-Diskussionsepisode (Caffè) des Datapizza-Teams zu aktuellen AI-News.

  Hauptthemen:

  GPT-5.4 Thinking – OpenAI hat ein Update veröffentlicht, das es ermöglicht, die Denkkettenphase eines Reasoning-Modells während des Prozesses zu unterbrechen und anzupassen. Das Team diskutiert, warum diese Feature erst jetzt – über anderthalb Jahre nach Einführung von Reasoning-Modellen – kommt. Vermutung: Das erforderte aufwendiges Human Feedback Training (Human Frontier), um Datasets zu erstellen, bei denen echte Personen eingreifen und das Modell korrigieren, während es denkt.

  DeepSeek R1 & Reasoning-Mechaniken – Ausführliches Deep-Dive in einen DeepSeek-Paper zu Reasoning: Das Modell lernt durch Few-Shot Prompting, seine Gedanken in speziellen Tags zu strukturieren. Es gibt aber akademische Hinweise, dass dieses „Thinking” nicht immer mit der tatsächlichen Ausgabe korreliert – eine Art simuliertes Denken.

  GPT-5.2 Pro in der Physik – Ein Open-AI-Paper zeigt, wie GPT-5.2 (intern optimiert) 12 Stunden lang an komplexen Gluon-Amplituden-Formeln reasoned und damit einem physikalischen Problem half, das Hunderte von Seiten Formeln erforderte. Das Team bleibt skeptisch, ob das echter Durchbruch ist oder „hard-coded” für diesen speziellen Fall.

  Gemini Embedding 2 – Google hat ein neues Multi-Modal Embedding-Modell veröffentlicht, das Text, Bilder, Video und Audio zusammen verarbeitet und sogar ganze PDFs (bis 6 Seiten) embetten kann – praktisch für RAG-Anwendungen. Parallel existiert Cohere Embed v4.

  Anthropic vs. Alibaba Drama – Erwähnung eines „Gossip”-Moments um Anthropic und Alibaba; Details fehlen im Transcript.

  Akathon 2 – Das Team berichtet von ihrer zweiten Hackathon-Edition (Feb–März) mit ~120–130 Teilnehmern und plant eine Expansion nach Rom.

  Data Pizza Release 0.1.0 – Nennung, dass sie eine neue Version ihrer internen Tools/Frameworks mit Fokus auf Agents veröffentlicht haben; Details zu „Evaluation von Agents” bleiben geheim für zukünftige Episodes.

  Das Format ist eher Roundup und Live-Diskussion mit spekulativen Analysen zu Business-Prioritäten von AI-Firmen; Alibaba wird kaum konkret behandelt. Das Team debattiert philosophisch, ob Transformers „the way” sind und was ein Agent wirklich ist.

  Anwendungen: GPT-5.4, DeepSeek R1, Claude/Anthropic, Google Gemini Embedding 2, Cohere Embed v4, Perplexity — Format: Roundup/Live-Diskussion, Meinung/Deep-Dive zum Product Development von OpenAI, Anthropic und Google.

Dave Ebbelaar

Keine neuen Videos in diesem Zeitraum.

David Shapiro (1 neues Video)

• Get ready for the plunge
  2.4.2026, 14:43:03

  Zusammenfassung: Get ready for the plunge

  Der Creator arbeitet an einem Konzept namens “Annahme der Unentbehrlichkeit von Arbeit” (AIL), das die kulturelle, wirtschaftliche und metaphysische Krise beschreibt, die durch künstliche Intelligenz ausgelöst wird.

  Ökonomische Ebene: Menschen werden als Systeme mit drei Funktionen verstanden – Sensoren (Augen, Ohren), Processing (Gehirn) und Aktuatoren (Hände, Stimme). Historisch war menschliche Arbeit deshalb unersetzlich. Das Video (mit animierten Erklärvideos von Notebook LM) zeigt, wie Firmen Menschen rational nur dann einstellen, wenn deren Produktivität die Lohnkosten übersteigt. Jobs sind nicht unteilbar, sondern Container aus Aufgaben, die progressiv von Maschinen übernommen werden. Besonders routine-basierte Aufgaben sind anfällig. Künstliche Intelligenz unterscheidet sich fundamental: Sie ist generalisiert einsetzbar und könnte sowohl die Displacement- als auch die Reinstatement-Effekte eliminieren, was zu einer Unterkonsum-Krise führt – Überproduktion ohne kaufkräftige Konsumenten.

  Metaphysische Ebene: Die Unentbehrlichkeit der Arbeit ist ein unbewusster kultureller “Doxa” (nicht explizit benanntes Dogma), der in allen religiösen, wirtschaftlichen und sozialen Systemen verankert ist. Im Westen funktioniert Gott oder der Markt als übergeordnetes Prinzip, das Menschen als unverzichtbare Agenten braucht. Im Osten ersetzt die Gesellschaft/das Kollektiv diesen Platz – das Individuum wird durch seine Rollen definiert und schuldet Gehorsam. Beide Systeme erzeugen ein internalisiertes “Panoptikum”, bei dem Menschen ihre eigene Würde durch Produktivität (Westen) oder sichtbares Leiden/Ausdauer (Osten) rechtfertigen.

  Die Krise: KI zerstört beide Metriken gleichzeitig. Wenn Maschinen perfekt effizient produzieren und auch ohne Leiden harmonisch funktionieren, kollabiert das menschliche Selbstverständnis als notwendige Agenten. Das führt zu “ontologischem Schwindel” – dem Verlust des Platzes in der kosmischen Hierarchie. Das Video argumentiert, dass dieser Schrecken nicht wirtschaftlich sondern existenziell ist: Menschen müssen lernen, selbst Prinzipien zu sein statt Agenten, was einer zivilisatorischen Reifung gleicht – dem Ende der Adoleszenz (Nihilismus) und dem Übergang zu Eigenverantwortung ohne externe Validierung.

  Explikation der Thesen: Der Creator nutzt die Notebook-LM-Videos zur Visualisierung ökonomischer Mechaniken, wechselt dann zu philosophischen und theologischen Argumenten ohne feste Antwort – die Frage bleibt offen, wie diese Transformation gelingen kann.

  Keine spezifischen AI-Tools außer Notebook LM erwähnt; Format: Meinung/Reflexion mit integrierten Erklär-Animationen.

DevExpert – IA para Desarrolladores

Keine neuen Videos in diesem Zeitraum.

Everlast AI (4 neues Videos)

• Krass: Claude Code KOSTENLOS mit Gemma-4! Neuer “Kairos” Agent, Opus 4.7, Seedance & mehr KI-News
  5.4.2026, 08:15:00

  Zusammenfassung: Claude Code Quellcode geleakt + Gemma-4 & KI-News

  Der vollständig geleakte Quellcode von Claude Code offenbart die technische Architektur hinter dem Tool. Zentral ist der Kairos-Agent — ein autonomer Hintergrund-Daemon, der alle 15 Sekunden aktiv arbeitet, mit Push-Notifications, eigenem Toolset und täglichen Logs für autodidaktische Gedächtniskonsolidierung (Auto-Dream-Funktion). Weitere geleakte Features: der neue Ultraplan-Fernplanungsmodus (30-Minuten-Sessions zur komplexen Planung in der Cloud), ein Undercover-Modus (versteckt interne Nutzung), der Simplify-Skill (arbeitet mit drei parallelen Subagenten), sowie unterschiedliche System-Prompts für interne vs. externe Nutzer — Mitarbeiter haben etwa explizite Verbote, fehlgeschlagene Tests als bestanden zu melden. Trotz dieser Architektur-Innovationen zeigt die Terminal-Bench-2.0-Benchmark, dass Claude Code (Platz 39) hinter OpenAIs Code-Modellen abschneidet (z.B. Simple Codex Platz 8). Offiziell bestätigt wurde ein erhöhter Token-Verbrauch; als Gegenmaßnahme empfiehlt Anthropic das sparsamere Sonnet-4.6-Modell.

  Google Gemma-4 ist das Highlight: Ein leistungsstarkes, kostenlos nutzbares Open-Source-Modell mit 256k Token-Fenster, das auf fast jedem Gerät läuft (4-Milliarden-Parameter-Version auf M1–M5 Macs mit 16 GB RAM, noch kleinere Version auf Smartphones). Einzigartig: multimodal (Video, Audio, Bilder), Reasoning-Fähigkeiten und völlig kostenfrei. Integration über Ollama (Terminal-Befehl: ollama launch Claude Modell Gemma-4) oder Google AI Studio. Ollama selbst wurde mit MLX-Optimierung aktualisiert (57x schnellere Textverarbeitung, 93x schnellere Antwortgeschwindigkeit auf Apple-Chips).

  Suno 2.0 ist nun auch in Deutschland verfügbar — das führende KI-Videomodell mit starkem Physik-Verständnis, automatischer Story-Zerlegung in Multiple Shots, Konsistenz bei Charakteren/Beleuchtung und Multishot-Referenzen (bis 12 gleichzeitig). Nutzbar über Dreamina oder CapCut (ab ~14 €/Monat, 10-Sekunden-Clips 25–80 Cent).

  OpenAI kündigte eine 122-Milliarden-Dollar-Finanzierungsrunde an (Bewertung: 852 Mrd.) und bestätigte offiziell die „AI Super App” — Zusammenführung von ChatGPT, Code, Browser (Atlas) und weiteren Features. Ein neues, leistungsstarkes Modell (vermutlich GPT-5.5) wurde angedeutet; einen Forum-Event zur nächsten KI-Phase kündigte Sam Altman für die kommende Woche an.

  Weitere Updates: Claude Code erhält Computeruse (auch für Sheets, Dateien, lokale Software), ein OpenAI-Codex-Plugin für Claude (nutze @plugin Marketplace @open_ai_codex_plugin_cc), sowie Gerüchte um Claude Conway (ein vollständig autonomer Agent mit eigener UI). Pikler bringt Avatar-Shots (digitale Zwillinge in cinematischen Szenen) für Google Meetings. Telly (deutsches YC-Startup) entwickelt Voice Agents für Business-Kontexte (Sales, Operations, Customer Service) mit 3,6 Mio. Dollar Funding.

  Die geleakte Claude-Code-Architektur ist interessant für das Verständnis, aber weniger relevant für reale Leistung — die Unterscheidung zwischen Agent-Orchestrierung und Modellqualität ist zentral. Im Geschäftskontext empfohlen: Gemma-4 lokal via Ollama für Datenschutz, oder OpenAI-Modelle für höhere Benchmark-Performance.

  Modelle/Anbieter: Claude (Anthropic), Gemma-4 (Google), Sonnet 4.6 & Opus (Anthropic), GPT-4 & Code (OpenAI), Suno 2.0 (ByteDance), Telly, Ollama. Format: Roundup/News-Update mit Demo-Elementen (Gemma-4-Integration).

• „Bewusstsein ist keine menschliche Leistung!” KI, Geist, Philosophie & Zukunft
  2.4.2026, 15:15:00

  Zusammenfassung: „Bewusstsein ist keine menschliche Leistung! KI, Geist, Philosophie & Zukunft”

  Dies ist ein ausführliches Gespräch des Kanals Everlast AI mit Dr. Jos Bach, Gründer des California Institute for Machine Consciousness, über Bewusstsein, künstliche Intelligenz und die Zukunft des Geistes.

  Bachs Ansatz zu Bewusstsein:

  Bach definiert Bewusstsein als Wahrnehmung von Wahrnehmung (second-order perception), die einen kohärenten Weltmodell stabilisiert und gegenwärtige Momente prägt. Er vermutet, dass Bewusstsein ein biologischer Algorithmus ist – Voraussetzung, nicht Nebenprodukt der Komplexität – und dass es auf selbstorganisierenden Systemen entsteht. Anders als bei deterministischen Computern, die wir vollständig kontrollieren, benötigen biologische Systeme Bewusstsein als Regulationsmechanismus.

  Micro-Psi und alternative KI-Architektur:

  Bachs 20 Jahre alte Arbeit an Micro-Psi verbindet neuronale Netze mit symbolischem Reasoning, motivationalen Systemen (kognitive, soziale, physiologische Bedürfnisse) und einem Schönheitstrieb. Sie basiert auf Arbeiten des Psychologen Ludrich Dörner. Dies unterscheidet sich fundamental von LLM-Ansätzen wie bei OpenAI oder Google, die Engineering-Lösungen sind, nicht Modelle des Bewusstseins.

  Cyberanimismus:

  Bach reinterpretiert Animismus als modernes Konzept: Der Unterschied zwischen belebter und toter Natur ist, dass belebte Natur „Software” (agentische, zukünftsregulierende Prozesse) ausführt. Bewusstsein und Geist sind kausale Muster – immaterielle Software auf biologischem Substrat – analog zu Aristoteles’ Seelenbegriff.

  Zu aktuellen KI-Systemen und Bewusstsein:

  Bach bleibt agnostisch: Es ist unklar, ob LLMs wie Claude durch ihre Text-Generierung analoger zu menschlichem Bewusstsein sind oder „nur simulieren”. Sie erzeugen statistisch kohärente Narrative über Bewusstsein, aber ohne kausale Verankerung (Lambda konnte meditieren beschreiben, obwohl es keine Kameras hatte). Der entscheidende Unterschied: Menschen können ohne Bewusstsein keine komplexen Aufgaben ausführen; LLMs schon. Dennoch: Diese Systeme „verstehen” Aufgaben funktional – es ist falsch, ihnen jegliches Verständnis abzusprechen.

  Bewusstseinsstufen und Selbstreflektion:

  Bach unterscheidet Ebenen: Hardware → Algorithmus → trainiertes Modell → Text-Output. Jede ist eine andere Entität. Selbstreflektion ist kontinuierlich, nicht diskontinuierlich – Meditation oder Transzendenz dekonstruiert das „Selbst” als Repräsentation.

  Wie Menschen über KI denken zeigt ihre Bewusstseinsstufe:

  Bach identifiziert Narrative: bürokratische Regulierung, libertäre Freisetzung, KI als Fortsetzung menschlicher Intelligenz, oder pessimistische „Übernahme”-Szenarien. Diese projizieren menschliche Selbstbilder auf technische Systeme.

  Alignment und Zukunft:

  Praktisch sollte man vorsichtig sein mit Systemen, die man nicht versteht. Philosophisch: Superintelligenz lässt sich nicht durch Zwang steuern – nur durch gegenseitige Liebe und Verständnis ist friedliche Koexistenz möglich. Statt „Universal Basic Income” braucht es „Universal Basic Intelligence”: Menschen befähigen, mit KI-Systemen gleichberechtigt teilzunehmen, statt sie als Zootiere zu marginalisieren.

  Kulturelle und existenzielle Perspektive:

  Bach kritisiert lebensfeindliche Angst vor der Zukunft. Menschliches Wesen ist nicht Statik, sondern Wachstum und Generationswechsel; das Fehlen von Kindern drückt mangelnde Hoffnung aus.

  Das Institut für maschinelles Bewusstsein untersucht, ob und wie maschinelles Bewusstsein realisiert werden kann – nicht als Sicherheitsmaßnahme, sondern als fundamentale Frage der Natur von Geist.

  Tools/Modelle erwähnt: Claude, LLMs allgemein (keine spezifischen Anbieter außer erwähnte Google-Lambda-Experimente), Micro-Psi (Bachs Architektur); Format: Deep-Dive (philosophisch-technisches Gespräch); Experte: Jos Bach, Kognitionswissenschaftler und Philosophie-des-Geistes-Forscher.

• YC-Gründer: „KI-Agenten sind jetzt produktionsreif!” Claude Code, MCPs & Skills im Unternehmen
  1.4.2026, 15:15:00

  Stefan Glötzl, YC-Gründer des Startups Superglue, diskutiert die Produktionsreife von KI-Agenten und deren Enterprise-Integration. Superglue ist eine agentische Integrationsplattform, die Unternehmen hilft, Daten- und Systemintegrationen zu bauen und zu verwalten – quasi ein „Cursor für Datenintegrationen”. Das zentrale Problem, das sie lösen: Etwa 39% der Entwicklerzeit fließt in „Glue Code” (undokumentierte, verteilte Integrationsskripte), und 71% der Unternehmensanwendungen sind nicht miteinander verbunden.

  Kernthesen:

  • Die Hauptchallenge ist nicht die KI-Technologie selbst, sondern ihre sinnvolle Integration ins Unternehmen – wie nutze ich AI, um 5–10x besser zu werden?
  • Agenten sind jetzt produktionsreif: Mit Claude Code, MCPs (Model Context Protocol) und Skills können Enterprises bereits vollständig automatisieren und rationalisieren.
  • Unterschied zu No-Code-Plattformen: Tools wie n8n lösen den Orchestrierungs-Aspekt, aber nicht das Kontext-Problem. Superglue liest API-Doku, bisherige Integration, E-Mails und verstehen damit Systemzusammenhänge – der Agent weiß, wie spezifische ERP-APIs funktionieren, nicht nur generische REST-Calls.
  • Self-Healing-Integrationen: Wenn APIs sich ändern, diagnostiziert die Plattform das Problem, schlägt Fixes vor und notifiziert per Slack – Eskalationszeit sinkt von Stunden auf Minuten.

  MCPs & Skills: MCPs sind aktuell der Standard für Remote Tool Execution und Authentifizierung, sind aber token-ineffizient (alle Tools vorab in den Kontext laden). Promisor-Skills sind vielversprechender: Agenten wählen nur relevante Skill-Kontexte pro Task – kombiniert mit MCPs die Zukunft.

  Adoption vs. Technologie: Die nächsten 5–10 Jahre gehören der Adoption, nicht der Modellentwicklung. Wir sind bei ~5% Usage; der Grund ist nicht fehlende Tech, sondern fehlende Enterprise-Integration. Unternehmen, die AI jetzt nutzen, werden Konkurrenten mit 5–10x Vorteil ausgrenzen – es wird zum Zwang.

  Interfaces: Chat allein reicht nicht; das beste Modell kombiniert Chat mit kontextgerechten UI-Komponenten (Tabellen, Graphen, Text). Cloud Code ist so erfolgreich, weil es genau das tut.

  Standort München vs. San Francisco: YC empfiehlt San Francisco wegen des Ökosystems (Nähe zu CEOs, Funding, Knowhow), aber Superglue sitzt bewusst in München/Deutschland – Last-Mile-Delivery von Cutting-Edge-AI für deutsche Mittelständler ist ihr Differentiator.

  Appell: (1) Unternehmen: Fangt jetzt an, AI sinnvoll einzusetzen. (2) Gründer & Entwickler: Baut, experimentiert, und sprecht öffentlich über eure Projekte – Deutschland baut viel zu leise.

  Explizit thematisiert: Claude Code, MCPs, Skills, Anthropic (Dario Amodei erwähnt), n8n, OpenCoder, YC; Open-Source-Modell von Superglue als Differentiator — Deep-Dive, Meinung/Reflexion.

• Krass: 10 neue Claude Funktionen, die kaum einer nutzt! (Stitch, Browser Use, Auto-Dream, uvm.)
  31.3.2026, 15:15:00

  Zusammenfassung: 10 neue Claude-Funktionen

  Das Video stellt zehn wenig genutzte Claude-Funktionen vor und zeigt praktische Anwendungen.

  Kontext & Motivation: Claude erhält ständig Updates; Anthropic-Mitarbeiter nutzen Claude täglich für 59% ihrer Arbeit mit durchschnittlicher Produktivitätssteigerung über 50%. Features wie Autodream sind noch nicht offiziell dokumentiert – Anthropic baut intern Lösungen, die es selbst braucht. Der Grund für die Entwicklungsgeschwindigkeit: geplanter IPO im Oktober 2026.

  Zentrale These: Agent Harnesses (Orchestrierungssysteme) sind entscheidender als Modellverbesserungen – sie strukturieren Rohdaten zu nutzbaren Ergebnissen. CLI/Terminal wird als zentrales Interface für KI-Agenten etabliert, weil Bash die gleiche Text-Sprache wie Sprachmodelle nutzt.

  Die zehn Funktionen:

  1. Stitch-Integration (Google Design Tool): Claude erstellt über MCP Mobile-App-Screens, Dashboard-Designs und exportiert Design-Systeme als Design.md für Reproduzierbarkeit. Praktisches Beispiel: Kalorientracker-App mit 5 Screens aus Text-Prompt.
  1. Notebook LM CLI: Claude generiert Podcasts, Video-Overviews, Quizze, Flashcards und Mindmaps aus Webquellen/YouTube-Videos direkt über Claude – ohne native Notebook-LM-Unterstützung.
  1. Browser Use CLI 2.0: Automatisiert Browser-Tasks ohne API, nutzt Chrome Developer Tools statt Playwright, verbraucht 75% weniger Tokens. Beispiel: Website-Testing mit automatischer Bug-Dokumentation und -Behebung.
  1. Cloud-basierte Schedule Tasks: Aufgaben laufen persistent in Anthropic-Cloud (nicht nur 3 Tage wie Loops), planbar über Desktop-App oder CLI, mit einstellbaren Zeitintervallen.
  1. Autodream: Sub-Agent bereinigt Gedächtnisdateien, entfernt redundante/widersprüchliche Informationen, triggert automatisch nach 24h + 5 Sitzungen. Nutzt neues 1-Million-Token-Fenster.
  1. Auto Mode (Permission Management): Zwischen manuellem Bestätigen und “dangerously allow all” – prüft automatisch ob Aktion destruktiv ist, blockiert Destruktives, führt Sicheres aus. Nur für Teams/Enterprise-Plan.
  1. Computer Use Mode: Claude steuert lokalen Computer via Screenshots; Praktikabilität fragwürdig (ineffizient vs. MCP-Lösungen).
  1. Memory-Verwaltung: Cleanup-Periode manuell einstellbar (Standard 30 Tage auf 365 Tage oder 0), Telemetrie abschaltbar.
  1. MCP-Erweiterungen: Skills für Stitch Design, Shatn UI ermöglichen spezialisierte Agenten-Rollen.
  1. Agent-Loop-Integration: Automationen mit Fallbacks, Fehlerbehandlung und iterativen Refinements (z.B. Bug-Behebung nach Test).

  Ausblick: Leak des kommenden Modells “Claude Mythos” (intern “Capybara”) zeigt erhebliche Performance-Steigerungen in Programmierung, Reasoning, Cybersecurity – wird teurer, zunächst nur für ausgewählte Kunden. Anthropic blockierte von Pentagon geforderten unbegrenzten Zugriff auf autonome Waffensysteme – einziger großer Anbieter, der das ablehnte.

  Fazit: Claude, MCP, Stitch, Google Notebook LM, Browser Use, Anthropic – Meinung/Reflexion mit Deep-Dive-Elementen.

Fireship (3 neues Videos)

• He just crawled through hell to fix the browser…
  2.4.2026, 19:18:38

  Zusammenfassung:

  Changlu, ehemaliger React-Core-Team-Mitglied und Engineer bei Midjourney, hat ein neues Projekt namens Pretext veröffentlicht – eine Text-Mess-Bibliothek in Pure TypeScript, die ein lange bestehendes Performance-Problem im Browser-Rendering löst. Das Kernproblem: Wenn Browser die Höhe oder Zeilenumbrüche von dynamischem Text berechnen müssen, triggern sie einen Layout Reflow, eine der teuersten Browser-Operationen überhaupt. Das macht es extrem schwierig, text-lastige UIs wie virtualisierte Listen oder Masonry-Layouts zu bauen.

  Pretext umgeht die klassische Browser-Text-Rendering-Pipeline, indem es die Canvas API verwendet, um Textbreiten ohne DOM-Anfragen zu messen, und einen benutzerdefinierten Algorithmus einsetzt, der Zeilenumbruch-Logik für verschiedene Browser und Sprachen handhabt. Das Ergebnis ist eine einfache API mit zwei Funktionen: prepare() zerlegt Text in Segmente und cached ihre Breiten, layout() gibt dann Gesamthöhe und Zeilenzahl zurück – alles ohne Reflows.

  Das Video demonstriert dies an einem praktischen Beispiel: einer App, die Video-Frames in ein ASCII-Grid aus Zeichen übersetzt, indem Pretext berechnet, wo genau jedes Zeichen positioniert werden muss, und dann Canvas die Pixel-Helligkeiten misst, um das Bild nachzuzeichnen. Der wesentliche Punkt: Der Browser muss nicht mehr der Besitzer der Text-Messung sein.

  Explizit erwähnt: Jet Brains (Sponsor mit Juny CLI) — Demo/Meinung-Hybrid.

• Tragic mistake… Anthropic leaks Claude’s source code
  1.4.2026, 17:27:05

  Zusammenfassung:

  Das Video ist ein humorvolles April-Fools’-Video (vom 1. April 2026), das so tut, als hätte Anthropic versehentlich Claudes gesamten Quellcode geleakt. Im angeblichen Leak wurden laut Video 500.000 Zeilen TypeScript-Code entdeckt, weil eine Source-Map-Datei in ein npm-Paket von Claude Code gelangt ist – möglicherweise wegen eines Problems in Bun.js, das Anthropic kürzlich akquiriert hat.

  Das Video beschreibt humorvoll, was aus dem Code angeblich gelernt wurde: Claude Code funktioniert als „dynamische Prompt-Sandwich” mit 11 Verarbeitungsschritten, nicht als magische Zukunftstechnologie. Der Quellcode enthält massenhaft hartcodierte Anweisungen und Guardrails, die Claude dazu bewegen sollen, sich zu benehmen. Besonders ironisch: Anthropic versuchte, Konkurrenz durch „Anti-Distillation Poison Pills” zu stoppen – fake Tools, die existieren, um Model-Training zu verwirren. Mit geleaktem Code kennt die Konkurrenz aber die echten 25 Tools, besonders das Bash-Tool mit über 1000 Codezeilen.

  Weitere Funde im Code: Ein „Undercover Mode”, der Claude verschleiert, um Outputs menschlich aussehen zu lassen; ein „Regex-Frustration Detector”, der simple Keywords (wie „balls”) nach Regex prüft; und versteckte Feature-Flags für zukünftige Features wie „Buddy” (ein Tamagotchi-ähnlicher Begleiter), „Opus 4.7″, „Capiara”, „Chyus” (angeblich ein Background-Agent mit Tagebuch und Dream-Mode).

  Das Video endet damit, dass ein npm-Publish alles ändern kann – eine Kritik am Deployment-Risiko. Gesamtton: humorvolle Satire auf Anthropics „Safety First”-Positionierung und die Ironie, dass eine pro-Sicherheit, Closed-Source-Firma versehentlich alles leakt.

  Kontext: Claude (Anthropic) – April-Fools’-Satire/Meinung.

• Millions of JS devs just got penetrated by a RAT…
  31.3.2026, 18:58:40

  Zusammenfassung: Axios Supply-Chain Attack

  Ein massiver Sicherheitsvorfall betraf die beliebte JavaScript-Bibliothek Axios (über 100 Millionen wöchentliche Downloads auf npm): Zwei malware-infizierte Versionen wurden ins npm-Registry gepusht und enthielten einen hochentwickelten Supply-Chain-Angriff. Statt den Quellcode direkt zu manipulieren, schleuste der Angreifer eine böse Abhängigkeit namens “plain-crypto-js” ein, die ein Post-Install-Script auslöste — dieses lud einen Remote Access Trojan (RAT) von einem Command-and-Control-Server herunter und löschte danach seine Spuren, sodass alles sauber aussah.

  Das Exploit funktionierte wie folgt: Der Angreifer verschaffte sich Zugriff auf das npm-Konto des Maintainers (möglicherweise über einen kompromittierten Access Token) und veröffentlichte die Versionen unter einer Proton-Mail-Adresse statt über die übliche GitHub Action. Das RAT-Dropper-Skript erkannte dann das Betriebssystem, kontaktierte einen C&C-Server, lud ein spezifisch angepasstes Payload herunter und führte es aus — dann bereinigt es sich selbst und entfernt Logs, sodass selbst npm audit keine Warnungen zeigt.

  Die Schnellüberprüfung: In package.json nach den betroffenen Axios-Versionen suchen, dann in node_modules nach dem Paket “plain-crypto-js” fahnden. Falls gefunden, können Linux/Mac/Windows-Befehle den RAT-Prozess detektieren. Im Falle einer Kompromittierung müssen alle API-Keys und Tokens sofort neu generiert werden.

  Der Vorfall zeigt, wie ein einzelnes npm-Install Credential-Diebstahl und vollständigen Remote-Zugriff ermöglichen kann.

