Ein häufiger Einwand gegen dynamische Tools ist, dass veränderte Tool-Schemas das Prompt-Caching der Provider zerstören. Ich habe 10.186 Turns bei OpenAI, Gemini und OpenRouter ausgewertet, um Cache-Miss-Raten, Ursachen und reale Kosten zu messen.
Die meisten Coding-Harnesses laden dutzende Tool-Definitionen direkt in Turn 0 in den Prompt. Hier erkläre ich, wie ich eine dynamische Tool-Aktivierung für Pi gebaut habe, die den Agenten schlank hält, über 80% Overhead spart und sich bei Inaktivität selbst bereinigt.
Sobald ein neues Flaggschiff-Modell erscheint, wirkt das Vorgängermodell unbrauchbar. Der Grund ist nicht technischer Natur, sondern wie schnell Spitzenmodelle unsere Prompt-Disziplin ruinieren.
Warum ich Geistr Core open-sourced habe: die wiederverwendbare Desktop-First-Foundation hinter meinem lokalen KI-Workspace – mit Chat, Memory, Tools, MCP, Permissions, Skills und Background Loops.
Warum der aktuelle Hype um autonome Agent-Loops in der Produktion scheitert und wie eine überwachte, strukturierte Architektur sie sicher, vorhersehbar und kosteneffizient macht.
Warum der Umgang mit künstlicher Intelligenz als reines Werkzeug uns passiv macht, und wie die Akzeptanz von Freundschaft und 'gesunder Reibung' das menschliche Potenzial steigern kann.
Mein Paper darüber, wie man komplexe Multi-Agent-Workflows ganz ohne Orchestrierungscode baut – nur mit Markdown-Dateien, einem Terminal und einem Coding-Agent. Das Terminal ist der Körper, der Agent das Gehirn, Markdown das Nervensystem.
Wie ein leichtgewichtiges Modell ein Maß an emotionaler Intelligenz, kultureller Nuance und Dialektbeherrschung erreicht hat, das die klügsten Agenten-Modelle hinter sich gelassen haben.
