KI lernen: generative KI, Harness und Claude Code

01 Die Grundlagen

Was generative KI ist, und was sie nicht ist.

Klassische Software folgt Regeln, die jemand geschrieben hat. Generative KI hat Muster aus einem riesigen Haufen Beispiele gelernt und macht jetzt Neues, das dazu passt.

Links: Regeln, gleich rein, gleich raus. Mitte: maschinelles Lernen sortiert. Rechts: generative KI erschafft.

Drei Arten von Software: Regeln liefern zur selben Eingabe dieselbe Ausgabe, maschinelles Lernen sortiert und bewertet aus Beispielen, generative KI erzeugt neuen Text, Bilder und Code.

Klassische Software

Regeln rein, Antworten raus

Ein Taschenrechner, ein Steuerformular. Jeden Schritt hat ein Mensch geschrieben.

Maschinelles Lernen

Beispiele rein, ein Urteil raus

Ein Spamfilter. Er hat seine Regeln in Millionen Beispielen gefunden. Er sortiert, er erschafft nicht.

Generative KI

Eine Bitte rein, etwas Neues raus

Eine E-Mail, ein Bild, ein Stück Code. Claude, ChatGPT und Gemini sind generative KI für Text.

Drei Dinge, die sie nicht ist

Keine Datenbank. Sie speichert Muster, keine Seiten. So erfindet sie, und so vertut sie sich bei Fakten.
Kein Mensch. Sie kennt keinen Zweifel. Richtige und falsche Antworten klingen gleich.
Nicht aktuell. Ihr Wissen endet an einem Stichtag, außer man legt ihr Neueres vor.

Weiter: wie ein Modell antwortet

02 Unter der Haube

Wie ein Modell antwortet: ein kleines Stück nach dem anderen.

Ein Sprachmodell kann genau eins: den bisherigen Text ansehen und das nächste Stück raten. Alles Beeindruckende ist dieser Schritt, sehr schnell wiederholt.

Satz:

Drück auf Starten und sieh der Schleife zu.

Ein Spielzeugmodell. Die Balken sind die Kandidaten für das nächste Token und wie wahrscheinlich jeder ist. Ein echtes Modell macht das mit Milliarden Parametern.

Ein Satz wird in Tokens zerlegt, die Tokens gehen ins Modell, das Modell wählt aus wenigen Kandidaten mit Wahrscheinlichkeiten das nächste Token, hängt es an und wiederholt das.

Training
Das Modell hat riesige Mengen Text gelesen und eine Übung milliardenfach gemacht: nächstes Stück raten, prüfen, nachjustieren.
Tokens
Textstücke, etwa ein Dreiviertelwort. Grenzen und Preise werden darin gezählt.
Inferenz
Das trainierte Modell benutzen. Text rein, nächstes Token raus, wiederholen, bis die Antwort fertig ist.
Kontextfenster
Alles, was das Modell auf einmal sieht. Feste Größe. Außerhalb existiert nichts.

Tiefer rein: das Netz im Inneren eines Modells, in 3D

Verborgene Schichten

Ziehen zum Drehen. Knoten mit der Maus berühren.

Knoten in Schichten, jeder mit der nächsten Schicht verdrahtet. Das Training stellt die Stärke jeder Leitung ein. Echte Modelle haben Milliarden davon.

Schichten von Knoten, durch Linien verbunden; ein Signal leuchtet Schicht für Schicht auf, von der Eingabe zur Ausgabe.

Was daraus folgt

Folge 1

Flüssig und falsch

Wahrscheinlich ist nicht dasselbe wie wahr. Eine erfundene Tatsache oder ein erfundener Befehl ist eine Halluzination.

Folge 2

Gleiche Frage, andere Antwort

Bei der Wahl des nächsten Tokens ist etwas Zufall im Spiel. Die Temperatur regelt, wie viel.

Folge 3

Es vergisst zwischen Chats

Ein neues Gespräch beginnt leer. Jedes Gedächtnis ist Text, der gespeichert und wieder vorgelegt wurde.

Folge 4

Eingabe bestimmt Ausgabe

Klare Bitte und die richtigen Dateien schlagen jeden Trick. Rauschen im Kontext macht Antworten schlechter.

Weiter: was ein Harness ist

03 Das Programm um das Modell

Was ein Harness ist: der Teil, der dem Modell Hände gibt.