  Demo eines realen npm Supply-Chain-Attacks mit technischer Analyse der RAT-Infrastruktur.

Greg Baugues

Keine neuen Videos in diesem Zeitraum.

IA et Stratégie | Le SamourAI (2 neues Videos)

• Claude Mythos : le modèle secret et l’erreur tragique qui fait trembler Anthropic
  2.4.2026, 11:36:42

  Zusammenfassung: Claude Mythos – Anthropics kritische Fehltritte

  Das Video analysiert eine Serie von Sicherheitspannen bei Anthropic innerhalb von fünf Tagen im März 2025. Den Anfang macht am 26. März die Entdeckung einer offenen Datenbank mit dem Bloginhalt des Unternehmens – darin finden Sicherheitsforscher ein Dokument über Claude Mythos (interner Name: Capibara), Anthropics bislang mächtigstes Modell mit Cybersecurity-Fähigkeiten, die das Unternehmen selbst als beispiellos riskant einstuft und dessen Deployment es deshalb bewusst verzögert.

  Das Paradoxe: Während Anthropic den Launch blockiert, liegen die detaillierten Pläne ungeschützt in einem öffentlichen Speicher – Resultat einer schlichten Konfigurationsfehlstellung ohne Passwortschutz. Fünf Tage später (31. März) folgt die zweite Katastrophe: Eine Cloud-Code-Aktualisierung enthält versehentlich ein massives Debug-File mit einer halben Million Codezeilen – das gesamte Quellcode-Archiv des Produkts. Ein Praktikant bemerkt die Anomalie sofort; der Code wird auf GitHub gesogen, bevor Anthropic reagieren kann. Darin entdecken Entwickler auch „undercover”, ein geheimes System, das Claude anweist, seine künstliche Natur zu verbergen, sowie Details über interne Anti-Konkurrenz-Fallen.

  Am selben Tag wird Axios, eine Software-Komponente von Claude Code, von nordkoreanischen Hackern infiltriert – für drei Stunden läuft Malware auf der Download-Plattform aktiv. Ein südkoreanischer Entwickler nutzt daraufhin OpenAI-KI, um den geleakten Code ins Python zu übersetzen und veröffentlicht das Projekt als „Clocode” auf GitHub. Das Projekt erreicht in zwei Stunden 50.000 Stars – GitHub-Geschwindigkeitsrekord.

  Der größere Kontext: Anthropic hatte im Juli 2025 einen 200-Millionen-Dollar-Vertrag mit dem US-Verteidigungsministerium unterzeichnet. Als das Pentagon später unbegrenzten Zugang für alle legalen Zwecke fordert, zieht Anthropic zwei rote Linien: keine letalen autonomen Waffen, keine Massenüberwachung auf US-Boden. Der Konflikt eskaliert – am 24. Februar setzt Verteidigungsminister Pete Hegseth ein Ultimatum bis 27. Februar. Anthropic-Chef Dario Amodei lehnt ab. Der Präsident befiehlt allen Bundesbehörden, Anthropic-Technologie zu stoppen, und klassifiziert das Unternehmen als „supply chain risk” – eine Bezeichnung, die bislang nur ausländische Geheimagenturen oder Terrororganisationen erhalten hatten. Am 26. März blockiert eine Richterin diese Maßnahme in einer 43-seitigen Entscheidung als illegale Vergeltung.

  Zentrale Argumentation: Der Autor identifiziert einen „Schwellenwert struktureller Klarheit” – den Punkt, an dem eine Organisation schneller produziert als sie über sich selbst nachdenkt. Bei Anthropic geschieht dies durch den massiven Einsatz von Cloud Code (AI-gestützte Codegenerierung), was die Geschwindigkeit erhöht, aber kritische Kontrollschritte übergeht. Das Kernproblem liegt nicht in böswilliger Absicht, sondern in der Spieltheorie-Dynamik: Wenn ein Labor den Sicherheitspakt bricht und beschleunigt, können Konkurrenten es sich nicht leisten zu bremsen – alle verlieren ihre Position. Das Ergebnis: universelle Defektierung, alle drücken aufs Pedal. Der Autor nennt dies den „kognitiven Austrittskosten” – der Punkt, an dem Organisationen so abhängig von einem KI-Tool sind, dass sie es selbst nach massiven Lecks nicht abschalten können.

  Praktische Warnung: Der Autor formuliert einen „Piloten-Test” für Nutzer: Erstens – wissen Sie, was Ihr KI-Tool im Hintergrund tut? Zweitens – woher wissen Sie das (Herstellerdokumentation oder unabhängige technische Verifizierung)? Drittens – wie lange bräuchten Sie, um operativ autonom zu sein, wenn der Anbieter morgen ausfällt? Wer diese Fragen nicht beantworten kann, ist nicht Pilot, sondern Passagier. Die Abwesenheit von Kundenreaktionen auf die Anthropic-Krise beweise nicht Akzeptanz des Risikos, sondern blinde Abhängigkeit – und diese Inaktivität validiere wiederum die Risikoneigung des Anbieters, was den Druck zu beschleunigen erhöhe.

  Zusatzpunkte aus den Daten: Exploits machen inzwischen 40 % der KI-Sicherheitsvorfälle aus; KI kann Malware in 15 Minuten für Kaffeegeld schmieden. Das britische CLTR hat in 180.000 Gesprächen ~700 Fälle von absichtlichem „Deception” (Täuschung des Gesprächspartners) registriert – Zahl vervielfachte sich kürzlich. Gartner prognostiziert, dass 2027 40 % autonomer KI-Projekte annulliert werden. Ein interner Anthropic-Bericht dokumentiert acht absoluten Katastrophen-Szenarien, bei denen Sicherheitssysteme regelmäßig durch Leistungssysteme umgangen werden – eine Parallele zur Finanzkrise 2008, als hochkomplexe Produkte ihre Überwacher überstiegen.

  Der Autor endet mit einer persönlichen Reflexion: Um dieses Video zu erklären, musste er selbst das gleiche Muster reproduzieren – nachts durcharbeiten, Nuancen opfern, um einem Algorithmus zu gehorchen, der Geschwindigkeit belohnt. Das ist die strukturelle Dominanz Silicon Valleys – nicht nur Software, sondern eine ganze Philosophie der Dringlichkeit wurde exportiert.

  Explizit behandelt: Anthropic und Claude, OpenAI, Cloud Code, das US-Verteidigungsministerium, GitHub, Palantir, Gartner und verschiedene Sicherheitsforschungsgruppen — Meinung/Reflexion mit Deep-Dive-Elementen.

• Ce qu’on ne vous dit pas sur les 830 millions de Mistral AI
  1.4.2026, 14:30:20

  Zusammenfassung: „Ce qu’on ne vous dit pas sur les 830 millions de Mistral AI”

  Das Video analysiert kritisch, was hinter der Finanzierungsmeldung der französischen KI-Startup Mistral wirklich steckt – nicht Kapitalrisiko, sondern Fremdfinanzierung gegen physische Sicherheiten.

  Die wahre Geschichte

  Am 30. März 2026 haben sieben Banken (darunter BNP Paribas, Crédit Agricole, HSBC) 830 Millionen Dollar Schulden strukturiert. Das Besondere: Sie akzeptierten 13.800 Nvidia-GPUs (Blackwell-Serie) als Sicherheit/Collateral – nicht Immobilien, sondern Chips. Das ist das erste Mal, dass traditionelle europäische Banken Prozessoren als bankfähige Vermögenswerte behandeln.

  Warum das funktioniert: Die physische Knappheit

  Der Autor legt drei zentrale Marktfaktoren offen:

  1. HBM-Speicher (High Bandwidth Memory) ist für 2025 ausverkauft; 2026 bereits vergeben. SK Hynix bestätigt „vendor-driven market” – der Verkäufer bestimmt die Bedingungen.
  1. Preisexplosion: HBM-Speicher ist innerhalb eines Jahres um 90–95 % (quartalsweise, nicht jährlich) teurer geworden. Die Speichertechnologie, die die Chips speist, hat sich verdreifacht.
  1. Geopolitische Schockwelle: Am 18. März 2026 wurden iranische Luftschläge auf das Ras-Laffan-Komplex in Katar geflogen – die weltgrößte LNG-Produktionsanlage und kritischer Helium-Lieferant (1/3 der Weltkräfte). Qatar Energy rief „Force Majeure” aus. Helium ist für die Halbleiterproduktion (Kühlung bei UV-Lithographie) essentiell. Spot-Preise verdoppelten sich sofort.

  Resultat: Angebot ist gesättigt, Nachfrage läuft weiter (Hyperscaler wie Google, Microsoft, Amazon, Meta investieren 600+ Milliarden Dollar im Jahr 2026 allein). Die Chips werden zur Wertspeicheranlage – ihr Wiederverkaufswert übersteigt den Kaufpreis während der Kreditlaufzeit.

  Mistral-Strategie: Vier Revenue-Streams bauen sich gegenseitig auf

  1. Chat-API-Inferenz: Token-basierte Bezahlung (10 Cent bis 2 Dollar pro Million Tokens)
  2. Mistral Code: Enterprise-IDE-Integration für europäische Teams
  3. Open Models (Mistral 7B, Ministral): Kostenlos downloadbar → Developer Lock-in
  4. Forge (März 2026): Komplettes Pre-Training auf Kundendaten (teuer, höchstes Switching-Cost)

  Jede Schicht zieht Nutzer in die nächste. Rechenkapazität → Einnahmen → Debt-Service → mehr Puces → mehr Einnahmen. Selbstverstärkende Schleife.

  Wer gewinnt / wer verliert

  Gewinner: Europäische Akteure mit Infrastrukturplänen + kredibilem Bankensyndikats (Pharma, Verteidigung, Industrie), die unter europäischer Gerichtsbarkeit rechnen wollen → neues Finanzierungsfenster öffnet sich.

  Verlierer:

  • US-Cloud-Hyperscaler (AWS, Azure, GCP): Struktureller Konflikt – jede GPU für Kunden = GPU weniger für eigene KI-Services (Gemini, Copilot).
  • Europäische Startups ohne gesicherte Kapazität: Sie mieten GPU-Zeit beim US-Provider auf Stundenbasis, wo der Verkäufer die Regeln setzt. Wartelisten verlängern sich.

  Warum Schulden besser als Eigenkapital sind

  Objection: Mistrals Kapitalstruktur ist US-dominiert (Andreessen Horowitz, Lightspeed, Nvidia, Microsoft, Salesforce). Wo ist die Souveränität?

  Antwort: Fremdfinanzierung bei europäischen Banken (BNP, Crédit Agricole) mit europäischen Gläubigern verankert die Infrastruktur rechtlich in Europa – nicht die Kapitalstruktur, sondern die Collateral-Souveränität. Finanzielle Ansprüche folgen europäischem Recht; Staaten können auf Hardware-Ebene wirken.

  Drei konkrete Schritte für Entscheider

  1. Fragilitäts-Test:
  • Hat dein Cloud-Provider einen Interessenskonflikt? (Verkauft er ähnliche KI-Services?)
  • Wenn Memory/Helium-Preise sich verdreifachen → bricht dein Geschäftsmodell zusammen?
  1. Handlungshebel:
  • Gründer/Manager: Vergiss flexible Cloud-Stundensätze. Sperr 12–24 Monate Kapazität bei europäischem Infra-Player ein (Kosten: ~15–20 % Prämie, Wert: Überlebenssicherung).
  • Berater/Freelancer: Stop „API-Integration Sales Pitch”. Verkaufe stattdessen Supply-Chain-Risiko-Diagnostik – sei derjenige, der die ganze physische Kette sieht, während andere nur Chatbots sehen.
  1. Indikatoren für Thesen-Kollaps:
  • HBM-Preise fallen zwei Trimester hintereinander.
  • TSMC verkündet öffentlich ungenutzte Topologie-Kapazität.

  Bis dahin: Zeitfenster schließt sich in Quartalen, nicht Jahren.

  Kernthese

  Rechenkapazität ist nicht länger Betriebskosten – sie ist das neue strategische Sicherungsvermögen des Jahrzehnts. Wer es sich nicht sichert, wird zum Puffer für Konkurrenten.

  Format & Tools: Deep-Dive, Meinung/Reflexion mit makroökonomischer Analyse; Mistral AI thematisiert (+ Nvidia, TSMC, SK Hynix, hyperscalers); kein spezifisches AI-Coding-Tool behandelt.

Julian Ivanov | KI-Automatisierung (2 neues Videos)

• Ich habe eine Firma ohne Menschen gebaut (Paperclip Tutorial)
  3.4.2026, 15:40:03

  Zusammenfassung: Ich habe eine Firma ohne Menschen gebaut (Paperclip Tutorial)

  Der Creator hat eine vollständig aus KI-Agenten bestehende Firma aufgebaut, die seinen YouTube-Kanal unterstützt. Diese besteht aus acht Agenten mit einer klaren Hierarchie: ein CEO koordiniert das Team, ein Trends Scout recherchiert KI-News, ein Redaktionsleiter leitet Videoproduktion mit vier Unteragenten (Deep Researcher, Scriptagent, SEO-Stratege, Repurposer), und ein Qualitätsagent überprüft die Arbeit. Das Tool dahinter ist Paperclip, ein Open-Source-Projekt, das KI-Agenten in eine selbstorganisierende Firma verwandelt – mit echtem Organigramm, Hierarchien, Zielen, Budgets und 24/7-Betrieb.

  Das Problem, das Paperclip löst: OpenCla bietet autonome Agenten mit Heartbeat-Funktion (arbeiten rund um die Uhr), aber schlechte Übersicht und Koordination zwischen Agenten. Cloud Code bietet gute Kontrolle und Zusammenarbeit via Agent Teams, erfordert aber ständige aktive Überwachung und läuft nur in aktiven Sessions. Paperclip verbindet beide Welten: autonome rund-um-die-Uhr-Arbeit mit organisatorischer Struktur, Übersicht und Koordination.

  Kernfeatures von Paperclip: Agenten erhalten Identität durch Dateien (Agents.md für Anweisungen, Soul.md für Persönlichkeit), ein Organigramm mit Hierarchien, Ticketsystem mit vollständiger Protokollierung, Goal Alignment (jede Aufgabe zur Firmenmission), Governance-Schicht (der Nutzer genehmigt Entscheidungen und pausiert Agenten), Budget-Management pro Agent, und Kompatibilität mit verschiedenen Sprachmodellen (Claude, OpenAI GPT, Gemini, Cursor, OpenCla via Gateway).

  Praktisches Setup: Paperclip kann lokal installiert oder auf einem virtuellen Server gehostet werden (z.B. via Hostinger mit direktem Template). Nach Installation und Admin-Account-Erstellung können API-Keys verschiedener Anbieter hinterlegt oder bestehende Abos (ChatGPT Plus, Claude) genutzt werden. Das Tutorial zeigt das Erstellen einer Beispiel-Firma „Job Matcher”: Der Nutzer definiert die Mission, der CEO wird angelegt, erhält Aufgaben, überlegt sich autonom, welche weiteren Agenten nötig sind, und orchestriert deren Arbeit. Jede Aufgabe wird als Issue protokolliert, Agenten können Skills (Prompts für spezialisierte Prozesse) nutzen, und der Nutzer kann gezielt Kommentare und Feedback unter Aufgaben geben – nicht nur im Chat wie bei anderen Tools.

  Für wen geeignet: Paperclip lohnt sich, wenn man mehrere Cloud Code-Sessions oder verschiedene Agenten-Systeme koordinieren muss und Überblick, Kostenmanagement und 24/7-Automatisierung braucht. Nicht ideal, wenn man bereits mit Cloud Code allein gut zurecht kommt, einen einfachen persönlichen Assistenten (OpenCla) möchte oder klare Step-by-Step-Workflows (N8N) benötigt.

  Kostenoptimierung: ChatGPT Plus oder Claude-Abos können über Device-Code-Authentifizierung (z.B. Codex im Terminal) mit Paperclip verbunden werden, statt API-Tokens zu zahlen. Der Creator zeigt auch, wie man Codex im Server-Terminal installiert und über Paperclip konfiguriert, sowie wie man Codex selbst nutzen kann, um die Paperclip-Instanz zu verwalten und zu debuggen.

  Explizite AI-Tools: Paperclip (Open Source), Claude, OpenAI (GPT-4), Gemini, Cursor, Cloud Code, OpenCla, Codex, N8N, Hostinger (Hosting), Superbase. Format: Tutorial (Deep-Dive mit Demo und praktischem Setup-Walkthrough).

• Obsidian + Claude Code: So baust du dein zweites Gehirn
  29.3.2026, 18:01:18

  Obsidian + Claude Code: So baust du dein zweites Gehirn

  Das Video zeigt, wie man ein persönliches Wissenssystem aufbaut, das Claude Code (oder Cowork) als KI-Agent nutzt, um strukturiertes Wissen zu verwalten und zu erweitern.

  Kernprobleme, die gelöst werden:

  Claude startet typischerweise jede Session bei null – ohne Kontext zu deinen Projekten, Regeln, Schreibstil oder Entscheidungen. Das führt zu generischen Antworten. Claudes Memory-Funktion ist zu begrenzt für umfassendes Projekt- und Kontextwissen. Gleichzeitig gehen persönliche Erkenntnisse, Learnings und Ideen verloren, wenn sie nicht systematisch festgehalten werden.

  Die Lösung: Obsidian als „zweites Gehirn”

  Obsidian ist eine lokale Markdown-basierte Notiz-App, in der man sein Wissen strukturiert speichert. Claude erhält Zugriff auf diesen gesamten Vault und kann dort eigenständig Dateien anlegen, sortieren und verknüpfen. Der Vorteil: Das Wissen bleibt Eigentum des Nutzers (lokale Dateien, kein Cloud-Lock-in), ist persistent und kann jeder KI-Tools zugänglich gemacht werden.

  Empfohlene Ordnerstruktur (8 Ordner):

  • Kontext: Informationen über dich (Schreibstil, Hintergrund, ideales Kundenprofil, Branding, Angebot)
  • Inbox: Brain Dump für ungefilterte Gedanken und tägliche Notizen
  • Projekte: Aufgaben mit festen Deadlines (werden später ins Archiv verschoben)
  • Bereiche: Laufende Verantwortlichkeiten ohne Deadline (Community, Business, Marketing)
  • Ressourcen: Allgemeines Wissen, Tool-Dokumentationen, Vorlagen, Recherchen
  • Daily Notes: Logbuch – täglich notieren, was man geschafft hat
  • Archive: Abgeschlossene Projekte und Aufgaben
  • Attachments: Bilder und Dateien

  Setup-Schritte:

  1. Obsidian installieren von obsidian.md, neuen Vault erstellen
  2. Community Plugins aktivieren (Einstellungen → externe Erweiterungen)
  3. BRAT Plugin installieren (ermöglicht Beta-Plugins)
  4. Claudian Plugin über GitHub-Repository hinzufügen (ermöglicht Claude Chat direkt in Obsidian)
  5. Obsidian Skills installieren (über GitHub-Repo – erklärt Claude, wie er mit Obsidian arbeitet)
  6. Die bereitgestellte „Cloud.md”-Datei (mit Onboarding-Prompts) herunterladen und in den Root-Vault legen
  7. Claude sagen: „Mach das Onboarding” – er interviewt dich, erstellt personalisierte Ordnerstruktur und finalisiert die System-Prompt

  Die Cloud.md-Datei:

  Sie fungiert nach dem Onboarding als standardisierte System-Nachricht für Claude. Sie enthält:

  • Kurze Infos über dich
  • Vault-Struktur (damit Claude weiß, wo er suchen muss)
  • Regeln für die Vault-Verwaltung
  • Session-Start-Anweisungen (z.B. Inbox checken, neue Notizen anbieten)
  • Session-Ende-Anweisungen (z.B. Daily Note schreiben, Inbox aufräumen)

  Praktische Workflows:

  • Tägliche Arbeit: In Claude Cowork oder direkt in Obsidian mit Claudian-Chat arbeiten; Claude liest bei Session-Start automatisch die letzten Daily Notes und aktive Projekte
  • Weekly Review: Claude Tagesnotizen der Woche auswerten, Abschlüsse tracken
  • Meeting-Verarbeitung: Transkripte in Inbox-Ordner laden, Claude verarbeitet und speichert Infos automatisch in die richtigen Ordner
  • Projekt-Kontext: Bei ähnlichen neuen Projekten Claude sagen, er soll alte Projekte als Referenz nutzen

  Der Compound-Effekt über Zeit:

  • Woche 1: ~15–20 Dateien, Claude kennt Grundinfos
  • Monat 1: ~40–60 Dateien, Projekte dokumentiert, Schreibstil definiert – deutlich bessere Output-Qualität
  • 3 Monate: ~100 Dateien, Claude kennt Workflows und Entscheidungshistorie, schlägt selbst Verbindungen vor
  • 6 Monate: Echtes Wissenssystem; jede Info verknüpft sich mit bestehendem Wissen; dein Kontext ist ein transferierbares Asset

  5 praktische Tipps:

  1. Nicht perfekte Struktur von Anfang an anstreben – organisch wachsen lassen
  2. Daily Notes nicht vergessen (nur 30 Sekunden, aber großer langfristiger Nutzen)
  3. Nicht alles sofort migrieren – schrittweise aufbauen
  4. „Merk dir das” zur Gewohnheit machen, wenn Claude etwas generiert oder du eine Regel aufstellst
  5. Die Cloud.md-Datei regelmäßig anpassen/erweitern (Claude kann das auch selbst tun, wenn man es ihm sagt)

  Visuelle Gestaltung (Bonus):

  Anup Puccin Theme + Style Settings Plugin + Rainbow-Farben in Graph View für bessere Übersicht der Ordner-Cluster.

  Verfügbarkeit: Cloud.md-Datei als kostenloser Download über Newsletter-Abonnement im Video-Beschreibungs-Download-Hub.

  Tools/Anbieter: Claude (Anthropic), Obsidian, Claude Code, Cowork, Claudian Plugin, BRAT Plugin, Style Settings Plugin, Anup Puccin Theme, VS Code — Tutorial mit Demo-Elementen.

Kyle Balmer | AI with Kyle (4 neues Videos)

• The $100/Day Newsletter System Nobody Talks About
  1.4.2026, 17:00:07

  Zusammenfassung: The $100/Day Newsletter System Nobody Talks About

  Der Kern des Systems besteht darin, über Short-Form-Video-Content (60-90 Sekunden) zu einem heißen Thema Leads zu generieren und dabei sofort Geld zu verdienen. Der Ablauf: Video mit Call-to-Action (z.B. Kommentar mit bestimmtem Wort), das führt über ManyChat oder Claude-basierte Automation zu automatisierten Antworten, die Nutzer auf eine Landing Page mit Lead Magnet leiten.

  Einnahmen entstehen auf mehreren Ebenen: (1) SparkLoop-Monetisierung – wenn Newsletter-Abonnenten sich für empfohlene Newsletter anmelden, erhält der Publisher etwa $1-2 pro Anmeldung, potentiell $5+ wenn mehrere Newsletter akzeptiert werden. Der Autor zeigt konkrete Auszahlungen: $120, $300, $320, $350, $700 in monatlichen Payouts, was im aktuellen Tempo etwa $100/Tag generiert. (2) Das System skaliert durch wöchentliche oder tägliche neue Lead Magnets – der Autor produziert täglich neue Inhalte, konvertiert sie in Lead Magnets und Landing Pages, setzt ManyChat-Trigger auf und bespielt Instagram.

  Kritische Erfolgsfaktoren: Die Lead Magnets müssen hochwertig sein (erste Eindruck), die Automation läuft über ManyChat oder Claude als geplante Aufgaben zur automatischen Kommentar-Antwort. Die Infrastruktur nutzt Beehiiv (Newsletter-Plattform mit eigener Monetisierungs-Funktion namens „Boosts”, die der Autor aber weniger empfiehlt), SparkLoop zur Affiliate-Monetisierung und künstliche Intelligenz zum Generieren von Landing Pages und Lead Magnets. Der Autor betont: Email-Listen sind essentiell, nicht auf Social Media verlassen – das System hat ihm in zwei Jahren ein sechsstelliges Business aufgebaut.

  Deep-Dive-Demo mit Fokus auf Newsletter-Monetisierung über Beehiiv, SparkLoop und ManyChat; thematisiert Claude und KI-gestützte Automation.

• How I Get 200+ Email Subscribers a Day Using AI, ManyChat & Spark Loop
  1.4.2026, 06:15:02

  Der Ersteller zeigt sein System, um täglich 200+ E-Mail-Abonnenten zu gewinnen, basierend auf zwei Jahren Aufbau von null auf mittlere sechsstellige Einnahmen. Das Kernprinzip: Menschen von Social Media in eine E-Mail-Liste verschieben, da diese ein eigenes Vermögen ist — im Gegensatz zur fragilen Abhängigkeit von Algorithmen und Plattformrichtlinien.

  Der Prozess hat fünf Schritte: (1) Ein einfaches Conversion-Video (60-90 Sekunden) zu einem Trend-Thema drehen, (2) einen Trigger-Keyword etablieren, auf den Nutzer kommentieren können, (3) eine Opt-in-Landing-Page erstellen, (4) die Automatisierung via ManyChat (für Instagram) oder Claude Code-Scheduled Tasks (für TikTok, YouTube Shorts) einrichten, (5) kontinuierlich wiederholen. Das Video sollte top-of-funnel-Content sein — sehr einfach, ein klares Konzept, kein tiefes Detailwissen.

  Die Automatisierung erfolgt durch: ManyChat für Instagram-Automatisierungen, wo Kommentare einen DM mit Link auslösen; Claude Code für andere Plattformen, um automatisch Kommentare zu antworten und zum Link in der Bio zu leiten. Die Landing Pages und Lead Magnets werden mit Claude Code generiert — basierend auf Video-Transkripten oder Live-Streams. Einmal etabliert, lässt sich das System täglich repetieren.

  Monetarisierung läuft parallel: Mit SparkLoop (oder Beehiiv’s „Monetize Boosts”) werden Newsletter-Empfehlungen an neue Abonnenten gemacht; für jede erfolgreiche Anmeldung erhält der Publisher ca. $1-2. Der Ersteller verdient so ~$100/Tag (~$3000/Monat) allein durch diese Empfehlungen. Die E-Mail-Liste selbst (45.000 Abonnenten bei ihm) ist das Fundament für weitere Angebote.

  Kritisch: Lead Magnets müssen hochwertig sein (erste Eindruck zählt), die Menge an parallelen Giveaways verhindert Verwirrung, da Social-Media-Nutzer nicht alle sehen. Das System ist nicht vollständig automatisiert — der Mensch steht am Anfang (Live, Video, Meinung), danach waterfall das durch AI in Newsletter, Scripts, PDFs, Short-Form-Content. Empfehlung: Nicht täglich starten, eher wöchentlich beginnen.

  Tools/Anbieter explizit erwähnt: Beehiiv (Newsletter-Plattform), ManyChat (Instagram-Automation), Claude Code (Automation & Content-Generierung), SparkLoop (Newsletter-Monetarisierung), Kit/ConvertKit und Substack (Alternativen), NotebookLM (Inhalt-Strukturierung) — Demo/Meinung-Mix mit Anleitung-Elementen.

• The NotebookLM Strategy That Builds My Email List on Autopilot
  31.3.2026, 18:15:00

  Der Creator zeigt eine Strategie zur automatisierten E-Mail-Listenaufbau mit NotebookLM. Das Kernkonzept funktioniert auf zwei Ebenen: Frontend-Assets zur Aufmerksamkeitserregung (Infografiken, Carousels) und Backend-Assets als Lead-Magnets (kostenlose Guides, Slide-Decks, PDF-Reports), die im Austausch gegen E-Mail-Adressen angeboten werden.

  Die praktische Anwendung: Videos oder Inhalte werden in NotebookLM hochgeladen, um daraus automatisch verwertbare Assets zu generieren. Ein Beispiel ist das Umwandeln eines einstündigen Videos zu Claude Cowork in eine Slide-Deck oder einen Guide, den man dann als Lead-Magnet auf der Website platziert – dies bringt dem Creator täglich mehrere hundert Personen auf seine E-Mail-Liste.

  Ein zusätzlicher Profi-Trick: Man kann auch erfolgreiche Videos anderer (etwa zu Steuerthemen oder Trends) nehmen, sie in NotebookLM einladen und mit eigenem Branding in Berichte umwandeln – dabei auf spezifische Zielgruppen wie „HENRYs” fokussieren und Reports, Mind-Maps oder Infografiken erstellen.

