Beiträge zum Tag #ai

Ich erzeuge die Hero-Bilder für diesen Blog komplett über mein eigenes MCP-Tool – mal mit Googles Imagen, mal mit OpenAIs gpt-image-1. Über viele Bilder hinweg zeigt sich klar, wo jedes Modell gewinnt und wo es patzt. Dieser Artikel ist kein Lab-Benchmark, sondern ein ehrlicher Praxisvergleich: Ich habe denselben Prompt durch beide Modelle geschickt und stelle die Ergebnisse direkt gegenüber – Logo-Treue mit Referenzbildern, Belichtung, Text-Artefakte und die typischen Fehlschläge. Am Ende weißt du, welches Modell du für welchen Bildtyp nimmst – inklusive eines Stolpersteins, der mich selbst eine fehlgeschlagene Generierung gekostet hat.

KI-Bildgeneratoren erfinden Logos – und das sieht man. Wenn ein Produkt-Hero das echte Home-Assistant- oder Firmen-Logo zeigen soll, hilft nur eins: das Logo als Referenz mitschicken. In diesem Artikel zeige ich, wie ich mein bestehendes generate_ai_image-MCP-Tool um Referenzbilder erweitert habe – wie der Code zwischen reinem Text→Bild und Bild-Input-Modus umschaltet (gpt-image-1 via images.edit, Gemini via generate_content) und welche Stolperfalle mich Tokens gekostet hat. Du brauchst Grundwissen zu Python und MCP; am Ende kannst du Logos zuverlässig in deine Heroes einfließen lassen.

KI-Agenten sind mehr als ein Chatfenster – sie nutzen Werkzeuge, steuern Systeme und erledigen echte Aufgaben. Dieser Guide bündelt meine Artikel zu einem roten Faden: vom Grundverständnis (was ist ein Agent, was ist MCP) über den praktischen Einsatz von Claude Code bis zum selbst gehosteten LLM mit Ollama. Alles aus echtem Setup – dieser Blog selbst wird von einem KI-Agenten über einen eigenen MCP-Server betrieben. Du brauchst Grundkenntnisse mit dem Terminal. Am Ende verstehst du, wie KI-Agenten funktionieren und wie du sie für eigene Projekte einsetzt.

„Agent“ ist gerade das Lieblingswort der KI-Branche – aber was unterscheidet einen Agenten eigentlich von einem Chatbot? Der Unterschied ist konkret und wichtig: Ein Chatbot antwortet, ein Agent handelt – er nutzt Werkzeuge, beobachtet das Ergebnis und macht weiter, bis die Aufgabe erledigt ist. Dieser Artikel erklärt ohne Hype, wie das funktioniert: die Agenten-Schleife, warum Werkzeuge der Schlüssel sind, welche Autonomie-Stufen es gibt und wo die Grenzen liegen. Geerdet an Tools, die ich selbst täglich nutze. Danach durchschaust du das Buzzword und kannst einschätzen, wann ein Agent wirklich Sinn ergibt.

Nicht jede KI-Anfrage muss in die Cloud: Mit Ollama betreibst du Sprachmodelle wie Llama oder Mistral komplett lokal auf deinem eigenen Server – datenschutzfreundlich, kostenlos im Betrieb und offline verfügbar. Dieser Artikel zeigt den ehrlichen Einstieg: Installation in einer Zeile, das erste Modell laden und nutzen, die nüchterne Hardware-Realität (wie viel RAM brauchst du wirklich) und wie du Ollama über seine API mit einer Oberfläche verbindest. Du brauchst einen Linux-Server mit etwas RAM; am Ende läuft dein eigenes LLM im Homelab.

KI im Browser kennt jeder – aber der eigentliche Produktivitätssprung kommt, wenn der Agent direkt in deinem Terminal sitzt, deine Dateien liest und Befehle ausführt. Claude Code ist genau so ein Agent. Dieser Artikel zeigt den kompletten Einstieg für Anfänger: Installation, Login, der erste echte Task und was Claude Code von einem normalen Chat unterscheidet. Du brauchst nur Node.js und ein Terminal; am Ende läuft dein erster KI-Agent lokal und du weißt, wie du ihn sinnvoll einsetzt – ohne dich in der Doku zu verlieren.

Ein Sprachmodell wie Claude oder GPT kann beeindruckend formulieren – aber von sich aus nichts tun: keine Datei lesen, keine API aufrufen, nichts veröffentlichen. Das Model Context Protocol (MCP) schließt genau diese Lücke: Es ist ein offener Standard, über den ein LLM externe Werkzeuge und Daten ansprechen kann. Dieser Artikel erklärt ohne Buzzword-Bingo, was ein MCP-Server wirklich ist, aus welchen Bausteinen er besteht und wann sich ein eigener lohnt – konkret am Beispiel des MCP-Servers, mit dem ich diesen Blog (devmaker.net) steuere. Du brauchst nur Grundverständnis von APIs; am Ende weißt du, ob MCP für dein Projekt Sinn ergibt.

Ich bin Entwickler, kein Designer – aber devmaker.net sollte trotzdem professionell aussehen. Mit claude.ai/design hab ich meine Tailwind + DaisyUI Template-Files hochgeladen, einen einzigen Satz als Prompt eingegeben, und drei gezielte Rückfragen beantwortet. Das Ergebnis: drei vollständig ausgearbeitete Hi-Fi-Designs, eines davon ist jetzt live auf dieser Seite. Dieser Artikel zeigt den kompletten Workflow von Prompt über Design-Auswahl bis zur Template-Integration mit Claude Code – inklusive Vorher/Nachher-Vergleich der Templates.