Ein Modell allein gibt nur Text zurück. Der Harness ist die Software drumherum, die Tools ausführt, das Gespräch hält und die Regeln prüft.

Das Modell will …

Wähle eine Aktion. Das Modell schreibt nur eine Anfrage; das Gate entscheidet.

Das Modell berührt deine Dateien nie. Jede Anfrage passiert das Gate: erlauben, dich fragen oder ablehnen. Dieses Gate schreibt Agent Safeguard als .claude/settings.json.

Eine Anfrage verlässt das Modell und erreicht ein Berechtigungs-Gate, das sie durchlässt (allow), auf dich wartet (ask) oder zurückwirft (deny), bevor sie deine Dateien berühren kann.

Aufgabe 1

Fährt die Schleife

Schickt deine Bitte ans Modell, führt seinen Schritt aus, schickt das Ergebnis zurück. Wiederholen.

Aufgabe 2

Stellt die Tools bereit

Lesen, ändern, suchen, Befehle ausführen, Seiten laden. Das Modell nennt ein Tool; der Harness führt es aus.

Aufgabe 3

Entscheidet, was erlaubt ist

Vor jeder Aktion: los, den Menschen fragen oder ablehnen. Der einzige Ort, an dem ein „Nein“ gilt.

Aufgabe 4

Verwaltet den Kontext

Wählt aus, was das Modell sieht, und fasst Altes zusammen, wenn das Fenster voll wird.

Weiter: die fünf Arten von Harness

04 Die Arten

Fünf Arten von Harness, nach ihrer Reichweite.

Gleiches Modell, sehr verschiedene Reichweite. Je weiter rechts, desto mehr von deiner Welt kann es anfassen.

Chat-Apps (Claude, ChatGPT, Gemini), Agenten im Editor (Cursor, Copilot), im Terminal (Claude Code, Codex CLI, Gemini CLI), in der Cloud (Claude Code im Web, Codex Cloud) und SDKs zum Selberbauen.

Fünf Arten nach Reichweite: Eine Chat-App berührt nichts auf deinem Rechner; ein Agent im Editor sieht das offene Projekt; ein Agent im Terminal kann alles, was ein Befehl in dem Ordner könnte; ein Cloud-Agent arbeitet an einer Kopie deines Repositorys beim Anbieter; mit einem SDK baust du einen Agenten mit den Tools, die du wählst.

Weiter: Claude Code aus der Nähe

05 Ein Harness aus der Nähe

Claude Code, verständlich erklärt.

Anthropics Harness für die Claude-Modelle: ein agentisches Coding-Tool, das deine Codebasis liest, Dateien ändert und Befehle ausführt. Du beschreibst die Aufgabe; es arbeitet an deinem echten Projekt.

Ein Kern, vier Orte. Deine CLAUDE.md, Einstellungen und MCP-Server gelten überall.

Claude Code läuft im Terminal, in Editoren, als Desktop-App und im Browser, alles auf demselben Kern mit denselben Anweisungsdateien und Einstellungen.

Wie es arbeitet

Sammeln, handeln, prüfen

Liest, was es braucht, ändert etwas, prüft das Ergebnis. Wiederholen. Du kannst jederzeit unterbrechen.

Was es erreicht

Dein Projekt und dein Terminal

Jede Datei im Ordner und jeden Befehl, den du dort ausführen könntest. Diese Reichweite ist der Grund für Regeln und Sperren.

Loslegen

`cd mein-projekt`, dann `claude`

Frag „Was macht dieses Projekt?“. Dann schreibt /init eine erste CLAUDE.md. Installation in der Übersicht (englisch).

Du:      Das Anmeldeformular nimmt leere E-Mails an.
         Schreib einen Test, der fehlschlägt, dann behebe es.
Claude:  will signup.test.ts ändern     ← fragt im Modus Manual vorher
Du:      ja
Claude:  Tests: 1 fehlgeschlagen → ändert signup.ts → Tests: alle grün

Tiefer rein: die sechs Bausteine, die du Claude Code hinzufügen kannst

Immer geladen

CLAUDE.md

Die Anweisungen deines Projekts, zu Beginn jeder Sitzung gelesen. Anleitung, keine Durchsetzung.

Bei Bedarf geladen

Skills

Eine SKILL.md unter .claude/skills/: Wissen oder ein Ablauf, nur geladen, wenn es passt.