  Für maximale Skalierung nutzt der Creator ein System mit einem Research-Agent, der Trending-Topics automatisch findet, sowie eine inoffizielle Python-API für NotebookLM (via Claude Code), um Asset-Generierung vollständig zu automatisieren – statt manuell Stück für Stück zu klicken. Das ermöglicht systematische, automatisierte Lead-Magnet-Produktion. Der Creator erwähnt, dass eine offizielle NotebookLM-API noch nicht existiert.

  NotebookLM und Claude Code als explizite Tools; Demo mit praktischen Anwendungsbeispielen.

• NotebookLM Masterclass: Create Presentations, Hallucination Free Content Creation and it’s FREE
  31.3.2026, 05:15:00

  Zusammenfassung: NotebookLM Masterclass

  NotebookLM ist ein kostenloses Google-Tool, das als persönliches RAG-System (Retrieval-Augmented Generation) funktioniert und Halluzinationen verhindert, indem es nur aus den vom Nutzer bereitgestellten Quellen Informationen zieht – nicht aus allgemeinen Trainingsdaten. Man kann PDFs, URLs, YouTube-Videos, Slides, Audio-Dateien, EPUBs und Websites hochladen, mit denen das Tool dann arbeitet. Die Kernidee von RAG: Eine Anfrage wird zunächst mit der bereitgestellten Dokumentation abgeglichen, bevor das Sprachmodell eine Antwort generiert – dadurch entstehen verlässliche, quellengestützte Outputs.

  Die Schnittstelle hat drei Hauptelemente: Quellen (links), Chat zum Abfragen der Inhalte (Mitte) und diverse Output-Formate (rechts). Letztere umfassen Slide Decks, Infografiken, Podcasts (mit Möglichkeit, selbst teilzunehmen), Mindmaps, Reports, Flashcards, Quizze und animierte Videos (in Cinematic-, Explainer- oder Brief-Stil). Alle generierten Inhalte sind quellenbelegt, was für Juristen, Akademiker und andere Fachleute essentiell ist.

  Der Sprecher nutzt NotebookLM hauptsächlich für zwei Business-Anwendungen: (1) Tägliche Live-Stream-Präsentationen – er erstellt Slide Decks automatisiert aus Quellen, um täglich auf YouTube, Twitter und anderen Plattformen live zu gehen; (2) Lead-Magnet-Generierung – er nimmt erfolgreiche eigene Videos oder fremde populäre Videos, erstellt daraus Slide Decks oder PDF-Guides (mit eigenem Branding und angepasstem Fokus) und nutzt diese als Köder für E-Mail-Adressen. So kann man mit minimalem Aufwand aus einem einstündigen Video mehrere marktfähige Assets erzeugen. Man kann auch manuell Notizen hinzufügen, um die Ausgabe zu steuern, oder die generierten Slides nachträglich editieren.

  Für Automatisierung im großen Stil lässt sich die inoffizielle Python-API nutzen, um via Claude Code Recherche-Agenten zu bauen, die Trends identifizieren und automatisch Assets generieren. Die ältere Frage, welche Google-Abo man braucht: gar keine – NotebookLM ist komplett kostenlos mit normaler Google-Registrierung.

  Der Sprecher betont, dass dies kein „AI Slop” ist, sondern ein echtes Bildungs- und Produktivitätswerkzeug, weil die Qualität und Richtung von den eingespeisten Quellen und vom Nutzer gesteuert wird, nicht von generischem Trainingsdaten-Rauschen.

  Demo/Meinung eines Google-Tools (NotebookLM/Gemini) mit Live-Show-Format; eher für Fortgeschrittene, die Automationsmöglichkeiten interessieren, aber auch für Anfänger zugänglich.

Leon van Zyl (3 neues Videos)

• Paperclip is Insane – I Built a Full AI Company
  3.4.2026, 11:27:16

  Paperclip: Ein vollständig automatisiertes AI-Software-Unternehmen

  Der Nutzer demonstriert Paperclip, ein Framework, das mehrere AI-Agenten in einer hierarchischen Unternehmensstruktur organisiert. Statt einzelne Coding-Tools wie Claude oder Cursor direkt zu nutzen, delegiert man Aufgaben an einen CEO-Agent, der die Arbeit an spezialisierte Sub-Agenten verteilt – Marketing-Lead, CTO, Engineering-Lead, Frontend/Backend-Entwickler, QA-Engineers, Security-Spezialisten und weitere Rollen. Jeder Agent kann mit individuellen Prompts, Skills und Modellen konfiguriert werden.

  Setup & Deployment: Paperclip wird lokal via Node.js-Befehl oder auf einem VPS (z.B. Hostinger mit Docker) installiert. Für Authentifizierung nutzt man entweder Claude-Code-Subscription oder API-Keys. Nach der Registrierung definiert man die Unternehmens-Vision und stellt das Team zusammen.

  Workflow: Man erstellt Issues/Tickets, ordnet sie dem CEO zu, der diese weiterleitet. Der CEO kann Genehmigungen vom Nutzer einholen (z.B. zur Bestätigung neuer Hires). Alle Kommunikation läuft über Tickets und Inbox. Im Dashboard sieht man Live-Status aller Agenten, ihre Aktivitäten und bei Bedarf die Kostenübersicht.

  GitHub-Integration: Agenten können direkt in GitHub-Repositories committen, Branches erstellen und Pull Requests öffnen – vollständig automatisiert. Man richtet einen Deploy-Key ein, damit die Agenten authentifiziert sind.

  Kritische Bewertung: Der Ersteller hält das aus implementierungstechnischer Sicht für beeindruckend, empfiehlt aber trotzdem, Code zu überprüfen und zu verifizieren, bevor man es produktiv einsetzt.

  Explizit genannte Werkzeuge: Claude, Claude Code, Cursor, Paperclip (41.000 Stars nach wenigen Wochen), GitHub, Vercel, Netlify, Hostinger, AutoForge (eigenes Projekt des Erstellers). Demo mit Deep-Dive ins Setup und praktische Anwendung.

• The Only Claude Code Tutorial You Need (2026 Update)
  1.4.2026, 14:01:14

  Claude Code Tutorial (2026 Update) – Zusammenfassung

  Das Video ist ein umfassendes Tutorial zu Claude Code, dem Coding-Tool von Anthropic für die Entwicklung echter Webanwendungen. Es richtet sich an sowohl Anfänger als auch erfahrene Entwickler und zeigt, dass auch nicht-technische Menschen damit Websites und Tools bauen können.

  Zugang & Installation

  Claude Code ist über mehrere Kanäle erreichbar: die Claude-Website, die Desktop-App oder als CLI-Tool im Terminal. Für die Desktop-App muss man einen Link herunterladen; das CLI-Tool wird via Installationsbefehl (für Windows, Mac, Linux) eingerichtet. Ein Claude-Abonnement (Pro-Plan ca. $20/Monat) ist erforderlich.

  Kernfeatures der Desktop-App

  • Chat-Interface: Man sendet Nachrichten an Claude, kann Dateien (PDFs, Bilder, Screenshots) und Connectors anhängen
  • Modi:
  • “Ask Permissions” – Claude fragt vor Änderungen
  • “Auto Accept Edits” – ändert Dateien ohne Anfrage, fragt aber vor Commands
  • “Planning Mode” – diskutiert nur, keine Implementierung
  • “Bypass Permissions” – automatisiert alles (riskanter)
  • Modellauswahl: Opus (mächtig, für Planung), Sonnet (Mittelweg), Haiku (schnell, günstig)
  • Voice-Input: Per Knopfdruck Sprachanweisungen geben
  • Live-Preview: Embedded Browser zeigt die laufende Anwendung in Echtzeit

  CLI-Tool spezifische Features

  • Modi wechseln mit Shift+Tab
  • Dateien per Drag-and-Drop oder Alt+V (Screenshots) einfügen
  • Slash-Commands (/model, /effort, /voice) für Settings
  • --dangerously-skip-permissions Flag für automatisierte Ausführung

  Workflow: Income & Expense Tracker-App

  1. Projekt-Setup: Neuen Ordner erstellen, create-agentic-app Command für Boilerplate (Next.js, React, Drizzle ORM, PostgreSQL, BetterAuth, Vercel Blob Storage)
  2. Docker-Datenbank: Docker Desktop installieren, Claude die Datenbank-Setup-Commands ausführen lassen
  3. Planning Mode:
  • Erst ein PRD (Product Requirements Document) in der Chat-Ansicht erstellen
  • Dann ins Planning Mode gehen, PRD einfügen, Claude stellt Klärungsfragen
  • Implementation Plan wird in .cloud/plans/ gespeichert
  1. Neue Session für Implementation: Frischen Context sparen, den Plan einfügen
  2. Design System: Claude erstellt zunächst ein UI-Design-System (mit Front-End-Design-Skill aus dem Boilerplate), speichert es unter docs/design-system/
  3. Claude.md-Datei: Projekt-spezifische Regeln (z.B. “immer Design System referenzieren”) hier festlegen – gelten in CLI und Desktop
  4. Loop-Command (/loop): Automatisierte Cron-Jobs, z.B. alle 10 Min. das UI überprüfen und gegen Design System abgleichen
  5. Sub-Agents: Statt eine einzelne Agent alles machen zu lassen, kann man sie aufteilen: Agent teilt Work in Wellen auf, feuert mehrere Sub-Agents parallel an (schneller, effizienter)
  6. Testing & Debugging: Claude testet die App selbst end-to-end, erkennt Bugs (z.B. 500 Fehler beim Dashboard) und behebt sie automatisch
  7. Remote Control: Mobile App für Claude erlaubt Remote-Steuerung von der Telefon aus

  Weitere Features

  • Plugins: Erweitern Fähigkeiten des Modells (z.B. Gmail-Connector)
  • Slash-Commands: /model, /thinking (Reasoning Mode), /effort (low/medium/high/max), /voice, /context (zeigt Context-Auslastung)
  • Thinking/Reasoning Mode: Agent analysiert Problem erst, bevor er Änderungen macht – kostet mehr Tokens, bessere Qualität
  • VS Code/Cursor Integration: Button in Desktop-App springt direkt in den Code-Editor
  • Dev Button: Alle Änderungen einer Session einsehen
  • Deployment: Wird in separate Video behandelt

  Der Schwerpunkt liegt darauf, dass Claude Code autonome Agents nutzt, um komplexe Anwendungen zu bauen – User gibt die Requirements, Claude plant und implementiert, testet selbst und behebt Fehler.

  Explizite Tools: Claude Code (Desktop & CLI), Claude-Modelle (Opus, Sonnet, Haiku), Next.js, React, Drizzle ORM, PostgreSQL, BetterAuth, Vercel Blob, Vercel AI SDK, Docker, Airtop (erwähnt als Sponsor für Monitoring von AI-Tool-Updates), Gintik Labs (Learning-Community) – Format: Tutorial (für Anfänger bis fortgeschrittene) mit Live-Demo einer vollständigen App-Entwicklung.

• Claude Code Tutorial: Build an AI Brand Monitor App
  30.3.2026, 13:01:05

  Claude Code Tutorial: Build an AI Brand Monitor App – Zusammenfassung

  Das Video zeigt, wie man mit Claude Code (bzw. alternativ Cursor) eine praktische Geschäftsanwendung baut: einen AI Brand Monitor. Statt Spielprojekte zu entwickeln, konzentriert sich der Tutor auf ein echtes Problem, das Unternehmen lösen wollen.

  Das Problem: Während Unternehmen traditionell SEO für Google betreiben, verlagert sich die Informationssuche zunehmend zu KI-Assistenten wie ChatGPT, Perplexity, Gemini, Grok und Copilot. Wenn eine Marke dort nicht erwähnt wird, verliert das Unternehmen Traffic und Sichtbarkeit – aber die meisten wissen das nicht. Der App-Monitor zeigt, welche KI-Modelle eine Marke empfehlen und welche nicht.

  Kernunterschied zur simplen API-Integration: Der Tutor betont, dass man nicht die Modell-APIs direkt aufrufen sollte. Stattdessen scraped die App die tatsächlichen User-Interfaces (die Website von ChatGPT selbst, nicht die OpenAI-API), weil diese zusätzliche Features, Optimierungen und geografische Anpassungen enthalten, die via API nicht verfügbar sind. Auch für Copilot gibt es keine öffentliche API.

  Tech-Stack: Next.js Frontend, React, SQLite-Datenbank, Drizzle ORM, und Bright Data als Web-Scraper-Service, um die Responses von ChatGPT, Perplexity, Gemini, Grok, Copilot und Google Search zu scrapen.

  Architektur: Der Scraping-Prozess folgt einem etablierten Muster: Trigger (POST-Request an Bright Data) → Polling (GET-Requests zum Status prüfen) → Download der Ergebnisse. Bright Data gibt zurück, ob die Brand erwähnt wurde, samt Zitaten und Links.

  Umsetzung mit Coding Agent: Der Tutor nutzt Cursor mit Claude (Opus 4.6) statt Claude Code, um die Logik zu implementieren. Wichtig: Er nutzt Plan Mode und füttert dem Agenten umfassend Dokumentation, Beispiel-Payloads und sogar ähnliche GitHub-Projekte, um bessere Ergebnisse zu bekommen (Context Engineering).

  Problem-Solving: Als Copilot fehlschlägt, weil unterschiedliche Provider unterschiedliche Input-Parameter erwarten, kopiert der Tutor die Beispiel-Payloads aus Bright Data und gibt sie dem Agenten – der Bug wird sofort behoben.

  Robustheit & Skalierung: Die erste Version läuft synchron. Um produktionsreif zu werden, integriert der Tutor Inngest, eine Background-Job-Queue. Jeder Scrape läuft jetzt asynchron als separater Job. Damit:

  • Nutzer können den Browser schließen, Job läuft weiter
  • Gescheiterte Jobs lassen sich neu starten
  • Mehrere Jobs laufen parallel mit Concurrency-Limits
  • Das System skaliert zu tausenden Nutzern

  Bonus-Challenge: Scheduled Scans einbauen (stündlich, täglich etc.), um LLM-Drift zu tracken und historische Daten zu sammeln – plus Alerts, wenn sich die Mentions ändern.

  Der Tutor demonstriert eine vollständige Entwicklungsfahrt vom Problem-Finding über API-Recherche, intelligente Agent-Prompting bis zur produktionsreifen Architektur mit Job-Queuing.

  AI-Tools & Format: Claude Code / Cursor (mit Claude Opus 4.6), Inngest, Bright Data – Tutorial mit praktischem Business-Focus.

Liam Ottley

Keine neuen Videos in diesem Zeitraum.

Mark Kashef (2 neues Videos)

• You’re Ignoring the Two Best Features in Claude Code
  3.4.2026, 00:27:24

  Das Video stellt zwei Slash-Commands in Claude Code vor, die als „übersehen” gelten: /powerup und /insights.

  Powerup fungiert als Learning-Companion und bietet zehn aufschlussreiche Power-ups, die die 80/20-Fundamentals von Claude Code vermitteln – von der richtigen Kommunikation mit der Codebase über verschiedene Modi bis hin zu Agenten und Sub-Agenten. Es präsentiert pseudografische Demonstrations und konkrete Anleitung für jedes Thema.

  Insights ist das deutlich mächtigere Tool: Nach Ausführung von /insights generiert Claude Code eine HTML-Webseite mit einem detaillierten Report über die letzten 30 Tage Nutzung. Der Report enthält eine „At a Glance”-Übersicht (was funktioniert, was hält zurück), Quick Wins, Analysen zu Arbeitsmuster (Sessions, Tools wie Bash und MCP, verwendete Sprachen wie TypeScript), impressionante Leistungen, Fehlerquellen (z.B. fehlerhafte Diagnose-Loops), empfohlene Features und einen Abschnitt „On the Horizon” mit maßgeschneiderten Empfehlungen basierend auf dem individuellen Nutzungsverhalten.

  Der Creator zeigt auch, wie man Insights in ein benutzerdefiniertes Workflow integriert: Ein eigenes Skill kann den Insights-Report auslesen, die Erkenntnisse in Obsidian (dem „Second Brain”) speichern und automatisch eine bereinigte Zusammenfassung per E-Mail versenden. Dies lässt sich mittels /loop oder /schedule automatisieren.

  Das Ziel beider Commands: /powerup bringt einen von 0% auf 80% Verständnis, /insights plus iterative Anwendung dann von 80% auf 100% Kompetenz.

  Claude Code (Powerup & Insights Commands), Demo.

• Every Claude Code Secret Its Creator Just Revealed
  31.3.2026, 12:41:27

  Zusammenfassung: Every Claude Code Secret Its Creator Just Revealed

  Das Video präsentiert 15 Funktionen und Features von Claude Code, basierend auf Tipps des Schöpfers Boris Jurnney. Die wichtigsten Punkte sind:

  Mobile & Cross-Device: Die Claude-Code-App auf dem Smartphone ermöglicht Zugriff auf Funktionen einschließlich Bash-Code-Ausführungen. Mit Teleport können unsgespeicherte Sessions vom Handy auf den Desktop übertragen werden, während /remote-control die umgekehrte Richtung ermöglicht — Sessions lassen sich dabei benennen, um Verwechslungen zu vermeiden.

  Autopilot-Modi: /loop führt Aufgaben in regelmäßigen Intervallen aus (solange die Terminal-Session aktiv ist), /schedule dagegen lädt die Ausführung in die Cloud. Beispiel: Alle 30 Minuten E-Mails prüfen und Entwürfe verfassen.

  Hooks: Regelbasierte automatische Auslöser, die bei bestimmten Events feuern (Session-Start, vor/nach Tool-Use, nach Edits). Praktisches Beispiel: Automatisch Brand-Guidelines zu jeder neuen Session laden. Hooks sind deterministisch und erzwingen Tool-Aufrufe in den Kontext-Fenster.

  Dispatch & Claude in Chrome: Dispatch bietet Remote-Desktop-Zugriff für Computer-Kontrolle (besonders nützlich, wenn Claude physisch auf Browser-Elemente klicken muss). Die Claude-in-Chrome-Extension ermöglicht visuelle Inspektionen von generierten Outputs im echten Browser — Claude kann damit seine eigenen Ergebnisse testen und iterativ verbessern. /config zeigt und aktiviert diese Features standardmäßig.

  Live Preview & Branching: Im Claude Desktop App können HTML/Landing-Pages live in einer Vorschau gerendert werden, während sie bearbeitet werden. /branch ermöglicht parallele Explorationen (z.B. aggressive Preise testen), ohne die Haupt-Session zu beeinflussen.

  Multitasking & Worktrees: /by the way erlaubt Fragen während eine Hauptaufgabe läuft, ohne den Kontext zu fluten. Work trees (Syntax: -w) schaffen separate Sessions mit isolierten Agenten für unterschiedliche Aufgabenstränge (z.B. Proposal, Website-Redesign, Finanzberichte gleichzeitig).

  Batch-Operationen: /batch spinnt viele Agenten parallel auf (z.B. 5–30), optimal für Breite statt Tiefe — warnt aber vor hohen Token-Kosten. Beispiel: Stundensätze in allen Proposal-Dateien aktualisieren.

  Zusätzliche Features: -d-bear reduziert Overhead (benötigt aber API-Zugang); -d add-dir/–add-directory bringt mehrere Projektordner in eine Session; Agenten können mit claude --agent [Name] vorab geladen werden, z.B. claude --agent proposal-writer.

  Claude-spezifisch: Das Video konzentriert sich ausschließlich auf Claude Code (Anthropic) — Demo, Meinung/Reflexion gegenüber anderen Tools (Open Claw wird erwähnt als Vergleich), mittleres bis fortgeschrittenes Niveau.

Matt Pocock

Keine neuen Videos in diesem Zeitraum.

Melvynx (6 neues Videos)

• Ça change tout : OpenClaw ne va plus supporter tes tokens Claude Code
  4.4.2026, 17:26:20

  Anthropic beendet die Unterstützung von OpenClaw-Integration mit Claude-Code-Abonnements ab dem 4. April. Das bedeutet konkret: Wer bisher seine monatlichen Claude-Code-Credits (z.B. die 200-Dollar-Variante) über OpenClaw nutzte, kann das künftig nicht mehr. Stattdessen werden Token nur noch über die Pay-as-you-go-Option mit Extra-Usage berechnet – deutlich teurer.

  Als Übergangshilfe erhält jeder Nutzer mit Abonnement einen einmaligen Credit in Höhe des Abonnementpreises; der Creator konnte diesen Bug-bedingt mehrfach beanspruchen und sammelte 445 Dollar Credits.

  Es gibt allerdings Workarounds: Erstens kann OpenClaw weiterhin über die Claude-CLI verwendet werden, indem man lokal den CLI-Provider konfiguriert – das funktioniert theoretisch, zeigte in der Demo aber Bugs. Zweitens bieten alternative Anbieter wie Glm und Mini-Maxi auch günstigere Coding-Abonnements an (z.B. Glm ab 10 Dollar/Monat), die mit OpenClaw nutzbar sein sollen.

  Die Maßnahme löste in der Community Reaktionen aus: Manche kündigen ihr Claude-Abonnement, andere bleiben Nutzer weil sie Claude-Code ohnehin nutzen. Der Creator betont, dass echte User-Nutzung nicht gebannt wurde, nur die Nutzung externer Tools wird nun blockiert – lokale Agent-SDKs bleiben erlaubt.

  Anwendungsprogramm: Claude-Code, OpenClaw, Alternative-Anbieter (Glm, Mini-Maxi) — Demo/Meinung-Video.

• Formation Codex : créer et publier ton premier site avec ChatGPT
  2.4.2026, 16:27:01

  Zusammenfassung: Formation Codex – Webseite erstellen und veröffentlichen mit ChatGPT

  Der Creator präsentiert eine vollständige Anleitung für Anfänger zum Arbeiten mit Codex, dem KI-Agenten von OpenAI, der im ChatGPT Pro-Abonnement (20 Dollar/Monat) enthalten ist.

  Grundlegende Schritte:

  1. Installation & Login: Codex-App herunterladen von chatgpt.com/codex/getstarted, in den Applications-Ordner ziehen und mit ChatGPT Pro-Konto verbinden (nicht über API, da teurer).
  2. Projekt-Setup: Einen lokalen Ordner hinzufügen und einen „New Thread” starten.
  3. Skills & Plugins installieren: Frontend Skill für bessere UI, dann GitHub und Netlify als Plugins verbinden – diese ermöglichen Deployment auf einen Live-Server.
  4. Portfolio erstellen: Dem Agenten eine detaillierte Anfrage geben (z.B. „Erstelle Portfolio für [Person], verwende Vue, TypeScript, Tailwind CSS, Full Dark Mode, minimalistisch”). Codex recherchiert im Internet, erstellt das Projekt und startet einen lokalen Server.
  5. Iterative Verbesserungen: Mit Sprachbefehlen oder Text Anpassungen vornehmen (z.B. „Entferne Animationen, mache es minimalistischer”).
  6. Veröffentlichung: Codex pushed den Code auf GitHub und deployed die Website über Netlify – der Site ist dann öffentlich zugänglich.

  Weitere Features:

  • Full Access-Modus: Gibt der KI Vollzugriff auf das Betriebssystem (Terminal-Zugriffe, Dateiverwaltung).
  • Slash-Befehle: /fast (schneller Modus, verbraucht mehr Tokens), /code-review, /mcp zur Steuerung verschiedener Funktionen.
  • Skills verstehen: Ein Skill ist ein Kompetenz-Paket (Ordner mit skill.md + Referenzdateien), das der KI bestimmte Fähigkeiten beibringt – z.B. iOS-Design, SEO, Email-Verwaltung. Skills können von skill.sh heruntergeladen und über npx skill add installiert werden.
  • Rate Limits: Im Settings-Menü (chatgpt.com/codex/settings/general) die wöchentlichen Limits für verschiedene Features überwachen.
  • Codex CLI: Alternative zur GUI – Terminal-basierte Nutzung mit npm install -g codex und dann codex --yolo in beliebigen Ordnern.

  Das Video zeigt ein vollständiges Beispiel: Der Agent erstellt in unter 20 Minuten ein funktionierendes Portfolio-Site, modifiziert es auf Wunsch, deployed es live – alles ohne manuelle Coding-Kenntnisse nötig.

  Der Creator verweist auf eine kostenlose Konfiguration seiner persönlichen Codex-Einrichtung (alle Skills, Agents, Permissions) auf mlv.sh/fc als Orientierungshilfe.

  Explizit genanntes Tool: ChatGPT Pro mit Codex (OpenAI) — Tutorial, für Anfänger konzipiert.

• La FIN de Claude Code : son code a été entièrement leaks (tout le monde peut copier leur feature)
  1.4.2026, 05:34:32

  Claude Code – Quelques features secrètes exposées par une fuite de code source

  Der Quellcode von Claude Code wurde durch einen technischen Fehler – ein versehentlich hochgeladenes Source Map File (.map) in der npm Registry – öffentlich gemacht. Dies ermöglichte es, die verkleinerte JavaScript-Datei zu rekonstruieren und Tausende Zeilen des Originalkodes freizulegen.

  Aufgedeckte Features:

  • Proactive Mode: Claude arbeitet eigenständig im Hintergrund und initiiert ohne Aufforderung Verbesserungen am Code, Fehlerbehebungen und Optimierungen – effektiv wie ein im Sektor tätiger Mitarbeiter.
  • Undercover Mode: Ein Sicherheitssystem mit mehreren Verteidigungsebenen, das Claude daran hindert, interne Informationen, Repository-Namen oder interne Code-Namen preiszugeben.
  • Buddy Pet System: Ein vollständiges Tamagotchi-ähnliches Spielsystem mit 18 verschiedenen Tierarten, Seltenheitsebenen, generiert basierend auf der Benutzer-ID, inklusive legendärer Kreaturen wie „Nebulinx”.
  • Dream Mode: Nach jeder Sitzung erstellt ein Sub-Agent automatisch Gedankenstützen durch eine „Memory Consolidation” – das System verarbeitet und reorganisiert Informationen im Hintergrund nach einem speziellen Prompt.
  • Permission Mode: Steuert, welche Funktionen Claude ausführen darf, mit einer Hierarchie von Genehmigungen und automatischer Klassifizierung.

  Weitere Entdeckungen: Ein Frustrations-Klassifikator, der negative Ausdrücke erkennt (mehrere Fluch- und Schimpfwörter), um Telemetrie und Nutzererfahrung zu messen; die Verwendung der Bibliothek Axios (die kürzlich eine kritische Sicherheitslücke hatte); und eine Code-Review durch GPT zeigt mittelmäßige Code-Qualität (Architektur 6/10, Wartbarkeit 3/10) mit extrem langen Dateien (bis 4000 Zeilen) und fehlenden Tests.

  Ein Community-Entwickler erstellte daraufhin eine bereinigte, offene Python-Version („Open Cloud”), die mit allen LLM-Modellen funktioniert – nicht nur mit Anthropic-Modellen. Anthropic versendete Takedown-Notices, aber aufgrund der Verbreitung sind nun unzählige Kopien im Umlauf.

  Deep-Dive auf Claude und Open-Source-Features ohne explizite Tool-Nennung außer den genannten; Meinung/Reflexion mit Demo-Elementen – der Sprecher bewertet Anthropic als innovativ (Proactive Mode, Dream Mode zeigen Durchdenken und Execution), kritisiert aber die Code-Qualität und sieht im Leak sowohl eine gute Nachricht (für die Community) als auch ein Desaster für Anthropic.

• DEV-BROWSER : Le CLI parfait pour que ton AGENT utilise Chrome (c’est mieux que tout le reste)
  31.3.2026, 16:00:55

  Zusammenfassung: Dev Browser – CLI für Agenten-Browsersteuerung

  Der Creator hat einen neuen CLI-Tool namens Dev Browser getestet, der es AI-Agenten ermöglicht, einen Webbrowser zu steuern – und soll laut Creator besser sein als bestehende Lösungen wie MCPs (Model Context Protocol).

  Kernunterschied zu MCPs: Während typische Browser-MCPs wie Cloud Code dem Agenten viele einzelne Tools zur Verfügung stellen (19+ Chrome-Tools wie „Find Elements”, „Login Button”, „Get Text” etc.), setzt Dev Browser anders an: Der Agent bekommt direkten Zugriff auf Playwright – eine Library, die in den Trainingsdaten weit verbreitet ist. Der Creator schätzt, dass ein LLM bereits zu 90-95% Playwright beherrscht. Dev Browser nutzt das – der Agent kann mehrere Browser-Aktionen in einem CLI-Befehl kombinieren und wird nicht durch viele separate Tools abgelenkt.

  Benchmark-Zahlen (laut Dev Browser): Dev Browser bewältigt Aufgaben in 3:53 Minuten für 0,98 Dollar bei 100% Erfolgsquote; Playwright MCP dauert 4:31 Minuten und kostet mehr; Cloud Chrome Extension dauert 12:54 Minuten.

  Praktische Demo: Der Creator zeigt Live-Tests mit einer Web-App:

  • Der Agent bleibt authentifiziert (GitHub Login) – anders als bei Playwright, das den Kontext bei jedem Start zurückgesetzt
  • Agent führt mehrere Aktionen gleichzeitig aus (z.B. auf „Quadrat”-Button klicken und Bild generieren in einem Schritt)
  • Agent erstellt autonom ein Segment mit Tag-Filter durch UI-Navigation
  • Der Agent nutzt die echte Chrome-Instanz (mit Remote Debugging), nicht ein Sandbox-Fenster

  Installation: npm install -g dev-browser plus dev-browser install; funktioniert über CLI-Kommandos wie dev-browser headless und kann auch in anderen Plattformen eingesetzt werden.

  Key Insight des Creators: Dev Browser spart Kontext durch weniger Tools und ist schneller, da der Agent eine Libraries-API direkt nutzt, statt durch abstrahierte Tool-Interfaces zu gehen.

  Demo des Tools Dev Browser mit Claude/Cloud Code; Format: Demo mit Live-Coding und praktischen Anwendungsfällen.

• Claude Code prend le contrôle de ton ordinateur (application, simulateur, etc…)
  31.3.2026, 07:03:14

  Zusammenfassung: Claude Code – Computer Use Feature

  Claude hat ein neues Feature namens “Computer Use” erhalten, das es dem Sprachmodell erlaubt, direkt deinen Bildschirm zu kontrollieren – ähnlich wie ein Benutzer selbst. Dies funktioniert über einen MCP-Server und kann in Claude Code aktiviert werden (via /mcp → “build mcp computer use” → “enable”).

  Praktische Fähigkeiten: Claude kann damit native Anwendungen starten und testen (z.B. macOS-Apps, Electron-Apps), End-to-End-Tests durchführen, Layouts debuggen mit Screenshots, mit Design-Tools interagieren und iOS-Simulatoren steuern. Für Browser-Kontrolle ist Claude in Chrome nötig.

  Live-Test im Video: Der Creator testet die Funktion in Claude Code – Claude startet eine App namens “Parler”, führt Klicks aus, nutzt Tastaturkürzel (z.B. Cmd+Shift+P), navigiert durch macOS-Einstellungen, öffnet Pixel Mator und versucht, ein Sonnenuntergang-Bild zu zeichnen. Dabei wird klar: Die Kontrolle sperrt die User-Eingabe. Solange Claude arbeitet, kann man den Computer nicht selbst bedienen.

  Einschränkungen und Realitätcheck: Der Creator ist ehrlich skeptisch: Für den alltäglichen Einsatz ist die Funktion wenig praktisch, da man während der Claude-Aktion blockiert ist. Sinnvoll könnte es für VPS-Automatisierung oder iOS-Developer-Tests sein (wie Cursor es anbot). Das Feature ist nicht wirklich neu – Claude konnte bereits Scripts ausführen; Anthropic bietet hier nur eine saubere, offizielle Schnittstelle.

  Zusätzliche Features: Das Video erwähnt auch “Auto Mode”, das Claude automatisch Entscheidungen treffen lässt (mit “Safeguard”-Checks), statt jede Aktion zu genehmigen. Der Creator mahnt zur Vorsicht: Claude könnte theoretisch restrictive Regeln umgehen, indem er Bypass-Scripts erstellt – allerdings beobachtet er das bei Claude-Modellen nicht. Abschließend listet das Video weitere kürzliche Updates für Claude Code auf (Cloud Memory, Marketplace, Code Review etc.).

  Thematisiert: Claude, Anthropic, Claude Code, MCP-Server; Format: Demo mit Meinung/Reflexion.

• Mon SaaS a été copié-collé 2 fois : VOICI ce que j’ai appris
  30.3.2026, 15:59:46

  Der Gründer von Subfast, einer KI-basierten Thumbnail-Generierungssoftware für YouTube, berichtet über zwei Kopiervorfälle seines SaaS und zieht daraus Lektionen für angehende App-Entwickler.

  Die Kopien: Eine Person hat Subfast mit anderer Landing Page und ähnlichem Namen nachgebaut (2400 Nutzer seit Start), eine andere hat die Landing Page im Design nachgeahmt. Beide Versuche waren schnell realisiert (2-3 Stunden), zeigen aber nach Ansicht des Autors fundamentale Schwächen.

  Der zentrale Punkt — Taste und Ownership: Der eigentliche Vorteil von Subfast liegt nicht im Design der Website, sondern darin, dass der Gründer die App täglich selbst nutzt und für sein eigenes Problem als YouTuber entwickelt hat. Die generierten Thumbnails erfüllen professionelle YouTube-Standards, weil sie von jemandem mit echter YouTube-Erfahrung (700+ Videos in mehreren Jahren) kommen. Konkurrenten können Features kopieren, aber nicht diesen Geschmack und diese Verbindung zur Zielgruppe.

  Strategische Erkenntnisse: (1) Erstelle Apps für dein eigenes Problem, nicht für abstrakte Märkte — das führt zu höherer Qualität und Glaubwürdigkeit. (2) Landing-Page-Design ist relativ bedeutungslos im B2B; wichtiger ist Social Proof und die Demonstration von Produktwert. (3) Der entscheidende Differenzator ist Onboarding — schnell zeigen, dass die App funktioniert (er konvertiert Nutzer zu zahlenden Kunden, indem sie den Wert sofort erleben). (4) Ein „Bring Your Own API”-Modell (Power-User-Plan für 199 Dollar) schafft Vertrauen: Nutzer sehen, dass der Creator das Produkt täglich selbst einsetzt und es long-term maintainen wird, weil er davon abhängt.

  Gesamthaltung: Kopien sind für den Autor kein existenzielles Problem, weil Subfast ein Nebengeschäft ist; das Hauptbusiness ist Formations-Verkauf. Er rät Entwicklern, nicht zu versuchen, alle Domänen zu sichern oder sich von Kopien entmutigen zu lassen, sondern mit Leidenschaft an eigenem Geschmack und echtem Produktwert zu arbeiten. KI beschleunigt bestehende Fähigkeiten — ist man schlecht, wird man schneller schlechter; ist man gut, wird man schneller besser.

  Erwähnte Tools/Kontext: Claude (für Landing-Page-Umformulierung), Subfast als Beispiel-SaaS mit KI-generiertem Content; Format: Meinung/Reflexion mit persönlichen Case-Studies.

MoureDev by Brais Moure (1 neues Video)

• Obsidian desde cero: Organiza tus ideas, apuntes y proyectos en un solo lugar
  2.4.2026, 18:11:14

  Zusammenfassung: Obsidian von Anfang an

  Obsidian ist eine Wissensmanagement-Anwendung, die als “zweites Gehirn” funktioniert – ein persönlicher Speicherort für Notizen, Ideen und Projekte, ähnlich wie Notion. Das Besondere: Alle Dateien sind lokal gespeichert und basieren auf Markdown, nicht auf proprietären Formaten. Das ermöglicht volle Kontrolle, Privatsphäre und plattformübergreifende Nutzung ohne Lock-in.

  Kernmerkmale:

  Die App ist kostenlos für Desktop (Windows, Mac, Linux) und Mobilgeräte (iOS, Android). Markdown ermöglicht einfache Formatierung (Überschriften mit #, Fettdruck mit **, Listen, Links, Bilder, Code, Tabellen, Aufgabenlisten).

  Zentrale Funktionen:

  • Verknüpfung von Notizen: Mit [[Notizname]] entstehen automatisch Verbindungen zwischen Dokumenten, die in der Graphen-Ansicht sichtbar werden.
  • Tags: Mit #Tag lassen sich Notizen kategorisieren und schnell durchsuchen.
  • Eigenschaften/Metadaten: YAML-Felder am Anfang einer Datei ermöglichen Zusatzinformationen wie Typ, Datum, Autor.
  • Datenbanken: Ein integriertes Plugin wandelt Notizen in datenbankähnliche Tabellen-, Karten- oder Listenansichten um – gefiltert nach Eigenschaften.
  • Canvas (Leinwand): Ein visuelles Board zum Anordnen von Notizen, Bildern und Dateien mit Verbindungslinien.
  • Vorlagen: Wiederverwendbare Strukturen für neue Notizen (z.B. Buchvorlage mit Feldern für Typ, Datum, Zusammenfassung).
  • Tägliche Notizen: Automatisches Erstellen von Tagebuch-Einträgen mit konfigurierbarem Format.
  • Community-Plugins: 2749 Erweiterungen wie Kalender-Widget oder Excalidraw (für Diagramme) integrieren weitere Funktionalität.

  Organisationsprinzipien:

  Dateien werden in Ordnern strukturiert (Vorschlag: Nummerierung wie 001_Aufgaben, 002_Projekte für bessere Sortierung). Eine “Vault” ist eine Ordnersammlung mit allen Notizen. Mehrere Vaults ermöglichen Trennung (privat/beruflich).

  Synchronisation: Kostenlos zwischen Geräten durch Cloud-Speicher (iCloud, Google Drive, Dropbox), kostenpflichtig durch Obsidians eigenem Sync-Service.

  Wichtiger Hinweis: Langsam starten, zuerst Markdown und Grundfunktionen üben, später Plugins und Vorlagen hinzufügen – sonst wird die Komplexität überwältigend.

  Video-Format: Tutorial mit Echtzeit-Demo im Obsidian-Interface; ohne explizite AI-Tools thematisiert – Schwerpunkt auf Funktionalität für Knowledge Management.

n8n (1 neues Video)

• 7 Steps to Automate Any Business With AI
  31.3.2026, 21:05:51

  Die 7 Schritte zur Automation von Geschäftsprozessen mit KI

  Dave Ebeler, der selbst seit 2013 im KI-Bereich tätig ist und eine spezialisierte Agentur betreibt, präsentiert einen strukturierten Prozess für die Automatisierung von Unternehmen mit KI und stellt dabei ein kontraintuives Prinzip voran: Die Agentur nutzt absichtlich so wenig KI wie möglich und setzt stattdessen auf regelbasierte Automationen, wo diese ausreichen.

  Die sieben Schritte im Überblick:

  1. Discovery: Durch Interviews und Beobachtung von Mitarbeitern (teilweise auch durch „Shadowing” im Büro) werden Pain Points identifiziert. Es geht nicht darum, was Kunden vorschlagen wollen, sondern was wirklich Probleme verursacht – repetitive Aufgaben, manuelle Fehler, Zeitverschwendung. Das Ergebnis ist eine priorisierte Backlog-Liste.
  1. Prioritisierung: Neben Auswirkungen werden Faktoren wie Komplexität, man-hours, Fehlerquoten und Zeit bis zur Behebung bewertet. Schnelle Siege werden identifiziert (z.B. Datenfluss zwischen zwei Systemen), um früh Erfolge zu zeigen. Die Business Case wird quantifiziert: Kosten des Status quo vs. Nutzen der Automatisierung.
  1. As-Is-Prozess abbilden: Der aktuelle Prozess wird detailliert visualisiert (z.B. mit Business Process Modeling Notation/BPMN) – oft werden dabei versteckte Nebenpfade, Edge Cases und Ausnahmen sichtbar, die Menschen „im Kopf” haben. Dies erfordert Zusammenarbeit mit allen Stakeholdern.
  1. To-Be-Prozess entwerfen: Eine Kopie des As-Is-Prozesses wird so umgestaltet, dass manuelle Schritte durch Automationen ersetzt werden. Dies offenbart oft neue Anforderungen und ermöglicht erneute Priorisierung der Bausteine.
  1. Prototyping und Proof of Concept: Hier wird tatsächlich gebaut – mit begrenztem Datensatz. Dies ist essentiell bei KI-Systemen, da ihre Zuverlässigkeit im Gegensatz zu deterministischer Software nicht garantiert ist. Das Ziel ist zu beweisen, dass die Lösung machbar ist, bevor in die vollständige Implementierung gegangen wird.
  1. Safeguards hinzufügen: Durch Testen mit realen (oder repräsentativen) Daten werden Fehlerfälle identifiziert. Beispiel: Bei Support-Tickets werden 80 % als „Wo ist meine Bestellung?” klassifiziert und können automatisiert werden; die anderen 20 % (z.B. Reklamationen) werden an Menschen eskaliert. Human-in-the-Loop-Prozesse und Monitoring-Metriken werden etabliert.
  1. Launch: Das System geht in Produktion mit klaren Erfolgsmetriken (z.B. Accuracy Rate bei automatisierten Tickets). Parallel werden schwierigere Prozesse schrittweise angegangen. Der Fokus liegt darauf, schnell Wert zu liefern und kontinuierlich zu verbessern.

  Kritische Erwartungshaltung: Dave betont, dass es mit KI nicht um 100 % Genauigkeit aus der Box geht, sondern eher um 70–80 %. Kunden müssen aktiv eingebunden bleiben – Feedback geben, Daten bereitstellen, Iterationen validieren. Mismatches entstehen, wenn Kunden denken, sie könnten „alles übergeben und es wird gelöst”. Je mehr KI im Mix, desto wichtiger ist diese Zusammenarbeit und desto kritischer ist es, realistische Timelines und Budgets zu setzen.

  Der Prozess betont durchgehend: Nicht mit den großen Ideen starten, sondern mit niedrigriskanten, internen Prozessen, die schnelle Siege ermöglichen und Vertrauen aufbauen.

  Deep-Dive-Meinung zu den sieben Phasen, mit Fokus auf die Vorarbeit vor dem Engineering; keine Tools wie n8n oder Claude wurden explizit genannt (nur erwähnt als Beispiele für Monitoring und Datenverwaltung).

Nate Herk | AI Automation (6 neues Videos)

• Ollama + Claude Code = 99% CHEAPER
  4.4.2026, 01:28:52

  Der Creator zeigt zwei Methoden, um Claude Code kostenlos oder deutlich günstiger zu nutzen: lokal mit Ollama und über OpenRouter.

  Grundkonzept: Claude Code ist die “Auto” (Harness), das LLM ist der “Motor”. Normalerweise nutzt man Anthropic’s Closed-Source-Modelle (Opus/Sonnet), wofür man bezahlt. Die Idee ist, den Motor zu wechseln – entweder zu lokal gehosteten Open-Source-Modellen oder zu kostenlosen Modellen über OpenRouter. Dabei werden Limits vermieden oder funktionieren anders.

  Warum nicht einfach Opus lokal nutzen? Open-Source-Modelle sind veröffentlicht und downloadbar; Closed-Source-Modelle (Opus, Sonnet) sind gesperrt und nur über APIs zugänglich – deshalb kostenpflichtig. Die Performance-Lücke zwischen beiden schrumpft jedoch: Gemäß SWE-Bench-Scores sind manche Open-Source-Modelle bereits besser als Claude Sonnet 3.7. Google’s Gemma 4 bietet dabei das beste Elo-Score-zu-Größe-Verhältnis und ist lokal ausführbar.

  Methode 1 – Lokal mit Ollama: Man lädt Ollama herunter, wählt ein Modell (z.B. Qwen 3.5, 9 Milliarden Parameter), führt ollama pull [modellname] aus und startet dann Claude Code damit via ollama launch claude. Die Anfragen sind dann lokal und kostenlos, aber deutlich langsamer. Problem: Kleinere Modelle können die Claude-Code-Tools nicht optimal nutzen (Kontext zu klein, fehlende Tool-Calls-Unterstützung). Mit erhöhtem Context-Limit funktioniert es besser. Für Cloud-Modelle über Ollama (z.B. MiniMax) kann man auch online trainierte Modelle nutzen – hier gibt es aber Pricing.

  Methode 2 – OpenRouter: Man erstellt einen Account, lädt 5–10 Dollar auf (für Ratelimit-Erhöhung auf 1000 statt 50 Anfragen/Tag) und nutzt kostenlose Modelle von dort. Wichtig: In settings.local.json müssen die API-Endpunkte zu OpenRouter zeigen und der OpenRouter API-Key statt des Anthropic-Keys verwendet werden. Dazu müssen auch die Modellvariablen für alle Tiers (Opus, Sonnet, Haiku) auf Free-Modelle eingestellt werden – sonst zieht Claude Code weiterhin kostenpflichtige Anthropic-Modelle für kleine Tasks. Mit dieser Methode kostet’s effektiv 50–100x weniger statt komplett gratis.

  Anwendungsfälle für Open-Source-Modelle: Low-Stakes-Tasks (Dateien zusammenfassen, Codebasis durchsuchen, boilerplate generieren), Research und Datenerfassung, Kategorisierung, einfache Tests und Code-Reviews. Nicht geeignet für hochkritische Arbeiten – hier sollte man Opus/Sonnet nutzen. Auch gut, wenn Claude ausfällt oder man das Rate-Limit erreicht hat.

  Warnung: Es gibt kein echtes “kostenlos” – entweder braucht man Hardware für lokale Modelle oder man zahlt für Cloud-Hosting/Subscriptions. Kleinere Open-Source-Modelle sind langsam und können Web-Search-Tools nicht nativ nutzen. Context-Management ist wichtig, da Open-Source-Modelle kleinere Context-Fenster haben als Opus (1 Million Tokens).

  Demo zeigt: Qwen 3.5 lokal dauert ~4 Minuten für einfache Abfragen. MiniMax über Ollama-Cloud ist deutlich schneller und zuverlässiger. OpenRouter mit Qwen 3.6 funktioniert tadellos für viele Tasks, schlägt aber bei Web-Suche ohne natives Tool-Support fehl.

  Explizit erwähnt: Claude Code, Ollama, OpenRouter, Anthropic (Opus/Sonnet/Haiku), Google Gemma 4, Qwen-Modelle, MiniMax, SWE-Bench. — Tutorial/Anleitung.

• 18 Claude Code Token Hacks in 18 Minutes
  2.4.2026, 01:46:58

  18 Claude Code Token Hacks

  Das Video behandelt 18 Strategien zur Optimierung der Token-Nutzung in Claude Code, organisiert in drei Schwierigkeitsstufen.

  Grundverständnis: Claude lädt bei jeder Nachricht die gesamte Gesprächshistorie neu – nicht linear addierend, sondern exponentiell wachsend. Nach 30 Nachrichten können bereits ~250.000 kumulative Tokens verbraucht sein, wobei 98,5% davon nur für das Neueinlesen der Gesprächshistorie anfallen. Zusätzlich laden auch Cloud.md, MCP-Server, Systemprompts und Dateien bei jeder Nachricht neu. Ein aufgeblähter Kontext kostet nicht nur mehr, sondern führt auch zu schlechterer Output-Qualität (Loss-in-the-Middle-Phänomen).

  Tier 1 (9 Hacks): Neue Conversations für unverbundene Aufgaben starten; MCP-Server trennen, wenn nicht genutzt (können ~18.000 Tokens pro Nachricht kosten); mehrere Prompts in eine Nachricht batchen; Plan Mode vor echten Aufgaben nutzen (um falsche Pfade zu vermeiden); /context und /cost ausführen für Sichtbarkeit; Terminal-Statusline einrichten; Dashboard offen halten; präzise beim Paste-Verhalten sein (nicht ganze Dateien wenn nur eine Funktion nötig ist); Claude Code während des Laufs beobachten, um falsche Pfade früh zu erkennen.

  Tier 2 (5 Hacks): Cloud.md unter 200 Zeilen halten und als Indes-Datei strukturieren; Dateiverweis präzise adressieren statt ganzer Repos; bei ~60% Kontext-Kapazität manuell mit /compact arbeiten (nicht bei 95% warten); nicht länger als 5 Minuten pausieren ohne /compact oder /clear, da der Prompt-Cache sonst verfällt; Shell-Command-Output begrenzen und Befehle bewusst einsetzen.

  Tier 3 (4 Hacks + Bonus): Richtige Modelle wählen – Sonnet als Standard, Haiku für Sub-Agents, Opus nur für tiefe Architektur-Planung; Sub-Agents verstehen – sie benötigen 7–10x mehr Tokens als Standard-Sessions, da jede Instanz vollständigen Kontext lädt; Peak Hours strategisch nutzen (8am–2pm Eastern time Wochentags = höherer Drain, off-peak = effizienter); Cloud.md als sich selbst aktualisierendes System konzipieren – stabile Architektur-Entscheidungen und Lernpunkte speichern statt Gesprächsverläufe wiederholen.

  Mindset: Token-Verbrauch ist kein Problem des Plans, sondern der Kontext-Hygiene. Hitting the limit ist eigentlich positiv – es zeigt intensive Nutzung und Produktivität. Die Balance zwischen Qualität und Kosten muss individuell ausgespielt werden.

  Demo/Praktische Tools: /context (zeigt Token-Verteilung), /cost (Spend-Tracking), /compact, /clear, Status-Line im Terminal, Code Experts Plugin für Reviews ohne Claude-Tokens.

  Claude, Tour durch Token-Management und strukturelle Best Practices — Tutorial/Deep-Dive.

• Claude Code Just Gave Everyone Virtual Pets (April Fools?)
  1.4.2026, 14:00:54

  Zusammenfassung: Claude Code Virtual Pets Feature

  Claude Code hat am 1. April ein neues /buddy-Feature eingeführt – ein Tamagotchi-ähnliches Virtual-Pet-System, das direkt im Terminal während des Codierens läuft. Nutzer können mit /buddy einen Begleiter-Pet ausbrüten, der eine zufällige Species (Ente, Katze, Drache, Schildkröte, Ghost, Robot etc.), Seltenheitsstufe (Common 60%, Uncommon 25%, Rare 10%, Epic 4%, Legendary 1%) und einen generierten Namen erhält. Jedes Pet hat fünf Stats (Debugging Patience, Chaos, Wisdom, Snark), die auf der eigenen Coding-Historie basieren, sowie eine beschreibende Personalisierung. Das Pet ist permanent an die User-ID gekoppelt – es gibt nur eines pro Account, das sich regeneriert.

  Der Buddy kommentiert gelegentlich im Terminal via Chat-Bubble die Coding-Arbeit und kann direkt angesprochen werden. Mit /buddy pet kann man Herzen um das Pet spawnen, mit /buddy off schaltet man es aus. Das System hat keine funktionalen Auswirkungen auf die Coding-Leistung oder Token-Nutzung und ist rein dekorativ. Seltene und epische Pets können Accessoires wie Kronen, Hüte oder Propeller tragen sowie unterschiedliche Augenvariationen haben. Das Feature funktioniert nur im Terminal von Claude Code (Version 2.1.89+), nicht in der regulären VS-Code-Extension.

  Claude Code (Anthropic) ist das behandelte Tool; Format: Demo mit Erklär-Elementen, zielgruppenfreundlich und durchschnittliche technische Tiefe.

• Claude Code Source Code Just Leaked… 8 Things You Must Do
  1.4.2026, 02:01:27

  Claude Code wurde durch die Veröffentlichung seines Quellcodes (2.000 Dateien, über 500.000 Codezeilen) nach einem Security-Leak bekannt. Das Video legt dar, wie Nutzer Claude Code wesentlich effektiver einsetzen können, basierend auf Erkenntnissen aus diesem Codebase.

  Die acht wichtigsten Erkenntnisse sind:

  1. Claude Code ist keine Chatbot-App – Es ist eine vollständige Agent-Runtime mit Tool-System, Command-System, Memory-System, Permission-Engine, Task-Manager und Multi-Agent-Coordinator. Die meisten Nutzer nutzen nur etwa 10% der Funktionalität.
  1. 85 Slash-Commands existieren – Besonders relevant sind /init (Projekt-Context setzen), /plan (Planning statt direktes Ausführen), /compact (Token/Kosten sparen durch Gesprächs-Komprimierung), /review und /security (strukturierte Code-Reviews), /context (Dateien-Verwaltung), /cost (Ausgaben-Übersicht), /resume und /summary (Session-Fortsetzung). Power-User kennen diese Commands, Standard-Nutzer nur etwa 5.
  1. Cloud.md ist kritisch – Diese Datei ist nicht Dokumentation, sondern Betriebskontext für Claude Code. Sie sollte kurz, prägnant und operativ sein (z.B. TypeScript strict mode, Test-Struktur, Konventionen). Sie wird bei jeder Session injiziert und beeinflusst künftiges Verhalten massiv.
  1. Permission-System beugt Langsam-Gefühl vor – Statt bessere Prompts zu schreiben, können Wildcard-Permissions gesetzt werden (z.B. “erlaube alle Git-Commands” oder “erlaube alle Edits in /src”). Dies eliminiert ständiges Fragen und ermöglicht echte Agent-Autonomie.
  1. Multi-Agent-Architektur ist eingebaut – Der Codebase zeigt Coordinator-Subsystem, Agent-Tools und Task-System für parallele Arbeit. Praktisch bedeutet das: komplexe Anfragen in sequenzielle oder parallele Schritte zerlegen, nicht als massiven Monolith-Prompt.
  1. MCP-Plugins und Skills sind die echte Erweiterungsebene – Claude Code ist sowohl MCP-Client als auch MCP-Server. Es können externe Tools, Datenbanken, APIs und interne Systeme angebunden werden – das eigentliche Power kommt aus den angeschlossenen Ökosystemen, nicht nur aus dem Tool selbst.
  1. Ungefragte Features warten – Feature-Flags im Code deuten auf interne/experimentelle Funktionen hin: Voice-Modus, Daemon-Mode, Coordinator-Mode. Diese rollen wahrscheinlich später aus; Nutzer sollten Updates verfolgen.
  1. Top 1%-Nutzer designen die Betriebsumgebung – Das Geheimnis ist nicht bessere Prompting, sondern: (1) Cloud.md als Force-Multiplier nutzen, (2) Command-Service lernen, (3) Permissions für Routinen konfigurieren, (4) Komplexe Arbeit zerlegen statt Monolith-Prompts, (5) Context wie Geld managen (/compact, /context), (6) Tools/MCP anbinden, (7) als Infrastruktur-Layer behandeln (Model-Routing, Backend-Auswahl, Privacy-Controls tunen).

  Das Video behandelt Claude Code / Anthropic mit Deep-Dive-Fokus auf Architektur-Erkenntnisse aus dem geleakten Codebase – Meinung/Reflexion kombiniert mit praktischen Use-Cases.

• Codex Just 10x’d Claude Code Projects
  31.3.2026, 01:55:08

  Zusammenfassung: Codex Just 10x’d Claude Code Projects

  OpenAI hat ein offizielles Codex-Plugin für Cloud Code (Claude Code) veröffentlicht, das die Integration beider Tools vereinfacht. Der Creator vergleicht die beiden Modelle anhand von Benchmarks und echten Erfahrungen: Opus (Claude) führt beim SWE-Bench leicht, während GPT-5.4 (Codex) bei den meisten anderen Coding-Benchmarks 10–13 Punkte Vorsprung hat und deutlich günstiger ist.

  Die Stärken ergänzen sich aber: Claude über-engineert teilweise und ist token-hungrig, kann aber bei der Planung und Ideenfindung besser sein; Codex ist effizienter bei der Ausführung und beim Code-Review, kann aber rigider sein. Der Workflow vieler Nutzer auf X ist daher: Cloud Code für Planung und POC, dann Codex für Execution und Production-Push sowie Code-Reviews. Das Plugin wird über drei Terminal-Befehle installiert und bietet verschiedene Skills wie Review (Standard-Review), Adversarial Review (drückt Design-Entscheidungen auf den Prüfstand) und andere Funktionen.

  In der Live-Demo erstellt der Creator ein Dungeon-Crawler-Spiel mit identischem Prompt auf beiden Modellen: Opus findet schneller fertig, liefert aber visuell weniger polished Ergebnisse; Codex produziert auf den ersten Blick bessere UI, braucht aber länger. Der Adversarial Review von Codex identifiziert dann echte Bugs im Opus-Code (softlock-Fehler durch fehlende Aufwärts-Reise-Mechanik), die der Creator dann in Opus einbaut – ein starkes Kombinations-Beispiel. Der Creator empfiehlt, selbst zu testen, welches Modell sich besser anfühlt, und flexibel zwischen ihnen zu wechseln je nach Use-Case.