Eigener Arbeiter

Subagenten

Eigene Schleife, eigener Kontext, meldet eine Zusammenfassung. Hält Recherche aus deinem Gespräch.

Garantiert

Hooks

Dein Skript, zu festen Zeitpunkten, jedes Mal, egal was das Modell entscheidet. Das ist Durchsetzung.

Verbindungen nach außen

MCP-Server

Ein offener Standard, um eine Datenbank, ein Ticketsystem, einen Browser anzuschließen. Jeder vergrößert die Reichweite.

Paket

Plugins

Skills, Hooks, Subagenten und MCP-Server in einer Installation. Lies zuerst, was drin ist.

Weiter: zehn Gewohnheiten für den guten Umgang

06 Praktisch

Claude Code gut nutzen: zehn Gewohnheiten.

Die meisten folgen aus einer Tatsache: Das Kontextfenster füllt sich schnell, und die Qualität sinkt, je voller es wird.

Füll das Fenster. Ist es voll, verdichtet der Harness.

Eine Datei kostet vier Nachrichten. Die Verdichtung presst die ältesten Blöcke zu einer Zusammenfassung. Die CLAUDE.md unten wird jede Sitzung neu geladen, deshalb gehören Regeln dorthin.

Eine Box füllt sich mit Blöcken für Nachrichten, Dateien und Befehlsausgaben; ist sie voll, werden die ältesten Blöcke zu einem Zusammenfassungsblock gepresst, und die Anweisungsdatei unten bleibt immer.

Gib ihm eine Prüfung, die es ausführen kann
Tests, ein Build, ein Screenshot. Sonst bist du der Tester.
Erst planen, dann bauen
Shift+Tab für den Plan-Modus. Nur bei Ein-Satz-Änderungen weglassen.
Sei konkret
Die Datei, das Symptom und woran man „behoben“ erkennt.
Halte die CLAUDE.md kurz
Unter 200 Zeilen. Streich jede Zeile, die keinen Fehler verhindert.
Die CLAUDE.md ist eine Bitte
Was nie passieren darf, gehört in eine deny-Regel oder einen Hook.
Fang zwischen Aufgaben neu an
/clear. Nach zwei gescheiterten Korrekturen: leeren und neu fragen.
Korrigiere früh
Esc stoppt es. Esc Esc oder /rewind geht zurück.
Committe trotzdem in Git
Checkpoints erfassen nur seine Dateiänderungen, nie eine Datenbank.
Gib Recherche an einen Subagenten
Hunderte gelesene Dateien bleiben aus deinem Gespräch heraus.
Wähle den Berechtigungsmodus bewusst
deny-Regeln gelten in jedem Modus. Bypass nur im Container.

Befehle, die man kennen sollte

Du tippst	Was passiert
`/init`	Schreibt eine erste CLAUDE.md aus deinem Projekt.
`/context`	Zeigt, was im Kontextfenster Platz belegt.
`/clear`	Leert den Kontext. Zwischen Aufgaben, die nichts miteinander zu tun haben.
`/compact`	Fasst das Gespräch zusammen und schafft Platz.
`/rewind`	Stellt einen früheren Stand von Gespräch und Code wieder her.
`/permissions`	Gibt Tools vorab frei, denen du vertraust.
`/model`	Wechselt das Claude-Modell in der Sitzung.
`Shift+Tab`	Schaltet den Berechtigungsmodus durch, auch den Plan-Modus.
`claude --continue`	Setzt das letzte Gespräch in diesem Ordner fort.
`claude -p "…"`	Eine Bitte ohne interaktive Oberfläche. Für Skripte.

Quellen (englisch): Best practices, CLAUDE.md, Permission modes, Extend Claude Code, gelesen am 5. Oktober 2026. Wenn diese Seite und die Doku sich widersprechen, hat die Doku recht.

Weiter: andere Harnesses im Vergleich

07 Die Nachbarn

Andere Harnesses, nebeneinander.

Jedes Tool liest eine Anweisungsdatei und hat einen Ort für Freigaben. Nur die Namen ändern sich.