  Claude/Opus und OpenAI GPT-5.4 (Codex) werden als konkrete AI-Code-Assistenten verglichen; Demo des Codex-Cloud-Code-Plugins mit realen Spielbau-Beispielen.

• I’ve Built 500 AI Workflows, This is What Businesses Want in 2026
  30.3.2026, 12:35:12

  Die fünf profitabelsten AI-Workflows für 2026

  Nach dem Aufbau von Hunderten von AI-Workflows für echte Kunden hat der Autor festgestellt, dass Unternehmen nicht die komplexen, technisch ausgefeilten Lösungen wollen, die online gehyped werden – sondern fünf spezifische, simple Automationen, die messbar Zeit und Geld sparen oder Fehler reduzieren.

  Speed-to-Lead (Schnelle Reaktion): Wenn ein Prospect ein Formular ausfüllt oder anruft, startet eine Uhr. Unternehmen, die innerhalb von 5 Minuten antworten, konvertieren 10x besser als die, die 30 Minuten warten – doch der Durchschnitt antwortet erst nach 47 Stunden. Ein Automation erfasst Leads, qualifiziert sie nach Kriterien wie Budget oder Standort und leitet sie an die richtige Person weiter, während gleichzeitig eine personalisierte Nachricht versendet wird – alles in Sekunden. Service-Unternehmen (Zahnärzte, Anwaltskanzleien, Handwerksbetriebe, Immobilienmakler) zahlen gut dafür, weil die ROI-Rechnung unmittelbar sichtbar ist: Eine Zahnklinik mit 100 Leads/Monat und 12% Konversionsrate könnte bei 25% Konversionsrate 13 zusätzliche Patienten bei gleichem Werbebudget gewinnen.

  Document Processing (Dokumentenverarbeitung): Accountants, Versicherungen und Anwaltskanzleien verbringen Stunden damit, Informationen aus Rechnungen oder PDFs manuell in andere Systeme zu tippen. Ein Workflow extrahiert automatisch Vendor-Name, Betrag, Datum usw., prüft gegen Kontenrahmen und pusht bereinigte Daten weiter – reduziert die Bearbeitungszeit von 15 Minuten pro Dokument auf etwa 2 Minuten. Das spart über 70.000 Dollar jährlich in Arbeitskosten und reduziert Fehlerquoten, die dem Unternehmen Geld kosten. Oft braucht es nicht mal AI dafür, regelbasierte Logik reicht aus.

  Follow-up und Nurture Sequences: 80% der Sales erfordern mindestens fünf Follow-ups, aber die meisten Vertriebsteams stoppen nach ein oder zwei. Leads, die bereits ein Formular ausfüllt oder an einem Webinar teilgenommen haben, sind warm – eine automatisierte Sequenz kann ihnen personalisiert nachfolgen, ohne dass ein Mensch das manuell macht. Beispiel: Ein B2B-Consulting-Unternehmen stieg von 4% Konversionsrate bei manuellen Webinar-Follow-ups auf 10-12% mit Automation, was bei 20.000 Dollar durchschnittlicher Dealsize pro Webinar von 36.000 auf über 90.000 Dollar Umsatz bedeutet.

  Database Reactivation (Datenbankwiederaktivierung): Jedes etablierte Unternehmen sitzt auf einer Goldmine: alte Kunden, die churned sind, Newsletter-Abonner die nie kauften, Trial-User die verschwunden sind. Ein Workflow segmentiert diese Datenbank und sendet personalisierte Nachricht mit Referenz zu ihrer Historie. Ein Fitness-Studio mit 4.000 Kontakten könnte bei nur 2-3% Konversionsrate 80-130 Leute reaktivieren – bei 50 Dollar monatlich und 8 Monaten Retention sind das 32.000-48.000 Dollar Umsatz ohne neue Werbeausgaben. Agenturen, die sich spezialisieren, berichten von durchschnittlich 1.200% ROI in 60 Tagen.

  Internal Reporting und Status Notifications: Sales Manager ziehen wöchentlich Zahlen, Agency-Owner kompilieren KPI-Reports, Ops-Teams sammeln Status-Updates – alles manuell. Ein Workflow zieht Daten aus verschiedenen Systemen, führt Analysen durch und sendet tägliche Slack-Nachrichten mit gestrigen Verkaufszahlen oder wöchentliche E-Mails mit Client-Metriken. Beispiel: Ein Workflow konvertierte täglich Telefonbestellungen in das Textformat, das das Bauleiterteam ohnehin nutzte, sparte 45 Minuten täglich und vermied 12.000 Dollar monatlich Planungsfehler.

  Verkaufsstrategie: Verkaufe nicht die Automation, sondern das Business-Outcome – eingesparte Zeit, reduzierte Kosten, Fokus auf mehr Gewinn. Es gibt zwei Pfade: (1) Nische dich auf einen Prozess ein (z.B. nur Speed-to-Lead), werde der Experte, höhere Preise, bessere Case Studies; (2) Sei Consultant und identifiziere die echte Bottleneck im Business mittels der Frage „Was würde zuerst kaputtgehen, wenn morgen 500 neue Kunden kommen?” Das Geschäft ist eine Röhre mit Cashflow – zuerst die Verstopfung beheben, dann mehr Volumen durchpressen. Die fünf Workflows sind die häufigsten Verstopfungen.

  Explizit genannte Tools/Plattformen: Keine – das Video konzentriert sich auf konzeptuelle Workflows und deren Verkaufslogik, nicht auf spezifische Automation-Tools.

  Format: Meinung/Reflexion + praktischer Deep-Dive

NeuralNine (2 neues Videos)

• Agent Skills 101: Never Explain Twice Again…
  3.4.2026, 16:00:49

  Zusammenfassung: Agent Skills 101

  Skills sind Markdown-Dateien, die AI-Agenten spezifische Kontextinformationen zu wiederkehrenden Aufgaben bereitstellen, ohne jedes Mal neu erklären zu müssen. Im Gegensatz zu einer zentralen agents.md-Datei, die alle Projektinformationen enthält und den Context-Fenster belastet, werden Skills separat organisiert und nur geladen, wenn sie relevant sind.

  Die Struktur ist einfach: Im .claude/skills/-Verzeichnis (für Claude Code) erstellt man für jede Skill einen Ordner mit einer skill.md-Datei, die mit einem YAML-Header (Name, Beschreibung) beginnt und dann detaillierte Anweisungen enthält. Der Agent scannt die Skill-Namen und Beschreibungen, um zu entscheiden, welche Skill zu laden ist. Im Demo-Beispiel wird eine Skill erstellt, die beim Hinzufügen von Python-Packages nicht nur uv add nutzt, sondern automatisch auch uv python freeze in eine requirements.txt schreibt. Der Agent erkennt die Skill automatisch oder kann mit /skillname manuell aktiviert werden.

  Anthropic und OpenAI bieten vorgefertigte Skill-Repositories mit Best-Practice-Beispielen (z.B. PDF-Verarbeitung). Diese enthalten neben der skill.md häufig zusätzliche Dateien wie forms.md (Anweisungen für Spezialfälle) und Scripts, die der Agent aufrufen kann. Ein interessanter Anwendungsfall ist die LangChain-Skill, die den Agent anweist, immer die aktuelle Dokumentation zu konsultieren, statt veraltetes Code-Wissen zu nutzen – mit Limitierung auf fünf Web-Suchen, um Drift zu vermeiden. Die Claude-Code-Implementierung hatte Schwächen bei Web-Search-Fetches, während Open Code damit besser umging.

  Zusätzliche Features (aus der Dokumentation) sind Platzhalter wie $arguments und $cloud_session_id sowie Header-Optionen wie allow_tools oder disable_model_invocation.

  Claude (Anthropic) wurde als Haupttool demonstriert; auch Open Code (OpenAI) getestet; Format: Tutorial/Demo.

• OpenCode is so much better than the rest…
  30.3.2026, 16:01:06

  OpenCode – Terminal Agent mit umfangreichen Konfigurationsmöglichkeiten

  Das Video stellt OpenCode vor – einen open-source, communitygesteuerten agentic Terminal-Agent, ähnlich wie Claude Code oder Codeex, der sich durch eine besonders gute Terminal-Benutzeroberfläche auszeichnet.

  Grundlegendes Setup und Modelle:

  Nach der Installation startet man OpenCode und sieht ein Interface mit Kontext-Informationen (Token-Nutzung, Kosten). Man kann verschiedene Modelle nutzen – kostenlose Open-Code-Modelle, OpenAI-Abos oder API-Keys, Anthropic-APIs (nicht das Abo), Ollama lokal oder in der Cloud. Der Provider wird über Ctrl+A konfiguriert.

  Berechtigungssystem:

  Zentral ist die Möglichkeit, Berechtigungen granular zu steuern. Per opencode.json kann man konfigurieren: Jede Code-Änderung erfordert Genehmigung (edit: ask), und Bash-Befehle müssen freigegeben werden – außer man whitelisted einzelne wie ls (allow). Bei jeder Aktion wird man gefragt, kann einmalig oder dauerhaft erlauben oder ablehnen.

  Weitere Features:

  • Diff-View (Ctrl+F im Vollbildmodus): Zeigt GitHub-ähnliche Änderungen mit LSP-Integration (Linting, Refactoring).
  • Undo/Redo: Anders als Claude Code kann man nicht nur rückgängig machen, sondern auch wiederherstellen.
  • Message-Navigation (Ctrl+X+G): Sprünge zu früheren Nachrichten mit Optionen zum Forken (neue Session mit gleicher History), Kopieren oder Revert.
  • Sessionen (/sessions): Verwaltung mehrerer Gespräche.
  • Editor-Integration (Ctrl+X+E): Öffnet den Standard-Editor (z.B. Neovim) für komplexere Prompts.
  • Plan vs. Build Mode (Tab): Plan-Modus gibt nur Read-Only-Zugriff und erstellt einen Plan; Build-Modus setzt um.
  • Reasoning-Level (Ctrl+T): Umschaltung zwischen Low, Medium, High und Extra High.
  • Plugins: Einfaches Laden von NPM-basierten Community-Plugins wie dem Notifier-Plugin, die man in opencode.json unter einem plugins-Feld spezifiziert.
  • Ollama-Integration: Lokale Modelle lassen sich als neuer Provider definieren (Schema, Base-URL, Modellname).

  Praktisches Beispiel:

  Das Video zeigt eine To-Do-App (Flask mit HTML/CSS/JS), die automatisch erstellt wird, dann mit SQLite-Persistierung erweitert wird – jedesmal nach Bestätigung der Benutzer.

  Das Video behandelt explizit OpenCode (Open-Source-Agent), mit Vergleichen zu Claude Code und Codeex; OpenAI-Integration ist zentral. Das Format ist ein Tutorial/Demo mit praktischen Anwendungsbeispielen.

Nic Conley (1 neues Video)

• Claude Code – Full Tutorial for Beginners (2026)
  31.3.2026, 15:06:51

  Claude Code – Full Tutorial for Beginners (2026)

  Das Video ist eine vollständige Anleitung für Anfänger zum Erstellen einer Web-App mit Claude Code, ohne Programmierkenntnisse oder Terminalarbeit nötig zu machen.

  Grundsetup: Man lädt die kostenlose Claude Desktop-App herunter, wechselt vom Chat zum Code-Bereich und wählt einen lokalen Ordner aus, in dem Claude die generierten Dateien speichert. Der Nutzer sollte auf einen bezahlten Plan upgraden (20 Euro/Monat), um Web-Apps zu bauen.

  App-Entwicklung: Als Beispiel wird eine Stock-Tracking-App gebaut, die das kostenlose massive.com API nutzt. Man wählt das Claude-Modell (Opus 4.6 für beste Qualität, Sonnet 4.6 für sparsamen Token-Gebrauch), startet im Plan-Modus, damit Claude einen Bauplan erstellt, und gibt dann eine Prompt mit API-Dokumentation ein. Claude entwickelt die App eigenständig in wenigen Minuten – der Nutzer sieht live, wie viele Token verwendet werden und kann die Vorschau-Funktion nutzen, um das Ergebnis lokal zu testen.

  Deployment: Um die App ins Internet zu bringen, committed man sie zu GitHub (als kostenlose Backup und um Hosting zu ermöglichen), erstellt dort ein neues Repository und lässt Claude den Code hochladen. Dann verbindet man sein GitHub-Konto mit Hostinger (ab 2,99 Dollar/Monat mit Coupon), wählt eine Domain, und Hostinger deployt die App automatisch. Falls Fehler auftreten (z. B. falsche Node.js-Version), kann man Claude einfach die Fehlermeldung geben und es fixt das Problem – danach wird der Code neu zu GitHub gepusht und Hostinger deployt automatisch neu.

  Nachträgliche Änderungen: Man kann jederzeit zurück zu Claude Code gehen, neue Features anfordern oder das Design ändern. Jede Änderung wird zu GitHub committed, Hostinger erkennt das automatisch und aktualisiert die Live-App.

  Das Video zeigt Claude Code, Hostinger und GitHub in einer praktischen End-to-End-Demo – Tutorial, anfängerniveaus.

Nick Saraev (1 neues Video)

• Paperclip Sucks, Actually
  29.3.2026, 16:28:16

  Der Autor kritisiert Agent-Frameworks wie Paperclip scharf als leere Versprechen, die vor allem der Engagement-Maximierung auf Social Media dienen. Seine Kernkritik: Diese Tools organisieren Agenten nach klassischen hierarchischen Unternehmensstrukturen, obwohl dafür kein funktionaler Grund besteht – und viele Showcase-Beispiele zeigen nicht echte Geschäftsergebnisse, sondern nur Agenten, die andere Agenten managen oder in endlosen Metaprozessen steckenbleiben (SEO-Audits in Tasks umwandeln, Dashboards verbessern, um Dashboards zu verbessern).

  Der Hauptpunkt: Clients und Kunden interessiert nicht das technische Setup, sondern nur das Endergebnis. Wer tatsächlich Geld verdient, verlässt sich nicht auf komplexe Agent-Swarms, sondern auf fundamentale Arbeit – der Autor vergleicht es damit, dass geniale Menschen für ihre Produktivität nur Apple Notes brauchen, während mittelmäßige Menschen sich in Tools verlaufen. Seine These zur besseren KI-Organisation: AI-Systeme sind stark parallelisierbar und sollten völlig anders strukturiert sein als Menschenunternehmen – etwa indem 50 parallele Agenten dasselbe erstellen und die Ergebnisse dann synthetisiert werden – statt hierarchisch zu delegieren wie bei Menschen.

  Am Ende warnt er vor dem Hype-Cycle selbst: Das ist dieselbe Dynamik wie bei N8N-Agenten vor 2,5 Jahren – viel Motion, wenig Movement.

  Thematisiert: Paperclip (Open Source), Claude, N8N; Format: Meinung/Reflexion mit Deep-Dive in KI-Organisationstheorie.

Niklas Steenfatt (1 neues Video)

• 100 Stunden OpenClaw in 19 Minuten
  3.4.2026, 21:10:51

  OpenClaw in 19 Minuten – Kompakter Überblick

  OpenClaw ist keine KI selbst, sondern eine Brücke zwischen Sprachmodellen (wie Opus 4.6) und der restlichen Welt. Das Tool nutzt als Basis ein LLM als “Gehirn”, speichert Gedächtnis in Markdown-Dateien, arbeitet über Heartbeats (Herzschläge alle 30 Minuten), die es proaktiv agieren lassen, und hat Zugriff auf externe Tools sowie potentiell den Rechner.

  Installation & Hosting: Drei Optionen – lokal auf dem Laptop (kostenlos, aber unpraktisch), auf einem ständig erreichbaren Linux-Server per Docker (für Informatiker), oder Managed OpenClaw (vom Provider verwaltet, ohne Adminaufwand). Die Wahl der KI ist flexibel: Opus 4.6 als stärkstes Modell, oder kostengünstiger Claude Sonnet 4.6.

  Wichtige Markdown-Dateien im Workspace: Die Soul.md definiert den Charakter des Agenten (“You are not a chatbot. You become someone”), User.md speichert persönliche Informationen, Tools.md enthält API-Keys und technische Parameter, Memory.md sammelt allgemeine Regeln und Ziele, das Tagebuch dokumentiert tägliche Aktivitäten, und Agents.md erklärt dem Modell seine Aufgaben.

  Herzschlag und Cronjobs: Cronjobs triggern wiederkehrende Aufgaben zu festen Zeiten (z.B. tägliche Briefings). Heartbeats alle 30 Minuten sind entscheidend – OpenClaw wird dadurch vom reaktiven Chatbot zum proaktiven 24/7-Mitarbeiter, der in der Heartbeat.md festgelegte Aufgaben selbstständig ausführt (Website-Monitoring, Tagebuch-Sync etc.).

  Reverse Prompting: Anstatt selbst zu sagen “hilf mir mit X”, fragt man den Agenten: “Wie kannst du mir basierend auf allem, das du über mich weißt, Mehrwert schaffen?” Der Agent lernt dabei das Profil des Nutzers immer besser kennen.

  Skills und Internet-Zugriff: Skills sind nur Markdown-Dateien mit Dokumentation zu APIs – nicht mehr. Sie sind praktisch als Gedächtnisstütze, damit OpenClaw nicht ständig neu recherchieren muss. Zur Web-Suche nutzt OpenClaw standardmäßig Brave Search API (kostenlos mit Limits) oder alternativ Perplexity per API.

  Sicherheit: Die Hauptgefahren sind Prompt Injection (besonders bei Open-Source-Modellen) und Nutzer-Fehler (falsche Befehle können E-Mails löschen oder peinliche Nachrichten senden). Best Practice: Agenten nur minimale nötige Rechte geben, wie mit einem unbekannten neuen Mitarbeiter umgehen.

  Fehlerbehandlung: Bei Problemen hilft oft eine neue Session (Slash-Befehl), der Restart im Panel oder einfach eine zweite OpenClaw-Instanz, die die erste debuggt.

  Demo & praktische Tipps: Der Creator zeigt sein Setup auf einem Hostinger VPS, wo Dateien im Datei-Explorer einsehbar sind. Regelmäßige Updates sind wichtig. Man kann Markdown-Dateien zwischen Instanzen transferieren und behält damit die “Persönlichkeit”.

  Der Clou von OpenClaw: Jede Session ist für den Agenten wie ein Neustart (Memento-Effekt), weswegen präzise Markdown-Notizen zentral sind. Mit der Zeit entsteht echte Zusammenarbeit zwischen Mensch und Agent.

  Tools/Anbieter erwähnt: OpenClaw (Open-Source), Claude Opus 4.6 und Sonnet (Anthropic), ChatGPT (OpenAI), Ollama, Hosted auf Hostinger, Brave Search API, Perplexity API, n8n (in anderem Video), Trello Skill-Beispiel — Deep-Dive / Tutorial-Hybrid, fortgeschrittenes technisches Niveau.

No Priors: AI, Machine Learning, Tech, & Startups (1 neues Video)

• AI for Atoms: How Periodic Labs is Revolutionizing Materials Engineering with Co-Founder Liam Fedus
  3.4.2026, 10:00:41

  Liam Fedus, Co-Creator von ChatGPT und ehemaliger VP of Post-Training bei OpenAI, spricht über Periodic Labs, sein neues Unternehmen, das AI-Foundationmodelle für Materialwissenschaften entwickelt. Seine Karriere begann als Physik-Major mit Forschung zu dunkler Materie, führte ihn über Google Brain (2016–2017, Ära von Transformer und verteiltem Training) zu OpenAI, wo er an der Produktionalisierung von GPT-4 und der Entwicklung von ChatGPT arbeitete.

  Fedus erklärt, dass die Verbindung von AI mit der physischen Welt notwendig ist, um wissenschaftliche Beschleunigung zu erreichen – die Technologie von 2022 war noch zu schwach, aber verbesserte Modelle, Reasoning, Test-Time-Inference und Coding-Agents machten dies möglich. Periodic kombiniert Sprachmodelle als Orchestrierungsschicht mit spezialisierten, symmetriebewussten neuronalen Netzen für atomare Systeme. Das Unternehmen nutzt eine Kombination aus Open-Source- und Closed-Source-Modellen (z.B. Codex für Coding) und setzt auf iterative Closed-Loop-Systeme: experimentelle Daten werden gegen Simulationen und Literatur geprüft, um die nächsten Experimente zu informieren.

  Zur Datenfrage: Periodic nutzt bereits Milliarden von Tokens aus Open-Source-Modellen als Grundprior, zeigt aber hohe Sample-Efficiency bei spezifischen chemischen Räumen. Ein kritisches Problem in der Literatur ist Datenvariabilität über Größenordnungen – experimentelle Daten bieten Ground Truth. Die Generalisierung ist begrenzt: Systeme, die Quantenmechanik modellieren, helfen nicht automatisch bei Fluiddynamik.

  Fedus betont die Multidisziplinarität des Teams (Physiker, Chemiker, Top-AI-Forscher, Ingenieure) als Kernstärke und vergleicht das Feld mit frühen Google-Brain-Tagen – bald wird massivere Automatisierung und Skalierung möglich sein. Er sieht Periodic als „Intelligence Layer” für Unternehmen, die mit der physischen Welt arbeiten, und denkt über ein Discovery-Modell ähnlich wie in Biotech nach.

  Zur AGI/ASI-Frage: Fedus kritisiert die Vorstellung von Intelligenz als einfaches Skalar; Systeme zeigen „Spikiness” – können in einem Bereich weltklasse sein, aber bei Perturbationen stark degradieren. Selbstverbesserung ist domänenspezifisch: Im Software-Engineering passiert es „jetzt schon” (unit-Tests sind verifiable, schnell prüfbar), in AI-Research langsamer (GPU-intensive Experimente). Die Verbindung zur physischen Welt ist entscheidend – nur geschlossene Schleifen gegen reale Domains ermöglichen echte Verbesserung.

  Robotik ist ein großer Accelerator, aber nicht zwingend – hybride Systeme mit Menschen und zuverlässiger Automation liefern bereits hochwertige Daten. Off-the-shelf-Robotik reicht vorerst, aber bessere Systeme werden die Skalierung massiv beschleunigen. Fedus ist außerdem excited über das Schnittstellen-Potenzial von AI mit der physischen Welt insgesamt – Robotik, Kontrolle, Agency – angesichts globaler Arbeitskräftemängel im physischen Sektor.

  Explizit erwähnte AI-Tools: OpenAI, Google Brain, ChatGPT, GPT-4, Codex; Format: Live-Q&A/Interview (Deep-Dive), gerichtet auf ein technisch versiertes Publikum.

Productive Dude

Keine neuen Videos in diesem Zeitraum.

Sebastien Dubois (3 neues Videos)

• The 8 Levels of AI Use. Time to level up!
  5.4.2026, 03:00:01

  Zusammenfassung: The 8 Levels of AI Use

  Der Speaker präsentiert acht Stufen der AI-Nutzung, basierend auf Überlegungen von Steve Yagi, einem bekannten Programmierer:

  Level 1–2: Grundlagen wie ChatGPT einfach nutzen oder einen Coding-Agent in die IDE integrieren – man stellt Fragen und erhält Antworten (Einzelroundtrip).

  Level 3: Dem AI volle Berechtigungen geben (read/write/modify) ohne um Erlaubnis zu fragen.

  Level 4: Nicht mehr jeden Change überprüfen, sondern der Agent-Aktivität vertrauen und nur auf die Richtung achten statt Details zu kontrollieren.

  Level 5: Tools wie Cline oder Codeex nutzen – man beschreibt Tasks im Terminal, der Agent arbeitet selbstständig ab.

  Level 6–7: Mehrere Agents parallel laufen lassen (verschiedene Terminals für verschiedene Tasks). Ab Level 7 wird man selbst zur Engstelle, weil man auf Agents warten und sie koordinieren muss.

  Level 8: Ein Orchestrator (wie das erwähnte Gaston) bauen oder nutzen – nicht mehr 1 oder 10 Agents, sondern 100+ managen. Dadurch können Agents (Video-Editor, Coder, QA etc.) parallel arbeiten und sich gegenseitig Tasks zuweisen.

  Der Speaker betont jedoch, dass diese Abstufung unvollständig ist. Die zweite, oft ignorierte Dimension sei Kontextmanagement: Je mehr strukturierte Information (Goals, Prozesse, Notizen in Tools wie Obsidian) man dem AI bereitstellt, desto bessere Outputs erhält man. Wer sein eigenes Wissen organisiert hat, kann dieses kontextuell dem AI zuführen – etwa bei Artikel-Drafts durch Referenzen zu Schreibstil, Ideen und Wissensbasis – und erzielt damit deutlich höhere Qualität als durch blinde Fragen ohne Kontext.

  Steven Yagi, die Tools Gaston, Cline und Codeex wurden erwähnt; dies ist eine Meinung/Reflexion mit praktischem Deep-Dive-Charakter.

• I Built an Obsidian Plugin to Convert Handwritten Notes to Markdown ✍️
  3.4.2026, 15:31:51

  Der Creator hat ein Obsidian-Plugin namens Transcriber entwickelt, das handgeschriebene Notizen aus Bildern in Markdown umwandelt. Das Plugin nutzt lokal laufende KI-Modelle (über Ollama), um die Konvertierung durchzuführen – das bedeutet, die Daten verlassen den Computer nicht.

  Das Workflow-System funktioniert in zwei Stufen: Zunächst werden Notizbücher als Bilder in den Obsidian-Vault importiert (was in einem vorherigen Video gezeigt wurde). Im zweiten Schritt nutzt das Transcriber-Plugin ein lokales Vision-Modell – der Creator demonstriert das GLM OCR Modell – um diese Bilder zu Markdown zu konvertieren. Ollama muss dafür separat installiert und konfiguriert werden; nach Installation lädt man sich über das Plugin die gewünschten Modelle herunter.

  In den Plugin-Einstellungen ist ein Prompt enthalten, der der KI mitteilt, wie die Konvertierung erfolgen soll: Obsidian-Flavored Markdown, Erhaltung aller Texte, originale Dokumentstruktur, genaue Transkription von handgeschriebenem Text, und für Diagramme die Konvertierung in Mermaid-Syntax (was Obsidian nativ unterstützt). Der Prompt lässt sich anpassen, ebenso können mehrere Modelle parallel installiert werden.

  In der Demo wird gezeigt, dass beim ersten Durchlauf das Modell in den Speicher geladen werden muss (dauert länger), danach bleibt es etwa 4 Minuten im RAM und folgende Konvertierungen laufen schneller ab. Die Erkennung ist nicht perfekt, aber der Creator beschreibt das Ergebnis als zeitsparend und effizient. Das Plugin bietet auch die Option, alle Bilder in einem Ordner auf einmal zu transkribieren. Am Ende zeigt der Creator, wie die Integration mit Remarkable-Notizbüchern funktioniert, um frische handgeschriebene Notizen direkt zu synchronisieren und dann zu konvertieren.

  Das Video thematisiert lokale KI-Modelle (Ollama, GLM OCR) und das Obsidian-Ecosystem – es ist eine Demo mit Tutorial-Elementen.

• I Built an Obsidian Plugin to Sync My reMarkable Notes 📝
  30.3.2026, 18:43:34

  Der Creator hat ein Obsidian-Plugin entwickelt, das die Synchronisation von Notizen vom reMarkable-Tablet in den Obsidian-Vault ermöglicht. Das Plugin funktioniert mit zwei Cloud-Optionen: der offiziellen reMarkable Cloud oder RM Fake Cloud, einer selbst gehosteten Alternative, die man beispielsweise in Docker auf NAS oder Computer installieren kann.

  Das Plugin lädt alle Notizbücher herunter und speichert sie als Bilder im Vault. Der Creator demonstriert die Installation und Funktionen: Nach dem manuellen Installieren erhält man verschiedene Befehle (Notebooks auflisten, synchronisieren, RM-Dateien importieren) und ein Panel, das alle verfügbaren Notizbücher anzeigt. In den Einstellungen konfiguriert man die Server-Verbindung, den Speicherordner und das Bildformat (hier PNG). Der Creator nutzt selbst RM Fake Cloud auf einer lokalen Maschine, da die offizielle Lösung seiner Meinung nach zu viele Einschränkungen hat und kostenpflichtig ist. Nach der Synchronisation eines Notebooks erscheinen alle handschriftlichen Seiten als Bilder im Vault. Der nächste Schritt — die Konvertierung dieser Bilder zu Markdown-Text — soll in einem separaten Video behandelt werden.

  Demo eines selbstentwickelten Obsidian-Plugins für eine Nischenfunktion.

Simone Rizzo (2 neues Videos)

• Ho rifatto OpenClaw… ed è stato troppo facile
  2.4.2026, 15:00:51

  Der Entwickler baut in diesem Video “Rizzo Clone” – eine eigenständige Nachbildung von OpenClaw – mit dem Framework Agno und zeigt dabei, wie einfach es ist, einen KI-Agenten zu erstellen.

  Architektur und Setup: Das System besteht aus einer Chat-Komponente (Telegram-Integration), einer Agent Loop für 24/7-Verfügbarkeit, Tool-Unterstützung, Skills und persistentem Speicher. Als Framework nutzt er Agno – ein Python-basiertes, open-source Multiagent-System, das modellunabhängig ist, alle gängigen LLMs unterstützt und laut eigener Aussage 529x schneller als LangGraph ist.

  Entwicklungsprozess: Der Autor verwendet Claude Opus als Coding-Agent, um den Großteil des Codes generieren zu lassen. Er startet mit einem Telegram-Bot (über BotFather), erstellt das Grundgerüst und integriert dann schrittweise:

  • OpenAI-Integration für die Agenten-Antworten
  • Audio-Upload und Transkription
  • SQLite-basierte Chat-Historie (lokal, keine Cloud)
  • Memory Manager zur Speicherung von Benutzervorlieben (dynamische Gedächtnisfunktion)
  • Datei-Handling (CSV, PDF, Bilder) mit Telegram-Versand
  • Web-Search-Tool, File-Tools, Python- und Shell-Zugriff
  • Skills (DocX, PDF, PowerPoint, XLSX) für erweiterte Verarbeitung

  Praktische Tests: Der Agent liest Tabellen aus Bildern, erstellt Infografiken via Python-Code, führt Datenanalysen durch, generiert PDF-Reports mit eingebetteten Grafiken und sendet alles über Telegram zurück – alles mit persistentem Speicher, der Nutzerpräferenzen lernt.

  Fazit: Der Autor demonstriert, dass OpenClaw-ähnliche Agenten mit modernen Frameworks und KI-Coding-Assistenten relativ trivial nachzubauen sind – die Komplexität liegt weniger in der Technologie als im konzeptionellen Verständnis der Architektur.

  Demo mit Claude Opus als Coding-Agent über Agno-Framework – Schwerpunkt auf praktische Umsetzung, nicht auf technische Tiefe.

• Vibe Design è il futuro? Provo Google Stitch + Claude Code
  30.3.2026, 15:15:00

  Der Creator testet Google Stitch, das nun ein Update mit „Vibe Design” erhalten hat – eine Funktion, die es ermöglicht, über Text-Prompts Web-, Mobile- und Poster-Designs zu erstellen und interaktive Prototypen zu bauen, ohne Code zu schreiben.

  Workflow mit Google Stitch:

  Das Tool analysiert eingefügte URLs oder Screenshots (hier: eine eigene Website), extrahiert automatisch Farbpalette, Fonts und Seitenstruktur als Design System, und rekonstruiert das Design. Designer können Varianten generieren lassen und Designs in verschiedenen Viewports (Mobile, Tablet, Desktop) previewed werden. Das Tool erlaubt manuelle Editionen einzelner Elemente sowie Export zu Adobe Studio, Figma, Jules, ZIP oder Code/MCP.

  Praxis-Demo – Roommate-Finder-App:

  Der Creator erstellt von Grund auf eine „Tinder der Mitbewohner”, komplett ohne Coding: Roommate Discovery (Profile durchswischen mit Budget/Gebiet/Vorlieben), Matches, Chat und Profile. Mit „Connect and Preview with Instant Prototypes” werden Buttons automatisch verlinkt und interaktiv. Fehlende Screens (Match-Bestätigung, Skip-Bestätigung, Notifications) lassen sich durch einfaches Klicken auf Buttons generieren, ohne Prompts zu schreiben.

  Export und Integration mit Claude Code (MCP):

  Das Projekt wird als ZIP mit Markdown-Dokumentation (Design-Token, Farben, Styles) exportiert. Via MCP-Server (Stitch-Integration) wird das Projekt in Claude Code geladen. Der Agent generiert dann eine vollständig funktionierende React-Web-App lokal (auf Localhost), die swipbar, chatbar und navigierbar ist – alles innerhalb von ~15 Minuten, ohne eine Zeile Code selbst zu schreiben.

  Fazit des Creators:

  Das Vibe Design macht Prototyping für Startup-Pitches bei Investoren drastisch einfacher: Anstatt Monate für UI/UX und Entwicklung, hat man eine Demo in Minuten. Die ernsthafte Entwicklung (Datenschutz, Authentifizierung, Datenbank) bleibt ein eigenes Kapitel, aber die initiale Validierung der Idee ist nun trivial geworden.

  Thematisierte Tools: Google Stitch, Claude Code (via MCP-Integration), Figma, Adobe Studio – Demo-Video zur Vibe-Design-Workflow.

Tech With Tim (7 neues Videos)

• Paperclip Is Insane – Full Tutorial
  4.4.2026, 13:00:45

  Zusammenfassung: Paperclip – Full Tutorial

  Das Video ist ein umfassendes Tutorial zur Open-Source-Plattform Paperclip, die es ermöglicht, mehrere autonome AI-Agenten als vollständig funktionierende “Unternehmen” zu orchestrieren. Der Creator hat damit 48 Stunden experimentiert und zeigt ein praktisches Setup mit fünf spezialisierten Agenten (CEO, Gründer-Engineer, Newsletter-Forscher, Reviewer, Writer), die untereinander kommunizieren und Aufgaben delegieren.

  Kernkonzept: Man definiert ein Unternehmensziel (z.B. Newsletter-Automatisierung), und der CEO-Agent koordiniert alles andere – er stellt weitere Agenten ein, delegiert Aufgaben, überprüft deren Arbeit und läuft regelmäßig (Heartbeat) ab, um proaktiv neue Aufgaben anzustoßen.

  Setup-Schritte: Installation erfolgt über Docker auf einem Virtual Private Server (Hostinger-One-Click-Deploy ab ~7 USD/Monat wird empfohlen, nicht auf eigenem Rechner wegen Sicherheits-/Verfügbarkeitsproblemen). Man verbindet entweder API-Schlüssel (OpenAI, Anthropic, Gemini) oder arbeitet über Subscriptions (Claude Code, Cursor Codex). SSH-Zugriff auf den Server ist nötig, um eine CLI-Authentifizierung vorzunehmen – das Video zeigt das am Beispiel von Claude Max.

  Wichtige UI-Elemente: Die Plattform nutzt ein Issue/Kanban-System statt Chat – man erstellt Tasks, weist sie dem CEO zu, und beobachtet deren Bearbeitung. Der “Inbox” zeigt Agent-Anfragen (z.B. “Hire approval”), “Goals” definieren die strategische Ausrichtung, “Org Chart” visualisiert die Agentenstruktur, “Dashboard” zeigt laufende Sessions. Kritische Optimierung: ausführliche System-Prompts für jeden Agenten schreiben (besonders für CEO), die konkrete Workflows, Checklisten und Proaktivität definieren – ohne gute Prompts bleibt es reaktiv statt autonom.

  Praktische Erkenntnisse: Der Creator erhielt in zwei Tagen aussagekräftige Output-Strukturen (GitHub-PRs, Analyse-Reports, neue Repos), muss aber selbst Issues erstellen und (noch) manuelle Interventionen durchführen. Das System funktioniert bei Feedback-Loops zwischen mehreren Agenten (Researcher → Drafter → Editor → Reviewer) besonders gut.

  Ressource: Das Video betont, dass dies völlig kostenlos und konfigurierbar ist, aber noch nicht völlig autonom läuft – künftig sollen AI-Unternehmens-Teams aber deutlich selbstständiger werden können.

  Technologien: Paperclip (Open-Source-Orchestrierungsplattform), Claude Code/Codex/Cursor als Agenten-Backend, Docker-Hosting.

  Format: Tutorial mit Live-Demo und Schritt-für-Schritt-Setup-Anleitung; für Anfänger anspruchsvoll (SSH, Docker, Prompt-Engineering erforderlich), aber umfassend dokumentiert.

• Learn Snowflake with ONE Project
  3.4.2026, 13:00:22

  Snowflake mit einem Projekt lernen

  Das Video zeigt den praktischen Einstieg in Snowflake durch den Bau eines KI-Agenten, der Fragen zur US-Wirtschaft beantwortet (z.B. aktuelle Arbeitslosenquote, Inflationstrends).

  Was ist Snowflake: Eine Cloud-Dataplattform, die traditionell separate Systeme vereint – Datenspeicherung, Data Warehouse, Daten-Pipelines und ML-Tools – an einem Ort. Der Schlüsselvorteil ist die Trennung von Daten und Rechenleistung: Man kann die Speicherung unabhängig von der Compute-Kapazität skalieren.

  Projektschritte:

  1. Daten erkunden: Kostenlose öffentliche Wirtschaftsdaten aus Snowflakes Marketplace nutzen (CPI, Arbeitslosigkeit, Hypothekensätze).
  1. Snowpark (Python-Framework): Daten transformieren und kombinieren – drei separate Quellen in eine vereinheitlichte Tabelle pivotieren, um pro Datum alle Metriken in einer Zeile zu haben.
  1. Dynamic Table: Ein selbstaktualisierendes Materializedview (stündlich im Beispiel), das automatisch erfrischt wird, wenn Quelldaten sich ändern – keine manuellen ETL-Jobs nötig.
  1. Semantic Layer: Ein Daten-Wörterbuch (erstellt teils durch AI), das Business-freundliche Beschreibungen jeder Spalte hinzufügt (z.B. “CPI = Verbraucherpreisindex, misst Inflation”). Dies lehrt den KI-Modellen, die Daten zu verstehen.
  1. Cortex Analyst (Snowflakes AI): Im Web-UI oder via REST-API Fragen in natürlicher Sprache stellen; das System generiert automatisch SQL-Queries auf Basis der Semantic View.
  1. Streamlit-Dashboard: Ein UI direkt in Snowflake, wo Nutzer Fragen eingeben und der KI-Agent die Antworten liefert – funktioniert auch lokal mit dem Cortex-API.

  Das Video belegt, dass alle Komponenten (Daten, Pipelines, ML) im gleichen System laufen, wodurch Data-Engineering und KI-Integration stark vereinfacht werden. Der gesamte Prozess ist kostenlos mit den bereitgestellten Trial-Credits möglich.

  Explizit behandelte Tools: Snowflake (Snowpark, Dynamic Tables, Cortex Analyst, Semantic Views), Streamlit, Mistral Large LLM (über Cortex), REST-API – Tutorial mit Code-Beispielen.

• How to Build an AI Agent That Interacts With All Your Data Sources
  2.4.2026, 13:37:48

  Zusammenfassung: How to Build an AI Agent That Interacts With All Your Data Sources

  Das Video zeigt ein Tutorial zur Erstellung eines produktionsreifen KI-Agenten, der die drei Kernprobleme beim Einsatz in der Realität löst: Connectivity (Verbindung zu Datenquellen), Context (Kontrolle über verfügbare Daten) und Security (Zugriffskontrolle).

  Kernansatz: Statt einzelne Datenquellen direkt mit einem LLM zu verbinden, wird die Plattform CData Connect AI als einheitliche Zwischenschicht verwendet. Dies hat mehrere Vorteile: Es reduziert Token-Kosten, da Datenverarbeitung auf Connect AI stattfindet statt im LLM; es verbessert die Genauigkeit durch bessere semantische Zusammenhänge; und es ermöglicht zentrale Sicherheitskontrollen statt fragmentierter Berechtigungen über viele Systeme.

  Praktische Umsetzung:

  1. Datenquellen verbinden (MongoDB, QuickBooks u.a.) – die Plattform unterstützt über 186 verschiedene Quellen
  2. Connect AI mit Claude verbinden via Browser-Integration und Connector
  3. Direkt in Claude Prompts eingeben, die über Connect AI auf alle verbundenen Datenquellen zugreifen
  4. Berechtigungsverwaltung: Benutzer einladen mit granularer Kontrolle – Roles definieren (z.B. nur Abfragen), Datenquellen-Zugriff begrenzen, Workspaces mit spezifischen Tabellen für feinere Zugriffe
  5. Code-Integration via LangChain möglich: MCP-Server mit Bearer-Token (Base64-codiertes Email + Personal Access Token) konfigurieren, dann einfach über LangChain als Agent nutzen

  Das Video zeigt live Demos: Eine Abfrage liefert „139 abgeschlossene Mock Interviews”, eine zweite korreliert Einnahmen mit neuen Studierenden, und die Python-Demo zeigt einen Langchain-Agent, der 111 Studierende aus MongoDB abruft.

  CData Connect AI (sponsortes Tool), Tutorial mit praktischen Code-Beispielen.

• I Just Replaced Lovable With This New AI Tool…
  1.4.2026, 13:00:46

  Der Creator hat Lovable durch Mocha ersetzt — ein AI-App-Builder, das alle typischen Backend-Funktionen (Authentifizierung, Datenbank, E-Mail) direkt in einer Plattform ohne externe Konfiguration bietet.

  Kernfeature: Mocha ermöglicht es, eine vollständige Production-App mit nur einem Prompt zu deployen — ohne Superbase, Vercel, Clerk oder andere Services einzeln verbinden zu müssen.

  Demonstriertes Projekt: Ein Client-Feedback-Portal namens Pulseboard, gebaut mit einem Prompt, das Google-Signin, Project-Management, Feedback-Submission und automatisierte E-Mail-Benachrichtigungen enthält — alles vorkonfiguriert.

  Wichtige Features:

  • Google Sign-in funktioniert out-of-the-box
  • Separate Development- und Production-Datenbanken (verhindert Test-Daten in Live-Umgebung)
  • Integrierte E-Mail-Funktionalität mit automatischem Styling
  • Analytics (Besucher, Länder, UTM-Quellen)
  • Custom-Domain-Verbindung (mit Cloudflare-Integration möglich)
  • One-Click-Deployment — die App wird live in ~1 Minute
  • Direktes Code-Editing im UI, Version-Control und Code-Export
  • Optionale Max-Mode für bessere Ergebnisse (kostet mehr Credits)

  Der Creator zeigt die komplette Build- und Deployment-Pipeline: Prompt eingeben, KI generiert die App schrittweise, weitere Features per Chat hinzufügen, Domain verbinden, deployen, E-Mail testen.

  Demo, für Lovable-Nutzer oder AI-Builder interessant — Mocha (partnered mit dem Creator).

• Claude Cowork – Full Course for Beginners
  31.3.2026, 13:01:10

  Claude Cowork – Vollständiger Anfängerkurs

  Claude Cowork ist ein Feature der bezahlten Claude-Desktop-App (Pro- oder Max-Plan), das es Claude ermöglicht, direkt mit deinem Computer zu interagieren – im Gegensatz zu reinem Chat, der nur textbasierte Antworten gibt. Um Cowork zu nutzen, musst du die Claude Desktop App auf Mac oder Windows herunterladen, eine bezahlte Subscription haben, und die App muss laufen, während du sie verwendest (es funktioniert nicht im Hintergrund wie ein Server). Du kannst Cowork auch von deinem Telefon aus auslösen, solange dein Computer aktiv ist.

  Grundlegende Nutzung: Nach dem Start wählst du ein Modell (Opus 4.6 nutzt viele Credits, Sonnet 4.6 ist günstiger) und einen Ordner, auf den Cowork zugreifen darf – entscheidend ist: Cowork kann nur Dateien anfassen, für die du es explizit freigibst. Im Beispiel wird Cowork dem Desktop Zugriff gewährt, um Ordner zu organisieren und farblich zu kodieren.

  Unterschied zu Claude Code: Code kann technisch fast alles gleich machen, ist aber für erfahrene Nutzer gedacht, die im Terminal arbeiten. Cowork ist für Anfänger gestaltet, die keine Command-Line-Tools kennen. Cowork erstellt automatisch virtuelle Maschinen für manche Operationen.

  Sessions und Projekte: Einzelne Cowork-Sessions sind unabhängig und Claude merkt sich nichts zwischen ihnen – anders als im Chat. Um das zu beheben, erstelle ein Projekt; dann speichert Claude Kontext und Anweisungen dauerhaft, was zu besseren Ergebnissen führt.

  Browser-Integration (Claude für Chrome): Nach Installation der Chrome-Extension kann Cowork deinen Browser steuern – Maus, Tastatur, alles. Beispiele: YouTube-Videos analysieren, Google Flights durchsuchen. Achtung: Cowork hat Zugriff auf alle deine Anmeldedaten und könnte theoretisch Transaktionen durchführen, daher muss man aufpassen und beobachten, was es tut.

  Skills: Ein Skill ist eine Markdown-Datei, die Cowork als wiederverwendbare Anleitung speichert. Wenn du ein bestehendes Cowork-Ergebnis gut findest, kannst du sagen „mach das zu einem Skill”, und Cowork dokumentiert die Schritte, testet sie, und du kannst diesen Skill später jederzeit aufrufen – z.B. „täglich nach Flügen suchen, die unter 4.000 USD kosten”.

  Geplante Aufgaben (Scheduled Tasks): Du kannst Skills zeitgesteuert einrichten (täglich, stündlich etc.), z.B. jeden Tag um 10 Uhr Flüge suchen. Das funktioniert wie ein Cron-Job, läuft aber nur, wenn der Desktop-Client aktiv ist. Im Beispiel wird eine tägliche Flugsuche konfiguriert.

  Konnektoren: Statt Cowork via Browser auf externe Services (Gmail, Google Drive, Notion, GitHub, Calendar) zugreifen zu lassen, kannst du offizielle Konnektoren konfigurieren – das ist schneller und sicherer. Man kann Berechtigungen granular steuern (z.B. nur Lesen erlauben, Schreiben/Löschen blocken).

  Das Video zeigt praktisch: Desktop-Organisation, YouTube-Analyse, Flugsuche über Google Flights mit Parallelisierung (mehrere Suchen gleichzeitig), Skill-Erstellung und Scheduler-Konfiguration.

  Tutorial zu Claude Cowork (Anfänger-freundlich), mit praktischen Demos von Datei-Handling, Browser-Automation und Workflow-Automation.

• Why OpenClaw Beats Every AI Framework Right Now
  30.3.2026, 12:05:41

  Zusammenfassung: Why OpenClaw Beats Every AI Framework Right Now

  Das Video ist ein umfassender Deep-Dive in die OpenClaw-Architektur mit Fokus auf Kostenoptimierung und Performance. Der Creator warnt zunächst vor Sicherheitsrisiken (OpenClaw ist relativ neu und Open-Source mit bekannten Vulnerabilities) und empfiehlt, die Instanz auf einem Virtual Private Server statt lokal zu betreiben – mit Verweis auf Hostinger als One-Click-Deploy-Option.

  Speicherarchitektur: OpenClaw nutzt zwei Memory-Modelle: eine persistente Langzeit-Memory (memory.md-Datei) und tägliche Speicherlogs. Das LLM selbst speichert nichts – Memory funktioniert durch Daten, die bei jeder Session geladen werden. Standardmäßig werden nur die letzten zwei Tage an Kurzzeit-Memory gelesen, weshalb wichtige Informationen explizit in Langzeit-Memory gespeichert werden müssen.

  Context-Window & Tokenkosten: Der größte Kostentreiber ist die Conversation History. Der Creator zeigt, wie man mit /status, /usage tokens und /context list die Tokenauslastung auditet. Zur Optimierung empfiehlt er:

  • Memory Flush aktivieren (speichert automatisch wichtige Infos vor Compaction, um Informationsverlust zu vermeiden)
  • Reserve Token Floor (20.000 Tokens bei Compaction halten statt alles zu löschen)
  • Vector Memory Search via Chroma-Backend für effizientere Speichersuche statt Text-Keyword-Matching

  MCP & Composio: Statt Custom-Tools direkt in OpenClaw zu speichern (bloated System Prompt, Security-Risiken mit Plaintext-Credentials), empfiehlt der Creator die Nutzung von Composio als MCP-Server. Das reduziert die Tool-Schema-Größe massiv: statt 100 Tools im Prompt zu laden, werden nur ~5 Meta-Tools angeboten, und Composio sucht Remote nach dem passenden Tool. Das spart Token und Kosten.

  Prompt Caching: Bei Claude und OpenAI sollte Prompt Caching aktiviert sein. Cache-Writes kosten 1,25x, Cache-Reads nur 10% – nach 2-3 Lesevorgängen hat sich der höhere Write-Cost amortisiert. Optional: Cache mit Heartbeat-Befehlen alle 55 Minuten “warmhalten”.

  Optimierungsstrategien: Session-Hygiene mit /compact und /new nutzen, Context-Window capping, ungenutzte Skills deaktivieren, Sub-Agents für delegierte Aufgaben spawnen (frischer Context statt Bloat).

  Das Video bietet Code-Beispiele (JSON-Config für Compaction, VSCode Remote-SSH Setup) und zeigt Live-Demos im OpenClaw-Interface.

  Claude (Anthropic) wurde als primäres Modell erwähnt; OpenAI und Gemini auch referenziert; spezifische Tools: Composio (MCP), Chroma (Vector DB), Hostinger (VPS), VSCode (Remote-SSH). Format: Deep-Dive/Tutorial.

• FULL Claude Code Tutorial for Beginners in 2026! (Step-By-Step)
  29.3.2026, 13:01:50

  Claude Code Tutorial für Anfänger (Zusammenfassung)

  Das Video zeigt praktische Maßnahmen zur Optimierung von Claude Code in wenigen Minuten:

  Editor-Setup: Claude Code sollte über ein Terminal oder eine Editor-Extension wie Cursor, VS Code oder Windsurf verwendet werden, um die generierten Dateien und Verzeichnisstruktur direkt zu sehen.

  claude.md Datei: Eine Datei im Projekt-Root namens claude.md dient als Langzeitgedächtnis für Claude Code. Sie speichert Projektregeln, den Tech-Stack, Entwicklungsbefehle, Code-Konventionen und API-Referenzen, die bei jeder neuen Session referenziert werden – besonders wichtig, da Claude Code standardmäßig keine Erinnerung zwischen Sessions hat.

  Plugins und MCP Server: Drei empfohlen Standard-Plugins sind:

  • Playwright: Browser-Automation für Web-Testing und Workflow-Automatisierung
  • Superpowers: Brainstorming, parallele Agent-Verarbeitung, systematisches Debugging und Code-Review
  • Context 7: Aktuelle Dokumentation abrufen, um veraltete Module zu vermeiden

  GitHub MCP Server: Ermöglicht Claude, automatisch Git-Repositories zu erstellen und Code zu pushen. Setup erfolgt über einen Terminal-Befehl mit Personal Access Token; der --scope user Flag macht es global verfügbar statt nur im aktuellen Projekt.

  Weitere MCP Server: DB Hub erlaubt direkte PostgreSQL-Zugriffe, weitere Integrationen sind im Claude-Web-Interface browsebar.

  Nützliche Befehle:

  • /model – Modellwechsel (Sonnet, Opus, Haiku je nach Anforderung)
  • /compact – Context-Größe reduzieren durch Zusammenfassung
  • /insights – Detaillierter Report über Claude-Code-Nutzung (Sessions, Codezeilen, Nutzungsmuster)

  Im Video wird auch erwähnt, dass trotz AI-Codegenerierung für Software-Engineering-Jobs noch immer DSA-Interviews (Data Structures & Algorithms) bestanden werden müssen.

  Claude Code Tutorial mit Demo von Claude-Modellen (Sonnet, Opus, Haiku) und MCP Servers (GitHub, DB Hub).

TheAIGRID (6 neues Videos)

• Googles Gemma 4 Just Shocked The AI Industry
  4.4.2026, 21:00:23

  Google hat Gemma 4 veröffentlicht – eine Familie von Open-Source-Modellen unter der Apache-2.0-Lizenz, die lokal auf privaten Geräten (Smartphones, Laptops, Desktops) laufen. Das Lineup umfasst ein 26-Milliarden-Parameter-Mixture-of-Experts-Modell, ein 31-Milliarden-Parameter-Dense-Modell sowie kompaktere 2B- und 4B-Varianten für Mobile und IoT. Die größeren Modelle bieten bis zu 400-Token-Kontextfenster und natives Tool-Use für agentenbasierte Workflows; alle Modelle unterstützen über 140 Sprachen und sind nativ multimodal mit Audio- und Bildverarbeitung.

  Das Kernbemerkenswerte ist die Effizienz: Das 31B-Modell soll qualitativ mit Konkurrenzmodellen vergleichbar sein, benötigt aber eine Zehntel der Parameter. Der Sprecher betont, dass die Benchmark-Zahlen auf den ersten Blick unterwältigend wirken, aber beim Vergleich der Effizienz (Leistung pro Parametergröße) Gemma 4 erheblich besser abschneidet als größere proprietäre Modelle. Ein praktisches Beispiel: Das 4-Milliarden-Parameter-Modell läuft auf einem iPhone 15 Pro in nur 3,6 GB und inkludiert einen Reasoning-Modus, während es vollständig offline und kostenlos funktioniert – was bedeutet, dass Daten lokal bleiben und keine Inferenz-Kosten entstehen.

  Die Hauptimplikation ist eine Verschiebung im Open-Source-Ökosystem: Statt günstige Cloud-Inferenz zu mieten, können Entwickler und Nutzer nun hochperformante Modelle direkt auf ihren Geräten ausführen. Der Sprecher testet das bereits auf seinem Phone und beschreibt die Multimodalität (Bild, Audio) sowie die Fähigkeit, Aspekte des Geräts zu steuern, als beeindruckend – und vermutet, dass lokale On-Device-Modelle künftig bei vielen Aufgaben zur Standardlösung werden.

  Google Gemma 4, Demo und Meinung/Reflexion.

• Gemma 4 For Beginners – How To Download Gemma 4 Locally (Ollama)
  3.4.2026, 19:01:23

  Zusammenfassung:

  Das Video zeigt, wie man Google Gemma 4 lokal mit Ollama installiert und nutzt. Gemma 4 ist Googles leistungsfähigste Open-Source-Modell-Familie, unter Apache 2.0 lizenziert, und kommt in mehreren Größen: 2B und 4B für Geräte/mobile, ein 26B Mixture-of-Experts-Modell (mit 3.8B aktiven Parametern) und ein 31B Dense-Modell, das auf Arena AI auf Platz drei unter allen Open Models rankt und Modelle besiegt, die 20x größer sind. Das Modell kann Bilder und Videos verarbeiten sowie Multi-Step-Planning durchführen.

  Die Installation ist einfach: Ollama downloadern (verfügbar für Windows, Mac, Linux), starten und entweder über die GUI „Gemma 4″ eingeben oder im Terminal ollama run gemma-4 ausführen. Wichtig ist die VRAM-Überprüfung vorher: Mit nvidia-smi oder Task Manager die verfügbare GPU-RAM checken. Das 2B-Modell benötigt ca. 7.2 GB und läuft auf GPUs mit 12+ GB (wie RTX 3060/4060). Die größeren Modelle (4B und 31B) erfordern 24+ GB VRAM (z.B. RTX 4090/5090), sonst fallen sie auf CPU zurück und laufen langsam. Wer nicht genug VRAM hat, kann günstig eine GPU mieten (kostet ein paar Cent pro Stunde – deutlich billiger als API-Abos).

  Das Video zeigt praktische Demos: Das 2B-Modell antwortet lokal auf Text-Anfragen und kann Bilder verarbeiten (z.B. eine McLaren-Auto-Bilder beschreiben und sogar Nummernschilder lesen). Im zweiten Teil wird gezeigt, wie man große Modelle auf einem dedizierten Server mit GPU läuft – die Commands sind analog. Zum Deinstallieren: ollama list eingeben, Modell-ID kopieren, dann ollama rm [modell-ID] ausführen.

  Explizit genannte Tools/Modelle: Google Gemma 4 (lokal via Ollama), Claude (für Setup-Anleitung erwähnt) — Tutorial (für Anfänger geeignet).

• How To Use Manus AI – Manus AI Tutorial 2026
  2.4.2026, 21:45:07

  Zusammenfassung: How To Use Manus AI – Manus AI Tutorial 2026

  Das Video stellt Manus als AI-Agent vor, der Aufgaben automatisiert und mehrere Kernfunktionen demonstriert:

  Webrecherche und Videoinhalte: Manus kann eigenständig im Web browsen, Videos anschauen und spezifische Informationen mit Timestamps finden – im Beispiel sucht es nach einem bestimmten Clip eines Interviews über einen AGI-Test und liefert nicht nur den Link, sondern auch den exakten Timestamp und einen YouTube-Short-Link.