Tool	Wo es läuft	Anweisungsdatei, die es liest	Wo Freigaben eingestellt werden
Claude Code	Terminal, Editor-Erweiterungen, Desktop-App, Browser	`CLAUDE.md`. Eine `AGENTS.md` wird standardmäßig nur gelesen, wenn es keine `CLAUDE.md` gibt.	Berechtigungsmodi sowie deny-, ask- und allow-Regeln in `.claude/settings.json`
Codex	CLI, IDE-Erweiterung, Cloud	`AGENTS.md`, aus deinem Home-Ordner und vom Git-Root abwärts	Approval-Policy und Sandbox-Modi. Netzwerkzugriff ist standardmäßig aus.
Gemini CLI	Terminal	Standardmäßig `GEMINI.md`. Mit einer Einstellung liest es `AGENTS.md`.	Approval-Modi, deny-Regeln in der Policy Engine und eine Sandbox, die standardmäßig aus ist
Cursor	Eigener Code-Editor	`AGENTS.md`, im Projektordner und in Unterordnern	Run Mode (Auto-review oder Allowlist), Dateischutz und eine Sandbox für Befehle
GitHub Copilot	VS Code und ein Cloud Agent	`AGENTS.md`	Auto-Approve-Regeln für das Terminal in VS Code. Eine Repository-Firewall für den Cloud Agent.

Weiter: alle Fachbegriffe

08 Vokabular

Alle Fachbegriffe, an einem Ort.

Kurze, ehrliche Erklärungen. Suchen, oder eine Gruppe wählen.

Modelle und Training

Künstliche Intelligenz (KI): Der Oberbegriff für Software, die Aufgaben erledigt, für die man früher menschliches Denken für nötig hielt. Alles Folgende ist ein Teil davon.
Maschinelles Lernen: Software, die ihre Regeln selbst in Beispielen findet, statt sie von einem Programmierer zu bekommen.
Neuronales Netz: Die Struktur, die das meiste maschinelle Lernen nutzt: Schichten einfacher, verbundener Einheiten mit verstellbaren Zahlen.
Deep Learning: Maschinelles Lernen mit neuronalen Netzen aus vielen Schichten. Die Methode hinter der heutigen KI.
Generative KI: KI, die neuen Text, Bilder, Ton oder Code erzeugt, statt nur zu sortieren oder zu bewerten.
Modell: Das trainierte Ergebnis: eine große Datei voller Zahlen, die eine Eingabe in eine Ausgabe verwandelt. Claude, GPT und Gemini sind Modellfamilien.
LLM, großes Sprachmodell: Ein Modell, das an Text trainiert wurde, das nächste Token vorherzusagen. Es schreibt, fasst zusammen, übersetzt und programmiert.
Foundation Model: Ein großes Allzweckmodell, auf dem viele verschiedene Produkte aufbauen.
Transformer: Die Bauart neuronaler Netze, die fast alle LLMs nutzen. Sie lässt das Modell jeden Teil des Textes gegen jeden anderen abwägen.
Parameter, Gewichte: Die Zahlen im Modell, die beim Training eingestellt wurden. Große Modelle haben Milliarden davon.
Training: Der einmalige Vorgang, die Parameter an einer riesigen Datenmenge einzustellen. Das macht der Hersteller des Modells, nicht du.
Trainingsdaten: Die Texte, Bilder oder der Code, aus denen ein Modell gelernt hat. Ihre Lücken und Verzerrungen zeigen sich in den Antworten.
Fine-Tuning: Zusätzliches Training eines fertigen Modells an einer kleineren, spezialisierten Sammlung von Beispielen.
Wissensstichtag: Das Datum, an dem die Trainingsdaten enden. Neueres kennt das Modell nur, wenn es in den Kontext gelegt wird.
Multimodal: Kann mit mehr als einer Art von Eingabe oder Ausgabe umgehen, etwa Text, Bildern und Audio.
Diffusionsmodell: Die Modellart hinter den meisten Bild- und Videogeneratoren. Sie beginnt mit Rauschen und verfeinert es Schritt für Schritt.
Open-Weight-Modell: Ein Modell, dessen Parameter veröffentlicht sind, sodass jeder es herunterladen und auf eigener Hardware betreiben kann.
Benchmark: Ein fester Satz von Aufgaben zum Vergleich von Modellen. Nützlich, aber ein hoher Wert verspricht kein gutes Ergebnis bei deiner Aufgabe.
AGI: Artificial General Intelligence: eine erhoffte oder gefürchtete KI, die bei den meisten geistigen Arbeiten mit Menschen gleichzieht. Es gibt keine einheitliche Definition und keinen Test dafür.

Wie ein Modell antwortet

Token: Ein Stück Text, etwa ein Dreiviertelwort. Modelle lesen, schreiben und werden abgerechnet in Tokens.
Inferenz: Ein trainiertes Modell ausführen, um eine Ausgabe zu bekommen. Jede Chat-Nachricht ist eine Inferenz.
Prompt: Der Text, den du einem Modell gibst: deine Frage oder Anweisung, plus alles, was du anhängst.
System-Prompt: Anweisungen, die das Produkt vor jedes Gespräch setzt, noch vor deiner ersten Nachricht.
Kontextfenster: Alles, was das Modell auf einmal sehen kann, gemessen in Tokens. Es hat eine harte Grenze.
Temperatur: Eine Einstellung dafür, wie viel Zufall in die Wahl jedes Tokens einfließt. Niedrig ist gleichmäßiger, hoch ist abwechslungsreicher.
Halluzination: Eine selbstbewusste, plausible, falsche Antwort: eine erfundene Tatsache, ein Zitat, ein Befehl oder eine Bibliothek.
Reasoning, Thinking: Ein Modus, in dem das Modell zuerst Arbeitsschritte für sich aufschreibt, bevor es antwortet. Langsamer, bei schweren Problemen oft besser.
Streaming: Die Antwort Token für Token anzeigen, während sie entsteht, damit du nicht auf die ganze Antwort wartest.
Latenz: Wie lange du auf eine Antwort wartest. Größere Modelle und längere Kontexte sind meist langsamer.
Embedding: Eine Zahlenliste, die für die Bedeutung eines Textstücks steht, sodass ähnliche Texte ähnliche Zahlen bekommen. Wird für die Suche genutzt.

Prompting und Wissen

Prompt Engineering: Bitten so schreiben, dass das Modell tut, was du meinst: klares Ziel, nötige Fakten, Beispiele, das gewünschte Format.
Context Engineering: Entscheiden, was ins Kontextfenster kommt und was draußen bleibt. Bei Agenten zählt das mehr als die Formulierung.
Zero-Shot, Few-Shot: Ohne Beispiele fragen, oder mit ein paar Beispielen der gewünschten Antwort. Beispiele helfen meistens.
Chain of Thought: Das Modell bitten, ein Problem Schritt für Schritt durchzugehen, bevor es antwortet.
RAG: Retrieval-Augmented Generation: erst in deinen Dokumenten nach passenden Stellen suchen, dann diese zusammen mit der Frage ans Modell geben.
Vektordatenbank: Ein Speicher für Embeddings, der die Stellen findet, die einer Frage in der Bedeutung am nächsten sind. Ein häufiger Teil von RAG.
Grounding: Eine Antwort an Quellen im Kontext binden, damit sie prüfbar ist und seltener erfunden wird.
Strukturierte Ausgabe: Das Modell in einem festen Format wie JSON antworten lassen, damit ein anderes Programm die Antwort lesen kann.

Agenten und Tools

Agent: Ein Modell plus ein Harness, das auf ein Ziel hinarbeitet, indem es wiederholt denkt, über Tools handelt und das Ergebnis ansieht.
Agentische Schleife: Der Kreislauf eines Agenten: Kontext sammeln, eine Aktion ausführen, das Ergebnis prüfen, wiederholen.
Harness: Das Programm um das Modell, das die Schleife fährt, die Tools bereitstellt, Berechtigungen durchsetzt und den Kontext verwaltet.
Tool, Tool-Aufruf, Function Calling: Eine Fähigkeit, die der Harness dem Modell anbietet, und eine Nutzung davon. Das Modell bittet als Text. Der Harness führt aus.
MCP: Model Context Protocol: ein offener Standard, um einen Agenten mit externen Tools und Daten zu verbinden. Jeder Server vergrößert die Reichweite.
Anweisungsdatei: Eine Markdown-Datei, die der Agent zu Beginn liest: CLAUDE.md für Claude Code, AGENTS.md für die meisten anderen Tools.
Skill: Ein Paket aus Anweisungen oder ein Ablauf, den der Agent nur lädt, wenn die Aufgabe es verlangt.
Subagent: Ein Agent, den ein anderer Agent für einen Teil der Aufgabe startet. Er hat seinen eigenen Kontext und liefert eine Zusammenfassung.
Multi-Agent, Orchestrierung: Mehrere Agenten an einer Aufgabe, wobei einer von ihnen oder ein Skript die Teile verteilt und die Ergebnisse einsammelt.
Hook: Dein eigenes Skript, das der Harness zu einem festen Zeitpunkt ausführt, etwa vor einem Tool-Aufruf. Es läuft jedes Mal und kann so eine Regel durchsetzen.
Plugin: Ein installierbares Paket aus Skills, Hooks, Subagenten und MCP-Servern.
Plan-Modus: Ein Modus, in dem der Agent liest und einen Plan vorschlägt, aber nichts bearbeitet, bis du zustimmst.
Compaction: Ältere Teile eines langen Gesprächs zusammenfassen, um Platz im Kontextfenster zu schaffen. Frühe Details können verloren gehen.
Checkpoint: Ein gespeicherter Stand von Dateien, bevor der Agent sie bearbeitet, damit sich die Änderung zurückdrehen lässt. Kein Ersatz für Git.
Memory: Notizen, die zwischen Sitzungen gespeichert und wieder in den Kontext geladen werden. Das Modell selbst merkt sich nichts.
Headless, nicht interaktiver Modus: Einen Agenten aus einem Skript oder einer Build-Pipeline laufen lassen, ohne dass jemand zusieht.
Vibe Coding: Software bauen, indem man sie einem Agenten beschreibt und das Ergebnis beurteilt, ohne den Code zu lesen.