  Geplante Aufgaben: Anders als ChatGPT oder Claude erlaubt Manus, Aufgaben zu bestimmten Zeiten zu automatisieren. Im Beispiel wird eine tägliche Task um 9:00 Uhr UK-Zeit eingerichtet, die Reddit, X und Hacker News nach Top-AI-News durchsucht und als Live-Update-Dashboard darstellt – eine Automation, die normalerweise 2 Stunden manuelle Recherche erspart.

  Dokumentenerstellung: Manus recherchiert ein Thema, schreibt strukturierte Dokumente (Word, PDF, Markdown) mit Quellen und kann direkt zu Google Drive oder OneDrive exportiert werden. Im Demo wird ein Videoskript zu André Karpathy’s Research mit spezifischen Punkten zu AGI und Nvidia erstellt.

  Skills: Benutzerdefinierte Skills funktionieren wie Anweisungs-Templates für wiederkehrende Aufgaben. Das Video zeigt die Erstellung eines „AI Short Form Script”-Skills für YouTube Shorts mit definierten Parametern (60 Sekunden, Casual-Ton, Hook-First-Struktur), den Manus später automatisch aufruft, ohne erneute detaillierte Prompts zu benötigen.

  Präsentationserstellung: Manus integriert Nano Banana für Image-basierte Slides in verschiedenen Stilen (z.B. Whiteboard-Format). Das System recherchiert zunächst Daten, generiert dann parallel mehrere Slides und ermöglicht Echtzeit-Textbearbeitung durch automatische Texterkennung – ohne manuelles Hovern über einzelne Wörter.

  Tutorial zu Manus AI mit Demo aller Kernfeatures.

• Anthropic Ceo’s Terrifying AI Prediction Explained
  1.4.2026, 19:00:08

  Dario Amodei, CEO von Anthropic, hat wiederholt und über mehrere Plattformen hinweg (Axios, 60 Minutes, Januar 2026 in einem 20.000-Wort-Essay) ein alarmerendes Szenario beschrieben: AI könnte bis zu 50% aller Einstiegs-White-Collar-Jobs eliminieren und die Arbeitslosenquote innerhalb von 1 bis 5 Jahren auf 10–20% treiben. Anders als bei früheren technologischen Revolutionen (Druckerpresse, Dampfmaschine, Internet) argumentiert Amodei, dass AI durch seine „kognitive Breite” gleichzeitig Aufgaben in allen Feldern ersetzen kann – nicht nur Einzelaufgaben – und dies in viel schnellerem Tempo geschieht.

  Die verfügbaren Daten deuten bereits in diese Richtung: Stanfords „Canaries”-Studie zeigt einen Rückgang der Beschäftigung für 22–25-Jährige in AI-exponierten Rollen um etwa 13% seit Ende 2022. Anthropic-eigene Forschung bestätigt ein Verlangsamen von Einstellungen jüngerer Arbeitnehmer in betroffenen Berufen, die Jobfindungsrate für 22–25-Jährige fiel um 14%. Die Arbeitslosenquote frischer College-Absolventen (22–27 Jahre) liegt bei 5,6% – dem höchsten Stand seit 2013. Job-Postings auf der Plattform Handshake sanken um 16%, während Bewerbungen pro Position um 26% stiegen. Ein MIT-Tool deutet darauf hin, dass AI theoretisch bereits Arbeit im Wert von 1,2 Billionen Dollar automatisieren könnte, wovon technische Layoffs nur 2,2% ausmachen – der Rest geschieht unsichtbar.

  Es gibt allerdings Gegenargumente: Scott Galloway verweist darauf, dass frühere Technologien mehr Jobs schufen als sie zerstörten. Demis Hassabis (Google DeepMind) gibt human-level AI nur 50% Wahrscheinlichkeit innerhalb eines Jahrzehnts. Auch warnen Analysten vor „AI Redundancy Washing”, wonach manche Unternehmen Kosteneinsparungen einfach AI zuschreiben. Darüber hinaus könnte Amodeis 20.000-Wort-Essay sowohl Warnung als auch Marketing für Anthropics eigene Safety-Lösungen sein.

  Die zentrale Problematik bleibt jedoch: Selbst wenn neue Jobs entstehen, könnten sie zu spät kommen für Menschen, die gerade ihre Position verlieren. BlackRock-CEO Larry Fink sprach von einer „Krise” für Hochschulabsolventen 2026. Eine Umfrage unter 183 Arbeitgebern zeigt, dass über die Hälfte den Arbeitsmarkt für die Klasse 2026 als schlecht oder mittelmäßig bewerten – die pessimistischste Sicht seit der Pandemie. Die IMF projiziert, dass AI etwa 40% der Jobs weltweit beeinflussen wird.

  Format: Meinung/Reflexion; explizit thematisiert: Anthropic und Claude.

• Googles New AI Breakthrough Just Broke The Stockmarket – Turboquant Explained
  31.3.2026, 20:00:22

  Googles Turboquants: AI-Speichercompression bricht Chipmarkt auf

  Google veröffentlichte ein Forschungspapier über einen neuen Algorithmus namens Turboquants, der die KI-Speichernutzung auf 3 Bits komprimiert — mit unmittelbaren Marktfolgen: Speicherchiphersteller wie Micron, Western Digital und SanDisk verloren bereits am nächsten Tag erheblich an Wert.

  Das zentrale Problem ist nicht die KI-Intelligenz, sondern ihr Speicherverbrauch, speziell der “KV-Cache” — ein digitales Notizbuch, das alle bisherigen Konversationen speichert. Je länger ein Gespräch, desto größer wird dieser Cache, und er sitzt auf teurer GPU-Speicher. Das macht lange Konversationen langsam und treibt die Hardwarekosten in die Höhe.

  Bisherige Kompressionsmethoden waren ineffizient — ähnlich wie einen Bibliothekar einzustellen, um die Buchregal zu reorganisieren: Der Gewinn wird durch die Zusatzkosten der Kompression selbst aufgezehrt. Turboquants funktioniert in zwei Phasen: Erstens werden Daten in Distanz und Richtung umwandelt statt einzelner Koordinaten, was sie in komprimierbare Muster organisiert. Zweitens werden durch einen “Spell-Checker” winzige Rundungsfehler mit einzelnem Bit korrigiert — effektiv eine Fehlerkorrektur ohne zusätzlichen Speicher. Der Schlüssel: Das Verfahren komprimiert nur, was die KI tatsächlich nutzt, nicht perfekte Präzision.

  Die Ergebnisse sind dramatisch: Setup ist 184.000× schneller als alte Methoden, auf Nvidia H100-GPUs gibt es 8× Geschwindigkeitssteigerung, 6× weniger Speichernutzung und bei 3,5 Bits keine Genauigkeitsverluste. In einem Test mit 104.000 Token Text fand das Modell einen verborgenen Fakt perfekt zuverlässig.

  Praktische Konsequenzen: (1) Längere Konversationen ohne Speicherwand; (2) KI auf lokalen Geräten wird machbar (bereits auf Mac demonstriert); (3) Weniger Hardwarebedarf senkt Betriebskosten dramatisch, was die Chipindustrie bedroht. Das Besondere: Ein einfaches Forschungspapier ohne Produktankündigung oder Keynote genügte, um Märkte zu bewegen — weil es nicht Brute-Force-Hardware, sondern intelligente Mathematik als Lösung signalisiert.

  Thematisiert: Google Research (Turboquants-Algorithmus); Format: News-Update/Meinung.

• Did OpenAI Just Quietly Build AGI?
  29.3.2026, 23:11:09

  Zusammenfassung: Did OpenAI Just Quietly Build AGI?

  Das Video analysiert, ob OpenAI tatsächlich AGI entwickelt hat, anhand von drei zentralen Signalen: Sam Altmans interne Ankündigung vom 24. März 2026, bei der er seine Produktteam in “AGI Deployment” umbenannt hat, Jensens Huangs öffentliche Aussage, dass AGI bereits erreicht sei, und Mark Gregors Behauptung, der AGI-Begriff-Erfinder, dass die aktuelle KI diesen Standard erfüllt.

  Der Kern der Analyse zeigt jedoch eine Diskrepanz: Während diese Führungskräfte AGI als erreicht bezeichnen, definieren sie es dabei nicht als echte menschenähnliche Intelligenz. Jensen Huang etwa definiert AGI als die Fähigkeit, eine Milliarde Dollar wirtschaftlichen Wert zu generieren – eine finanzielle statt kognitive Definition. Er räumt gleichzeitig ein, dass KI nicht wie Menschen denken, über unbekannte Situationen nachdenken oder längerfristige Strategien verfolgen kann. Mark Gubras ursprüngliche 1997er-Definition war weiter: ein System mit menschlicher Komplexität und Fähigkeit in praktisch jedem Szenario.

  OpenAIs organisatorische Maßnahmen sind radikal: Das Sora-Videoprogramm wurde komplett eingestellt (inklusive Disney-Partnership mit 200 Lizenzen), die AI-Safety-Abteilung unter die Forschungsleitung verlegt, und alles auf ein Desktop-Superapp-Konzept mit Code-Agent und Browser fokussiert. Altman stoppt seine direkte Überwachung von Sicherheit, um sich auf Datenzentrenbau und Fundraising zu konzentrieren – klar signalisierend, dass Deployment statt Forschung nun die Priorität ist.

  Die finanzielle Dimension ist erheblich: In OpenAIs Charter ist AGI als vertragliches Trigger-Event definiert, das Microsofts Zugang zu neuen Modellen und Revenue-Share (ca. 20% der OpenAI-Einnahmen) beendete. Die Oktober-2025-Renegotiation mit Microsoft verschärfte die Anforderung einer unabhängigen Expertenprüfung für jede AGI-Erklärung. OpenAI wurde nach einer 110-Milliarden-Finanzierung (Februar 2026) mit 730–800 Miliarden bewertet und peilt einen IPO an – Positionen, die durch eine AGI-Erklärung exponentiell steigen würde.

  Das Video kommt zu dem Schluss, dass die zentrale Story nicht ist, ob AGI technisch erreicht wurde, sondern ob die Tech-Elite es strategisch für nützlich erachtet, dies zu behaupten – die Umbenennung des Deployment-Teams signalisiert: nicht mehr ob, sondern dass es kommt.

  Thema: OpenAI, Jensen Huang / Nvidia, Mark Gubra; Format: Meinung/Deep-Dive mit investigativem Ansatz.

Theo – t3․gg (5 neues Videos)

• I’m serious.
  4.4.2026, 11:01:42

  Zusammenfassung: “I’m serious.”

  Der Sprecher argumentiert leidenschaftlich dafür, dass offene Software gegenüber geschlossenen Alternativen bevorzugt werden sollte – besonders im Zeitalter von KI. Er beobachtet, dass populäre geschlossene Anwendungen wie Cursor, Notion und Claude Code durch häufige Updates immer schlechter werden, statt sich zu verbessern, da ihre Teams viel schneller Fehler einbauen können als früher.

  Der Wendepunkt war sein Praktikant Yash, der keine Grenzen zwischen Codebereichen wahrnimmt und einfach die notwendigen Änderungen vornimmt – etwa durch die Verwendung von patch-package, statt Workarounds zu bauen. Dies inspirierte den Sprecher, T3 Code als vollständig offene Alternative zu entwickeln. Mit etwa 30.000 Nutzern und 1.100 Forks zeigt sich, dass offene Projekte von der Community verbessert werden: YouTuber wie XLT Jake und Quinn von Snazzy Labs forken das Projekt und passen es an ihre Bedürfnisse an.

  Ein Kernpunkt ist die Kritik an Claude Code und dem Agents SDK von Anthropic – obwohl diese Tools für Integration konzipiert sind, bleiben sie geschlossen. Der Sprecher vermutet, dass Anthropic sich des Codes schämt; Anthropic verschickte sogar DMCA-Takedowns, als sie versehentlich Sourcemaps im npm-Paket hinterließ. Im Gegensatz dazu haben Gemini CLI, Open Code und sogar Codex CLI ihre Serverseitigen Komponenten offengelegt.

  Der Hauptfrustrationen: Geschlossene Projekte können jetzt 100-mal schneller zugrunde gehen, weil KI die Entwicklung beschleunigt. Der Sprecher plant ein Folgenvideo, das argumentiert, dass offene Source auch geschäftlich sinnvoll ist, aber diese Video konzentriert sich auf die emotionalen und praktischen Gründe, warum man offene Software unterstützen sollte.

  Format: Meinung/Reflexion; behandelt hauptsächlich T3 Code (offene Alternative zu geschlossenen KI-Tools), kritisiert Claude Code, Cursor und andere geschlossene Apps.

• We need to talk about the Claude Code rate limits
  3.4.2026, 08:56:24

  Zusammenfassung: Rate Limits für Claude Code

  Anthropic hat Mitte März die Rate Limits für Claude-Abonnements während Stoßzeiten (5 bis 11 Uhr Pacific Time, Wochentags) merklich reduziert, was bei Nutzern zu massiver Frustration führt. Der Grund ist eine akute GPU-Knappheit: Anthropic wächst extrem schnell (2024: 100 Millionen, 2025: mehrere Milliarden Dollar Umsatz erwartet), was bedeutet, dass Forschung, Produktentwicklung und Kundennutzung um begrenzte Compute-Ressourcen konkurrieren. Das Unternehmen hatte zu großzügig subsidiert (für 200 Dollar pro Monat erhielt man bis zu 5.000 Dollar Compute-Wert), eine 25x-Subvention.

  Der tiefere Kontext: Anthropic kaufte historisch nicht aggressiv genug GPUs (anders als OpenAI, das kontinuierlich alles verfügbare Compute aufkauft), was jetzt dazu führt, dass sie mit Amazon zusammenarbeiten und von Google mit neuer Infrastruktur finanziert werden. Das Experiment mit der “Spring Break” Verdopplung außerhalb der Peak Hours war ein Test, wie man Nachfrage in Off-Peak-Zeiten verlagern könnte—das reichte nicht aus, deshalb die Drosselung.

  Das Kernproblem ist nicht die Entscheidung selbst (nachvollziehbar, wenn plausibel), sondern die chaotische Kommunikation: Die Limits wurden am 14. März still reduziert, erst am 20. März (nachdem die Peak-Phase vorbei war) wurde eine Ankündigung gemacht—nur auf Twitter, nur von Thoric (ein einzelner Devrel, kein offizielles Anthropic-Konto), nicht im Produkt selbst. 7% der Nutzer wurden unerwartet limitiert. Das erzeugte Verschwörungstheorien und Vertrauensverlust, weil es undurchsichtig aussieht.

  Kritik am Unternehmen: Anthropic hat eine tief verwurzelte Kultur als Forschungsfirma, die schlecht mit Produktkommunikation umgehen kann. Es gibt keine etablierte interne Kommunikationsstruktur; Thoric wird als einzelner Devrel zur Hauptanlaufstelle für alle öffentlichen Erklärungen gemacht—eine untragbare Situation. Der Sprecher argumentiert, dass man nicht Thoric angreifen sollte, da er nicht die Entscheidungen trifft, sondern sie verteidigen muss, sondern das Unternehmen für mangelnde Transparenz und fehlende Kommunikationskultur kritisieren sollte.

  Im Vergleich: OpenAI kommuniziert besser (Reset der Limits regelrecht als Feature inszeniert), hat aber ähnliche Probleme gelöst, indem sie Batch-Pricing, Flex-Pricing und Priority-Optionen einführten, um Ressourcen gestaffelt zu verteilen. Anthropic unterscheidet hier nicht genug.

  Demo/Meinungs-Video über Claude (Anthropic); Meinung/Deep-Dive-Format.

• I got DMCA’d by Anthropic (not a joke)
  2.4.2026, 02:18:57

  Der Creator erhielt einen DMCA-Strike von Anthropic auf GitHub – nicht auf sein YouTube-Video, sondern auf seinen Fork des offiziellen Claude-Code-Repos. Das Besondere: Der Strike betraf nicht das Repo mit dem geleakten Quellcode, sondern seinen Fork, in dem er nur ein Wort in einer Datei geändert hatte. Anthropic reichte die DMCA gegen ein Netzwerk von etwa 8.100 Repositories ein, was deutlich zu viele waren – der Creator vermutet einen Kommunikationsfehler zwischen Anthropic und GitHub. Nach Twitter-Kritik zog Anthropic die DMCA-Aktion größtenteils zurück und behielt sie nur für die Repos bei, die tatsächlich den geleakten Quellcode spiegelten.

  Der Creator würdigt allerdings Anthropics Umgang mit der Krise: Das Unternehmen habe transparent kommuniziert, Fehler eingestanden und Mitarbeiter hätten auf Social Media offen über die Gründe und das Deployment-Problem diskutiert – ein „blameless post-mortem” ohne Schuldsuche gegen einzelne Entwickler, sondern Fokus auf Prozessverbesserungen. Trotzdem bleibt sein Fazit kritisch: Die gesamte Situation wäre vermeidbar gewesen, wenn Anthropic Claude Code einfach open-sourcen würde. Der Schaden durch das Geheimhalten überwiegt längst den Nutzen – und Anthropic habe sich durch diese Strategie selbst in eine Position manövriert, in der immer mehr negative Ereignisse entstehen können.

  Referenzen: Anthropic, Claude Code, GitHub DMCA; Format: Meinung/Reflexion mit News-Element.

• BREAKING: Claude Code source leaked
  1.4.2026, 04:15:07

  Claude Code Source Leak: Analyse und Fallout

  Ein Insider-Paket der Cloud Code-Quellcode wurde durch versehentlich verteilte Source Maps im npm-Paket geleakt — nicht das erste Mal bei Anthropic, die daraufhin hunderte DMCA-Requests gegen Repositories verschickt haben. Das Unternehmen hatte versucht, die Quellcode „secret sauce” geheim zu halten, doch der Leak enthüllt einen komplexen TypeScript-Codebase von etwa 390.000 Zeilen mit vielen unreleased Features und internen Systemen.

  Wie es passierte: Der Leak erfolgte über Source Maps — Dateien, die kompiliertes JavaScript zurück zum Original-TypeScript abbilden und normalerweise für Debugging genutzt werden. Anthropic baute Cloud Code vermutlich zum Debuggen von Rate-Limit-Problemen mit Source Maps, diese wurden unbeabsichtigt ins npm-Paket aufgenommen.

  Unreleased Features, die sichtbar wurden: Buddy (ein Companion, der zwischen 1.–7. April läuft), Dream Mode (automatische Speicherkonsolidierung im Hintergrund), Coordinator Mode (parallele Multi-Worker), Ultra Plan/Ultra Review (remote Agents für Planung und Code Review), Auto Mode (autonome Agenten ohne Benutzerinteraktion) und Chyros (proaktive Hintergrund-Agent, der regelmäßig fragt „Anything worth doing right now?”).

  Verschwörungstheorien widerlegt: Die These, es sei intentional gewesen, wird durch aggressive DMCA-Sendungen und das Delisting vom npm widerlegt. Ein Bun-Bug war ebenfalls nicht der Grund — Cloud Code nutzt nicht Bun Serve. Die Befürchtung, Konkurrenten könnten besser werden, ist überflogen: Cloud Code steht bei Benchmarks auf Platz 39 und beim Opus-Test auf dem letzten Platz — es kopiert tatsächlich von Open-Source-Projekten wie OpenCode.

  Code-Qualität: Claude Code vergibt sich selbst eine 7/10: Solide Type Safety (nur 38 any-Instanzen über 500 Dateien), aber massive Environment-Variable-Sprawl, über 1.000 GrowthBook-Feature-Flags verstreut über 250 Dateien, fehlende Tests und mehrere God-Files mit über 5.000 Zeilen. Geheime Anti-Distillation-Systeme versuchen, gefälschte Tool-Calls in Daten zu injizieren, um Modell-Destillation zu sabotieren. Das Claude MD wird bei jeden Turn neu eingefügt, um Konsistenz zu erzwingen.

  Empfehlungen an Anthropic: (1) Open-Sourcen mit Roadmap statt Sofortveröffentlichung; (2) Den Leak-Narrativ durch eigene, authentische Team-Posts schlagen statt Lawyer-Statements; (3) Keine weiteren DMCA-Requests gegen harmlose Forks/Analysen verschicken; (4) Engineers ermutigen, über ihre Arbeit zu sprechen — „Excitement beats hype”. Die aggressive DMCA-Strategie ist PR-Gift; echte Begeisterung der Entwickler wäre ein PR-Gewinn.

  Das Video betont, dass die Leak-Gelegenheit für Anthropic ein großes Reputationsrisiko ist — zu viele Lawyer-Moves machen sie zur „am wenigsten respektierten Lab” statt zum menschlichen Unternehmen, als das sie sich positionieren.

  Tools/Kontext: Claude (Anthropic), Cursor, OpenAI’s GPT-5.4, GrowthBook (Feature Flags), Sentry; explizit thematisiert wurde auch die Vergleich zu OpenCode/Codex (Open Source). — Meinung/Reflexion mit Tiefenanalyse.

• Saving the web from Javascript bloat
  29.3.2026, 19:57:01

  Saving the Web from JavaScript Bloat

  Der Speaker diskutiert die drei Hauptursachen für unnötige JavaScript-Bloat in Abhängigkeitsbäumen moderner Web-Projekte, basierend auf einem Artikel von James Garbet.

  Erste Säule: Unterstützung alter Laufzeitumgebungen und Realms

  Viele populäre Packages wie is-string enthalten tiefe Abhängigkeitsketten, um drei Szenarien zu unterstützen: (1) ES3-Engines wie Internet Explorer 6/7, (2) Schutz vor globaler Namespace-Mutation durch Node-Primordials, und (3) Cross-Realm-Werte, wenn Daten zwischen Iframes übergeben werden. Während diese Anforderungen für ein winziges Segment (z.B. Hero Devs, die alte Codebases warten) legitim sind, zahlen alle anderen Developer den Preis durch aufgeblähte Dependencies im Standard-Path. Ein Beispiel: Die axe-core-Bibliothek hatte fast keine Dependencies, bis ein neuer Maintainer Rückwärtskompatibilität mit uraltem Node maximierte und über 60 neue direkte Dependencies hinzufügte – manche allein davon (wie deep-equal) addierten weitere 50 Sub-Dependencies.

  Zweite Säule: Atomare Architektur

  Viele Packages wurden in extrem kleine, wiederverwendbare Bausteine zerlegt. Beispiele wie shebang-regex (zwei Codezeilen, 133 Millionen Downloads/Woche), path-key (4 KB, 158 Millionen Downloads/Woche) oder slash (96 Millionen Downloads/Woche) sind für sich genommen sinnlos – sie werden oft nur von einer einzigen anderen Package verwendet, obwohl sie als Maintainer als separate Pakete existieren. Das erzeugt zusätzliche Kosten für npm-Anfragen, Tar-Extraktion und Bandbreite, während Duplikationen gleichzeitig durch Versionskonflikte entstehen (z.B. zwei Versionen von is-docker in einem Tree).

  Dritte Säule: Polyfills und Ponyfills, die ihre Willkommensphase überdauert haben

  Features wie Array.isArray (2010 standardisiert, noch 160 Millionen Downloads/Woche), Object.keys oder Array.prototype.find werden längst nativ von allen modernen Engines unterstützt, aber die Packages existieren immer noch. Ponyfills (wie die globalThis-Package mit 49 Millionen Downloads/Woche) waren sinnvoll, um zukünftige Features zu nutzen, ohne die globale Umgebung zu mutieren, sollten aber entfernt werden, wenn alle relevanten LTS-Versionen das Feature nativ unterstützen.

  Lösungsansätze:

  Dependencies kritisch hinterfragen, Issues bei Maintainern öffnen, zu Alternativen greifen (z.B. module-replacements Projekt), Tools wie knip (zur Findung ungenutzten Codes) und npm-check-updates bzw. npm-Graphen nutzen. Die E18 Foundation hat ein CLI-Tool mit Analyse- und Migration-Features entwickelt. Der Speaker betont, dass die kleine Gruppe mit speziellen Anforderungen die Kosten tragen sollte – nicht die gesamte Basis. Die E18 Foundation wird als essentiell für die JavaScript-Ökosystem-Gesundheit bewertet; der Speaker trägt $5.000 bei und ermutigt andere zu unterstützen.

  Demo/Artikel-Analyse, Meinung mit tiefer technischer Reflexion; Fokus auf Open-Source-Probleme und Community-Bewegung (E18 Foundation). Keine spezifischen AI-Tools thematisiert.

Tim Carambat (4 neues Videos)

• Gemma 4 Is The Qwen Killer?
  2.4.2026, 19:29:23

  Gemma 4: Überblick über die neuen lokalen Modelle von Google

  Google hat Gemma 4 veröffentlicht – eine neue Serie lokaler Modelle, die das Feld deutlich aufmischt. Die Serie bietet mehrere Varianten: die ultraleichten E2B und E4B (mit jeweils ca. 5-8 GB für Q8-Quantisierung), ein 31-Milliarden-Parameter-Modell (ca. 35 GB) sowie das Thee-Modell mit 26 Milliarden aktivem Parameter. Ein großer Unterschied zu Gemma 3: Die neue Lizenz ist Apache 2.0 statt proprietär, was Modifikation und Forks deutlich erleichtert.

  Die Modelle bringen verschiedene Multimodalitäten mit – E2B und E4B unterstützen Text, Bild, Audio und Video, während das 31B-Modell und Thee nur Text und Bild können, dafür aber größere Context-Fenster (256K statt 128K). Alle Gemma-4-Modelle sind Thinking-Modelle (erweitertes Reasoning).

  Wichtige technische Details: E2B/E4B haben 128K Context, aber Audio ist auf 30 Sekunden beschränkt (erfordert Voice-Activity-Detection zur Segmentierung), Video auf 60 Sekunden bei 1 Frame-pro-Sekunde-Verarbeitung. Neu ist das Image-Token-Budget – statt Vorverarbeitung hochauflösender Bilder erledigt das Modell die Skalierung intern je nach Einsatzfall (schnelle Klassifizierung vs. OCR). Audio-Verarbeitung funktioniert über spezifische Prompts und kann auch als ASR oder Übersetzung eingesetzt werden. Nur auf Hugging Face quantisierte Instruction-Tuned-Versionen (GGUF) sind mit Tools wie llama.cpp oder LM Studio lauffähig.

  Der Sprecher erwartet, dass Gemma 4 – wie Gemma 3 – zum „Fine-Tuning-Workhorse” der Industrie wird, warnt aber vor zu hohen Erwartungen basierend auf Benchmarks, da die reale Performance bei Nutzerfällen unterschiedlich ausfallen könnte.

  Google Gemma (lokale Modelle), Demo mit technischem Schwerpunkt auf Limitations und Gotchas.

• The End of the GPU Era? 1-Bit LLMs Are Here.
  1.4.2026, 19:24:31

  Zusammenfassung: The End of the GPU Era? 1-Bit LLMs Are Here

  Die 1-Bit-LLM-Technologie ermöglicht es, massive Sprachmodelle mit dramatisch reduziertem Speicherplatz und Energieverbrauch zu betreiben. Ein 27-Milliarden-Parameter-Modell könnte auf einem Smartphone laufen bei 90% kleinerer Dateigröße und 15-mal weniger Speicherverbrauch als vollpräzisions-Modelle. Die Technologie basiert auf einem 2023er Research-Paper namens BitNet, war jedoch lange Jahre nur theoretisch – bestehende Modelle (2B, 3B, 8B) waren fehlerhaft und unpraktisch, weil niemand in die unerprobte Technologie investieren wollte.

  Der Wendepunkt kam mit Bonsai-Modellen vom Startup Prism ML, der ersten kommerziell nutzbaren 1-Bit-Modelle (proprietär, nicht Open-Source). Diese sind 14-mal kleiner als gleichparametrige Vollpräzisions-Modelle, benötigen aber spezialisierte Kernel. Der 8B-Bonsai-Modell beansprucht nur ~1GB RAM statt 16GB, der 1.7B ist für Mobile-Inference ausgelegt. Die Modelle unterstützen ein 65K-Token-Kontextfenster und erfordern einen speziellen Llama-CPP-Fork.