Sicherheit und Kontrolle

Guardrail, Leitplanke: Jede Maßnahme, die ein KI-System in Grenzen hält: eine Regel, eine Berechtigungsprüfung, ein Filter, eine Sandbox.
Berechtigungsmodus: Eine Einstellung des Harness dafür, wie viel er tut, ohne dich vorher zu fragen.
deny-, ask-, allow-Regel: Eine Berechtigungsregel, die der Harness durchsetzt: nie ausführen, anhalten und mich fragen, oder einfach machen.
Sandbox: Eine Grenze des Betriebssystems um Befehle: in welche Ordner sie schreiben und welche Websites sie erreichen dürfen.
Prompt Injection: Text, versteckt in etwas, das der Agent liest, der ihm neue Anweisungen geben will. Das Modell kann ihn nicht zuverlässig von deinen unterscheiden.
Jailbreak: Ein Prompt, der ein Modell dazu überreden soll, seine eingebauten Sicherheitsregeln aufzugeben.
Datenabfluss: Daten verlassen den Ort, an dem sie bleiben sollten, etwa wenn ein Agent dazu gebracht wird, einen geheimen Schlüssel an eine Website zu senden.
Human in the Loop: Ein Aufbau, bei dem ein Mensch bestimmte Aktionen freigibt, bevor sie laufen. ask-Regeln sind die mechanische Variante.
Least Privilege: Einem Programm nur den Zugriff geben, den seine Aufgabe braucht, und keinen mehr.
Alignment: Die Arbeit daran, dass das Verhalten eines Modells zu dem passt, was Hersteller und Nutzer tatsächlich wollen.
Evals: Wiederholbare Tests eines Modells oder Agenten an Aufgaben, die dir wichtig sind. Die KI-Variante einer Testsuite.
Red Teaming: Das eigene KI-System absichtlich angreifen, um Schwächen zu finden, bevor es jemand anderes tut.

Kosten und Betrieb

API: Der Weg, über den ein Programm mit einem anderen spricht. Produkte erreichen ein Modell über die API des Herstellers.
API-Schlüssel: Eine geheime Zeichenfolge, die dich gegenüber einer API ausweist und über die abgerechnet wird. Behandle ihn wie ein Passwort. Füge ihn nie in einen Chat ein.
Modellanbieter: Das Unternehmen oder der Cloud-Dienst, der das Modell für dich betreibt.
Eingabe- und Ausgabe-Tokens: Was du sendest und was das Modell schreibt. Beides wird berechnet, meist zu unterschiedlichen Preisen.
Prompt Caching: Einen unveränderten Anfang eines Prompts über mehrere Anfragen wiederverwenden, was sie günstiger und schneller macht.
Rate Limit: Eine Obergrenze dafür, wie viele Anfragen oder Tokens du in einem Zeitraum nutzen darfst.

Die Sicherheitsbegriffe sind auf der Agenten-Seite mit Beispielen erklärt.

Gib deinem Agenten jetzt Hausregeln.

Etwa zwei Minuten. Nichts verlässt deinen Browser. Als Nächstes: was ein Agent ist und warum er Leitplanken braucht. Offizielle Dokus unter externe Quellen.

Meine Regeln erzeugen