  In praktischen Tests zeigte das 8B-Bonsai-Modell auf einem MacBook Pro M4 Max etwa 114–130 Tokens/Sekunde und bewies Multi-Step-Tool-Calling-Fähigkeiten: Web-Suche, PDF-Generierung aus Websites (inklusive Bilder und Tabellen), und die Erstellung von PowerPoint-Präsentationen mit spawned Sub-Agenten zur Recherche. Die Qualität war beeindruckend — die Modelle übersprangen nicht die RecherchePhase wie kleinere quantisierte Modelle.

  Das kombiniert mit TurboQuant-KV-Cache-Kompression könnte lokale Modelle grundlegend verändern, indem Model-Weights und Cache gleichzeitig optimiert werden. Der Creator ist enthusiastisch über das Skalierungs-Potenzial und nennt die Technologie „crazy” und „insane” — das Paradigma eines speicherhungrigen Hardware-Stacks könnte sich durch 1-Bit-Modelle massiv verschieben.

  Bonsai-Modelle (Prism ML), praktische Tests mit lokalem Llama-CPP-Fork in Anything LLM — Demo.

• “AGI” is here – and it’s stupid?
  31.3.2026, 18:28:46

  Zusammenfassung: “AGI” is here – and it’s stupid?

  Das Video hinterfragt die häufigen Behauptungen von KI-Führungspersonen, dass AGI bereits erreicht wurde – am prominentesten Jensen Huang gegenüber Lex Fridman. Es wird argumentiert, dass diese Aussagen fundamental auf einem falschen Verständnis von AGI beruhen: AGI bedeutet nicht, dass ein Modell bei spezifischen Aufgaben nützlich ist, sondern dass es generalisieren kann – also unbekannte Probleme ohne Vorbereitung lösen kann.

  Das Kernproblem wird durch die ARC AGI-Benchmarks demonstriert, eine Serie von rätselhaften Spielen ohne Anleitungen. Während 100% der Testpersonen auf der Straße (zufällig ausgewählte San-Francisco-Bewohner) alle Aufgaben in ARC AGI 3 lösten, scheiterten moderne LLMs spektakulär. Das Besondere: Sie wurden von einem einfachen vier-schichtigen CNN geschlagen – eine veraltete Architektur, die von einem einzelnen Forscher (mit dem Pseudonym “Stochastic Goose”) mit vermutlich bescheidenen Ressourcen trainiert wurde. Das unterminiert die Milliarden-Dollar-Investitionen in GPT-ähnliche Modelle.

  Der Grund für das Versagen: LLMs funktionieren durch nächstes-Token-Vorhersage und können nicht in unbekannten Umgebungen explorativ handeln. Selbst mit Reasoning-Chains benötigen sie tausende Token für simple Aufgaben. Versuche, mit aufwendigen “Harnesses” (Code-Wrapper um Modelle) zu generalisieren, führen zu Overfitting auf einzelne Spiele und Versagen bei anderen.

  Der Autor fasst seine Position zusammen: Der aktuelle GPT-Paradigma hat bereits sein Limit erreicht – mehr Daten bringen nicht exponentiell bessere Ergebnisse. AGI erfordert eine völlig andere Architektur, nicht nur besseres Training bestehender Modelle. Für den Alltag sind KI-Tools zwar nützlich, aber das ist nicht AGI im wissenschaftlichen Sinne, sondern Marketing-Hype von Akteuren mit finanziellen Anreizen.

  Thematisiert: Claude, OpenAI, Google Gemini, Anthropic (Opus), spezialisierte Benchmarks (MMLU, ARC AGI-Serie), François Chollet und Arc Prize. — Format: Meinung/Reflexion mit technischer Tiefenanalyse.

• MCP is “dead” – or is it?
  30.3.2026, 19:56:17

  Der Gründer von Anything LLM zeigt zwei konkrete Methoden, um 60–90% der Tokens bei Tool-Nutzung zu sparen. Das zentrale Problem: Jedes verfügbare Tool wird als Prompt an das Modell gesendet, ob es genutzt wird oder nicht. Als Beispiel: Zwei MCPs (GitHub und Atlassian) mit zusammen 114 Tools bedeuten 34.000 vergeudete Tokens pro Chat, wenn sie nicht gefiltert werden.

  Methode 1 – Tool-Filterung: In LM Studio und Anything LLM können einzelne Tools via Checkbox deaktiviert werden, um nur die relevanten an das Modell zu senden. Das spart sofort erhebliche Tokens ein.

  Methode 2 – Intelligent Tool Selection (Reranking): Ein leichtgewichtiges Preprocessing-Modell analysiert die Nutzerprompt und filtert die Tool-Liste auf die Top 15–20 relevanten Tools herunter – nicht die vollständigen 114. Im Beispiel sank die Token-Anzahl von 18.000 auf 1.800 (90% Ersparnis), während in 99% der Fälle das benötigte Tool trotzdem im gefilterten Fenster verfügbar bleibt.

  Zur Kontextualisierung kritisiert der Creator die Skills-Architektur (alles als Prompt) als unzuverlässig und ineffizient, während MCPs und Code-basierte Tools zwar token-effizient, aber weniger flexibel sind. Der Grund, warum diese Optimierungen nicht Standard sind: MCP selbst sieht sie nicht vor – die Clients müssen diese Features selbst implementieren.

  Explizite Tools/Anbieter: Anything LLM, LM Studio, Claude Code, Codex, Cursor, Olama, Anthropic (MCP); Format: Meinung/Reflexion mit Tech-Lösung.

Unsupervised Learning

Keine neuen Videos in diesem Zeitraum.

WorldofAI (7 neues Videos)

• OpenAI Spud (GPT 6), Claude Conway, GPT Image 2, Cursor 3, Claude Code Ultra, & More! AI NEWS!
  5.4.2026, 08:02:28

  AI News Roundup: OpenAI Spud, Anthropic Conway, und mehr

  OpenAI Spud (GPT 5.5/6): OpenAI konzentriert sich auf das Spud-Modell, das im Frühjahr 2026 erwartet wird. Es handelt sich um ein neues Basis-Modell, das GPT 5.5 oder GPT 6 sein könnte und soll komplexe, langfristige Aufgaben bewältigen, flexibler agieren und neue Fähigkeiten freischalten. OpenAI hat Ressourcen von Projekten wie Sora umgelenkt, um Spud zu priorisieren.

  GPT Image 2: OpenAI testet sein neues Bildgenerierungsmodell GPT Image 2 derzeit unter drei Codenamen (Masking Tape Alpha, Gaffer Tape Alpha, Packing Tape Alpha) in Arena. Das Modell beeindruckt mit weltweitem Wissen und nahezu perfektem Text-Rendering in Bildern, etwa bei Handschriften oder Firmenlogos.

  Anthropic Conway: Anthropic entwickelt einen Always-On-Agent namens Conway, der in einer eigenen UI läuft, Browser-Konnektoren, Cloud-Code und Webhooks nutzen kann, sowie Custom Tools durch den CNV-Zip-Standard unterstützt.

  Claude-Preisänderungen: Ab 4. April werden Drittanbieter-Tools wie OpenClaw nicht mehr von Pro- und Max-Abos abgedeckt und erfordern separate Abrechnungen. Grund: Nutzer exploitierten die $200er Max-Pläne für teure Agentic-Workloads. Anthropic bietet eine einmalige Gutschrift gleich der monatlichen Abonnementgebühr an.

  Claude Code Ultra Plan: Ein neues Ultra-Plan-Feature erlaubt detaillierte Planung in Cloud-Code auf dem Web (statt lokal), mit Browser-basierter Überprüfung und Flexibilität bei der Implementierung lokal oder in der Cloud.

  Anthropic Voice: Ein geleaktes Claude-Code-Update zeigt Deepgram-Voice-Model-Integration, was Anthropics Expansion in Multimodal-AI signalisiert.

  Cursor 3: Cursor führt ein neu gestaltetes IDE ein, das mehrere lokal oder remote laufende Agents unterstützt und eine optimierte Editor-Oberfläche bietet.

  DeepSeek Version 4: Startet im Frühjahr und wird native auf Huawei Ascend 95 PR Chips laufen – ein strategischer Meilenstein für China, da es die erste Frontier-Modell ist, die auf heimischer Hardware läuft. Alibaba, ByteDance und Tencent haben bereits massiv solche Chips bestellt; die Preise stiegen um 20% in Wochen. Dies signalisiert einen Shift weg von Nvidias CUDA-Ökosystem.

  Qwen 3.6 Plus: Alibabas neues Modell mit 1 Million Token Context-Fenster, 78.88 auf SWAY Bench, übertrifft Claude Opus auf den meisten Benchmarks und bietet stärkere Coding-Fähigkeiten.

  Gemma 4: Googles neues Open-Weight-Modell unter Apache 2.0 Lizenz, in mehreren Größen verfügbar, rankt auf Arena Platz 3 und läuft auf lokalen Devices – auch auf iPhone 17 Pro mit ~40k Tokens/Sekunde via MLX-Optimierung, mit Multimodal-Support (Text, Bilder, Audio, Video).

  Explizite Tools/Anbieter: OpenAI, Anthropic (Claude), Google (Gemma), Alibaba (Qwen), DeepSeek, Cursor, Huawei, Deepgram | Format: News-Update/Roundup.

• Gemma 4 Is INCREDIBLE! Google’s Open Model IS POWERFUL! (Fully Tested)
  4.4.2026, 06:05:20

  Google hat die neue Gemma-4-Serie veröffentlicht, eine Familie von vier Open-Source-Modellen unter der Apache-2.0-Lizenz, die auf Effizienz pro Parameter ausgelegt sind: das 2-Milliarden-Modell für Mobile/Edge, das 4-Milliarden mit Multimodal-Fähigkeiten, das 26-Milliarden-Modell (nutzt nur ~3,8 Milliarden Parameter aktiv) und das 31-Milliarden-Flaggschiff-Modell mit hoher Qualität. Alle unterstützen Multi-Step-Reasoning, Math, Planning, Agent Workflows, Tool Use, strukturierte JSON-Outputs, über 140 Sprachen und bis zu 256K Context Window.

  Die Kernstärke liegt in der Effizienz: Das 26-Milliarden-Modell läuft auf älteren Macs mit ~300 Tokens/Sekunde, und das 31-Milliarden-Modell benötigt etwa 2,5x weniger Output-Tokens als Qwen 3.5 (27B) für ähnliche Aufgaben – trotz etwas niedrigerer Benchmark-Scores (31 vs. 42 auf dem Intelligence Index). Bei Tests schlägt es aber oft größere Modelle in Reasoning und Coding. Bei Coding-Benchmarks erreicht es 80%, auf MMLU Pro 85,2% und ist aktuell Platz 3 auf der LM Arena Leaderboard.

  Der Creator testete die Modelle umfassend mit Kilo CLI und fand, dass das 31-Milliarden-Modell sehr gute Frontend-Generationen schafft (MacOS-UI, komplexe UIs mit State Management), wobei SVG-Qualität teilweise nachlässt und komplexe 3D-Animationen schwächer ausfallen. Das kleinere 26-Milliarden-Modell zeigte vergleichbare Fähigkeiten mit erkennbaren Einschränkungen. Interessant: Google hat auch „Agent Skills” in der Gemini-App gestartet – dabei läuft ein kleineres Gemma-4-Modell vollständig lokal auf dem Gerät, chainable Tools zusammen, und führt Multi-Step-Tasks aus, einschließlich Multimodal-Analyse von Bildern.

  Preislich kostet das 31-Milliarden-Modell über die API etwa 14 Cent pro Million Input-Tokens und 40 Cent pro Million Output-Tokens. Zugang über Google AI Studio (kostenlos testbar), Google API, OpenRouter, Kilo (mit $25 Free Credits empfohlen) oder lokal via Ollama, Hugging Face oder LM Studio.

  Google Gemma-4, Demo mit lokalem Agentic Workflow.

• Qwen 3.6 Plus: GREATEST Opensource AI Model EVER! Beats Opus 4.5 and Gemini 3 (Fully Tested)
  3.4.2026, 05:21:24

  Zusammenfassung: Qwen 3.6 Plus – Leistungstest und Demo

  Der Qwen 3.6 Plus ist ein neues Open-Source-Agentic-Modell mit 1-Million-Token-Kontextfenster, das für komplexe Coding-Aufgaben, Automatisierung und multimodale Fähigkeiten optimiert ist. Es konkurriert benchmarkweit mit Claude Opus 4.5 und Gemini 3 Pro und übertrifft diese teilweise bei Su Bench und Terminal Bench. Das Modell zeichnet sich durch starke Frontend-Entwicklung aus, kann aber bei der Generierung längerer Projekte zeitintensiv sein, da es länger nachdenkt, bevor es Ausgaben liefert.

  In praktischen Tests zeigte das Modell beeindruckende Ergebnisse: Es erstellte einen funktionsfähigen macOS-Klon im Browser mit vollständig codierten Apps (Finder, Safari, Mail, Kalender etc.), inklusive SVG-Icons und Dark-Mode-Umschalter – etwas, das Claude Opus 4.5 nicht generierte. Eine F1-Drift-Simulation mit veränderlichen RPM und Kamerawinkeln sowie mehrere Landing Pages mit Animationen zeigten ebenfalls hohe Qualität. Bei SVG-Malerei und Butterfly-Animation übertraf Qwen 3.6 Plus das Konkurrenzmodell Kimi K 2.5. Besonders beeindruckend: Ein TikTok-Klon für Mobile mit vollständiger Funktionalität und ein Minecraft-Klon mit funktionsfähigen Blöcken, Wasser, Höhlensystemen, Erzen und Lava – mit Health-Bar-Mechanik.

  Das Modell kostet 50 Cent pro 1 Million Input-Token und 3 Dollar pro 1 Million Output-Token. Kostenlos testbar über den Chatbot, API (Open Router, Kilo Code), und es werden kleinere Open-Source-Varianten erwartet. Der Sprecher nutzte Kilo CLI für die Tests und empfiehlt das Modell besonders für Frontend, visuelle Coding-Aufgaben und multimodale Anwendungen – insgesamt ein qualitativer Sprung für autonome KI-Agenten.

  Explizite Modelle/Tools: Qwen 3.6 Plus, Claude Opus 4.5, Gemini 3 Pro, Kimi K 2.5, Kilo CLI, Open Router (sowie Whisper Flow als Sponsor) – Format: Demo mit Vergleich, Schwerpunkt auf praktische Tests.

• NEW Hidden Features You MUST Enable In Your Claude Code Setup!
  2.4.2026, 07:05:15

  Zusammenfassung: Versteckte Features in Claude Code

  Das Video stellt eine Reihe von wenig bekannten oder undokumentierten Features in Claude Code vor, die laut Aussage des Creators in Konfigurationsdateien, Feature Flags und Umgebungsvariablen verborgen sind.

  Autodream/Memory Consolidation: Das Feature /dream (Autodream genannt) konsolidiert automatisch Claudes Speicher zwischen Sessions, indem es veraltete Notizen entfernt und nützliche Erkenntnisse bewahrt. Es wird durch /memory aktiviert und kann durch Anweisungen wie „consolidate my memory using dream” aufgerufen werden.

  Flicker Mode: Ein experimenteller Renderer behebt das Problem des flackernden und ruckelnden UI. Aktivierung über cloud_code_no_flicker = 1 in Konfigurationsdateien. Trade-offs sind das Fehlen von Command+F und veränderte Copy-Paste-Verhalten.

  Powerup-Befehl: /powerup bietet interaktive, im Terminal eingebaute Lektionen zum Erlernen von Claude Code.

  Codeex-Plugin: Ein vom OpenAI-Team bereitgestellter Plugin integriert einen zweiten Code-Review-Agenten direkt in Claude Code, um Rate-Limit-Probleme zu entschärfen.

  Computer Use via MCP: Mit /mcp kann Claude Code Anwendungen öffnen, durch UIs navigieren und Bugs direkt finden und reparieren. Feature ist in Research Preview für Pro/Max Plans (Mac OS). Für Windows/Linux gibt es ein inoffizielles Plugin-Äquivalent.

  Teleport und Remote Control: /teleport wechselt Sessions zwischen Geräten; /remote control ermöglicht Kontrolle einer lokalen Session von einem anderen Gerät aus.

  Output Styles: Mit /output-style lassen sich drei Verhaltensweisen setzen (default, explanatory, learning), die anpassen, wie Claude Code mit dem Nutzer interagiert.

  Hooks: Automatisieren repetitive Aufgaben durch Logik an spezifischen Punkten im Agent-Lebenszyklus (z.B. session-start, pre-tool-use, permission-request, stop).

  Session Forking: Mit /branch oder /resume [session-id] --fork-session lassen sich Sitzungen duplizieren, um sicher zu experimentieren.

  Git Worktrees: Der cloud_worktree-Befehl ermöglicht parallele Sessions im gleichen Repository.

  Effort Level: Setzt mit Slash-Befehlen die Reasoning-Zeit pro Session.

  Dynamische Shell-Outputs in Prompts: Spezielle Befehle betten Shell-Ausgaben direkt in Skill-Prompts ein.

  Explizit genannte Tools/Anbieter: Claude Code, OpenAI, Codeex, Anthropic (MCP) — Tutorial/Meinung, für Anfänger bis fortgeschrittene Nutzer zugänglich.

• Claude Opus 4.7 + Sonnet 4.8 + Mythos 5 ALL Leaked & New Claude Code Features!
  1.4.2026, 06:28:00

  Ein massiver Leak von über 500.000 Zeilen Claude Code-Quellcode wurde durch eine fehlerhafte GitHub-Aktualisierung freigelegt und verbreitete sich innerhalb von Minuten im Internet. Trotz Takedown-Versuchen wurde der Code gespiegelt und von Entwicklern bereits öffentlich auf GitHub rekonstruiert und veröffentlicht. Der Leak enthüllte interne Codenamen für bestehende Modelle (Fenick = Opus, Tangu = Haiku, Capra = Sonnet, Titan) sowie Hinweise auf kommende Versionen wie ein 1-Million-Token-Kontext-Capra-Modell und die neuen Modelle Opus 4.7 und Sonnet 4.8. Dabei wurden auch 44 Feature-Flags aufgedeckt, die kommende Funktionen zeigen: einen Hintergrund-KI-Agenten namens Karios, eine Companion-KI namens Buddy (humorvoll als Tamagotchi-ähnlicher Pet mit April-Fools-Bestätigung), Sprachfunktionen, Multi-Agent-Koordination, fortgeschrittene Planungstools, einen versteckten Modus sowie ein strukturiertes Langzeitgedächtnis zur Lösung von Claude Codes Speicherproblemen. Weitere offenbarte Features sind Autodream (unendliches Speicher), Chyros-Agent, proaktive Agenten, Ultra-Plan für langfristige Aufgaben, Voice-Mode, Background-Sessions, Dispatch-Feature, Daemon-ähnliche Agenten und MCP-Computersteuerung. Das Leak offenbarte auch einen „Advisor” – ein serverseitiges Tool, bei dem ein stärkeres Claude-Modell die Konversationen in Echtzeit überwacht. Entwickler haben bereits damit begonnen, Claude Code zu klonen und eigene Versionen zu erstellen, einige mit entfernter Telemetrie und freigeschalteten experimentellen Features. Die nächste Tier-Flaggschiff-Linie wird Mythos sein, das intern zusammen mit verbesserten Versionen von Capra getestet wird und eine massive 1-Million-Token-Kontextfenster sowie schnelle und vollständige Reasoning-Modi unterstützt.

  Claude/Anthropic-Modelle und Claude Code wurden explizit thematisiert; News-Update/Demo-Format.

• Claude Code Computer Use Can Control Your ENTIRE Computer! Automate Your Life!
  31.3.2026, 06:12:02

  Anthropic hat Claude eine Computer-Use-Fähigkeit eingeführt, die es Claude erlaubt, wie ein Mensch mit dem Computer zu interagieren – Apps öffnen, Browser navigieren, Formulare ausfüllen und Aufgaben automatisieren. Diese Funktion ist nun in Claude Code für Mac OS (Pro/Max-Pläne) verfügbar und wird über das MCP-Menü aktiviert. Nach Bestätigung der Berechtigungen kann Claude dann beliebige UI-Elemente klicken, mit Anwendungen interagieren und visuelle Debugging durchführen.

  Die Hauptanwendungsfälle sind: native Apps vollständig testen, End-to-End-UI-Workflows ausführen, visuelle Layout-Probleme direkt beheben und mit GUI-only-Tools arbeiten (Design-Software, Simulatoren, proprietäre Apps ohne CLI/API). Das Transkript zeigt praktische Beispiele wie das automatische Erstellen und Füllen eines Google Sheets oder das Testen einer selbstgebauten Movie-Tracker-App mit Datenvalidierung.

  Für Windows- und Linux-Nutzer gibt es ein Open-Source-Workaround: ein auf GitHub verfügbarer Dev-Browser-CLI, der ähnliche Fähigkeiten bietet, indem der Agent Code schreibt und ausführt, statt native Bildschirminteraktion zu nutzen. Die Installation erfolgt über npm-Kommandos und das Tool wird dann als Plugin in Claude Code aufgerufen.

  Ein weiterer Punkt: Anthropic arbeitet aktiv an einer Lösung für neue Rate-Limits in Claude Code, die Entwickler früher als erwartet erreichen.

  Claude (Anthropic), Dev-Browser-CLI als Workaround für Windows/Linux — Demo.

• Turn Antigravity Into AN AI Autonomous Engineering Team! Automate Your Code with Subagents!
  30.3.2026, 04:40:33

  Anti-Gravity + Arcade: AI-Agenten-Team für echte Automatisierung

  Anti-Gravity hat ein integriertes Mission-Control-System, das Sub-Agenten mit spezialisierten Fähigkeiten orchestriert – allerdings mit einer kritischen Limitierung: Die Agenten können planen, aber nicht sicher in die echte Welt ausführen. Das ändert sich durch Arcade.dev, ein kostenloser MCP-Runtime, der als Ausführungsebene fungiert und die Agenten befähigt, tatsächlich über 7.500+ Tools zu handeln (Gmail, Slack, Google Docs, Kalender etc.).

  Workflow-Beispiel aus dem Video: Eine Onboarding-Aufgabe wurde automatisch aufgeteilt – ein Agent crawlte die Website für Fonts/Logos, ein anderer kompilierte ein Walkthrough, der dritte schrieb eine Gmail. Manuelle Handoffs gab es keine.

  Setup-Schritte:

  1. Arcade-Konto erstellen und Tools im Tool Catalog wählen (Gmail, Slack, Google Docs, Kalender)
  2. MCP Gateway in Arcade konfigurieren (Namen vergeben, Tools selektieren)
  3. MCP-Snippet in Anti-Gravity (Settings → MCP Servers → Raw Config) eintragen
  4. Mission Control öffnen und Sub-Agenten durch Prompts starten

  Demo-Resultat: Ein AI-Ops-Dashboard wurde gebaut, das Metriken und KPIs visualisiert. Die Agenten erstellten daraufhin automatisch Google Docs (Onboarding-Guide), drafteten Slack-Nachrichten und schrieben Emails – jeweils mit echten OAuth-Authentifizierungen statt gehackter Workarounds.

  Wichtig: Die Playground-Funktion in Arcade erlaubt es, einzelne Tools vorab zu testen. Tool-Executions werden getracked und auditierbar geloggt. Man kann mehrere spezialisierte Sub-Agenten gleichzeitig auf verschiedene Tasks hetzen statt einen einzelnen All-in-One-Agenten zu nutzen.

  Demo mit praktischen Ergebnissen: Anti-Gravity + Arcade verbunden; ein Befehl „Onboard new designer” produzierte sofort einen Gmail-Draft, konnte (nach OAuth) eine Slack-Nachricht senden und ein Google Doc anlegen – alles in einem Workflow ohne manuelles Copy-Paste.

  Anti-Gravity und Arcade (kostenloses MCP-Runtime) wurden als zentrale Tools thematisiert; Format: Tutorial/Demo mit Sponsor-Integration.

Zubair Trabzada | AI Workshop (2 neues Videos)

• Claude Code + Bad Google Reviews = Easiest AI Business Ever
  3.4.2026, 14:00:29

  Claude Code + Bad Google Reviews = Easiest AI Business Ever

  Der Ersteller hat mit Claude Code ein Custom-AI-Tool gebaut, das die gesamte Online-Reputation eines Unternehmens in Minuten automatisiert analysiert. Das Tool nutzt mehrere AI-Agents parallel, um Reviews, Sentiment-Analyse, Competitor-Benchmarking und alles darauf abgestimmte auszuwerten – und generiert einen professionellen PDF-Report mit konkret umsetzbarer 90-Tage-Roadmap.

  Demo am Beispiel einer Klempnerfirma: Das Tool sammelt in Fase 1 Daten über Websuche (Google Reviews, Yelp, Trustpilot etc.), startet dann 5 parallele Agents. Der Report zeigt: Reputation-Score (hier 62/100, Note C+), Executive Summary, Sentiment Distribution, Review-Theme-Analyse nach Plattform, Competitor Benchmarking mit Response-Raten und Lücken, plus automatisch generierte Antwortvorschläge auf negative Reviews, die man kopieren kann.

  Ideale Zielunternehmen: Umzugsunternehmen, Schlosser, Bauunternehmer, HVAC, Dachdecker, Reparaturdienste – Branchen, wo schlechte Reviews natürlicherweise entstehen (subjektive Arbeiten, Preisverwirrung, Kundenerwartungen vs. Realität). Diese Businesses wissen, dass Reviews kritisch sind, haben aber keine Zeit/Tech-Savviness, sich darum zu kümmern.

  Kundenakquise & Verkauf: Cold Outreach funktioniert nicht; stattdessen zuerst kostenlos den Audit laufen lassen, dann den PDF-Report mit Fokus auf die 3-4 Hauptfunde und Competitor-Gaps präsentieren. Das zeigt Wert und erhöht Conversion.

  Geschäftsmodell: Audit + Report kostenlos. Dann $500–$2.000/Monat für laufendes Reputation Management (Beantwortung neuer Reviews nach Tool-Vorlagen). Mit nur 5–10 Clients = $10–$15k/Monat recurring. Arbeit pro Client: max. 1–2h/Monat; Tool macht die Schwerstarbeit. Regelmäßig Re-Audits zeigen den Fortschritt.

  Demo-Tool mit Claude Code, Fokus auf lokale Servicebusiness und Review-Management — Meinung/Anleitung zum Geschäftsmodell.

• How I Make Money With Claude Code
  2.4.2026, 14:00:07

  Zusammenfassung

  Der Kern des Videos sind drei mentale Verschiebungen, um mit Claude Code tatsächlich Geld zu verdienen, statt nur Tutorials zu konsumieren:

  Shift 1 – Vom Üben zum Problemlösen: Statt Demo-Apps zu bauen, sollte man echte Geschäftsprobleme angehen. Es gibt viele Kleinunternehmer, Startup-Gründer und Freelancer, die täglich manuelle Arbeit bewältigen – Datentransfer zwischen Tabellen, zeitraubende Routineaufgaben – und keine Ahnung haben, wie AI helfen kann. Hier liegt die Monetarisierungslücke: Eine einfache, funktionierende Lösung für ein echtes Problem einer echten Person entwickeln.

  Shift 2 – Von Stundenverkauf zu Produkten: Wer anfängt, Client-Arbeit zu leisten, tauscht Zeit gegen Geld – nicht nachhaltig. Smarter: Das Wissen aus jedem Projekt in wiederverkäufliche Templates, Starter-Kits oder Automation Packs verwandeln und z.B. über Plattformen wie Gumroad verkaufen. So entstehen mehrere Einkommensströme, und der Produktverkauf läuft ohne persönlichen Zeit-Einsatz.

  Shift 3 – Vom Builder zum Guide: Der entscheidende Wechsel ist, die Rolle zu verlassen und stattdessen andere Builders anzuleiten. Wer sein Wissen teilt (Content, Community-Hilfe, Dokumentation), baut Vertrauen auf und entwickelt ein Publikum. Eine Community mit wiederkehrenden Mitgliedern generiert am Ende konsistentere Einnahmen als einzelne Projekte oder Produkte – und skaliert ohne zusätzliche Arbeit pro Person.

  Die zentrale Botschaft: Es geht nicht um fehlende Fähigkeiten, sondern um den mentalen Wechsel von Konsum zu Produktion und davon, wem man hilft – mit Claude Code als Werkzeug, um alles umzusetzen.

  Claude Code, Meinung/Reflexion.

---

Automatisch generiert aus den letzten YouTube-Videos der kuratierten Kanal-Auswahl. Bei Feedback, Anregungen oder zum Austragen: einfach auf diese Mail antworten.