7 min read · 14 sources

OpenAI hat gerade jedem Entwickler die Umgebung in die Hand gegeben, die Codex antreibt. Die Agents API bringt dieselbe Infrastruktur, die OpenAIs eigene Coding-Agenten tagelang am Leben hält, für jeden, der bereit ist, sie in seinen Stack zu integrieren. Das ist kein Wrapper um ein Chat-Modell - es ist die Orchestrierungsschicht, das Umgebungsmanagement, das Checkpointing, das langlaufende Agenten praktikabel macht. Wenn Sie bisher LangChain und Cron-Jobs zusammengeflickt haben, ist das das, was sie ersetzt.

Die API bietet Infrastruktur, um Agenten zuverlässig über Tage laufen zu lassen, plus Umgebungen, in denen Agenten mit Dateien arbeiten, Code ausführen und Zwischenergebnisse speichern können. Denken Sie daran als verwaltete Laufzeitumgebung für agentische Workloads: Ihr Agent bekommt einen persistenten Arbeitsbereich, kann beliebigen Code ausführen und überlebt lange genug, um eine Aufgabe tatsächlich abzuschließen. Für Teams, die an die Wand gestoßen sind, wo Agenten nach wenigen Minuten sterben oder zwischen Schritten Zustand verlieren, beseitigt das das härteste operative Problem.

Ein Software-Factory-Lauf mit 7 Aufgaben produzierte über 15 Stunden 90.000 Zeilen Codeänderungen mit nur 2 menschlichen Aktionen - eine zum Start, eine zur Überprüfung.

Die Agents API: Codex' Geheimrezept wird öffentlich

OpenAIs Codex war intern der Prüfstand für agentisches Coding. Die Agents API legt dieselbe Umgebung offen - die Schleife, die einem Agenten erlaubt, zu planen, auszuführen, zu beobachten und zu iterieren, ohne menschliches Eingreifen. Die Infrastruktur übernimmt die langweiligen Teile, die die meisten Agent-Projekte scheitern lassen: Zustandspersistenz, Umgebungsisolierung und die Fähigkeit, über Tage zu laufen, ohne dass das Ganze in einen Zombie-Prozess kollabiert.

Für Ingenieure ist das Interessante, was sich operativ ändert. Agenten in großem Maßstab zu betreiben bedeutet, Compute, Speicher und Fehlerbehebung zu verwalten. OpenAI verkauft das jetzt als Dienstleistung. Sie bringen die Aufgabe, sie bringen die Umgebung. Die Frage ist, ob Preisgestaltung und Zuverlässigkeit der API unter Produktionslast halten, aber das Architekturmuster ist klar: Agenten als verwalteter Dienst, nicht als DIY-Projekt.

Anthropic kappt KI-Waffenanfragen

Anthropic hat die Nutzung seiner Modelle zur KI-Waffenentwicklung erkannt und den Zugriff eingeschränkt. Das Unternehmen sagt, es könne weiterhin nicht feststellen, ob eine Anfrage legitimen oder schädlichen Zwecken dient, und habe daher auf Nummer sicher gesetzt - die Folgen von Fehlern könnten schwerwiegend sein.

Das ist die Spannung zwischen Sicherheit und Nützlichkeit in Echtzeit. Anthropics Modelle werden von Rüstungskonzernen, Sicherheitsforschern und zunehmend von Menschen genutzt, die Dinge bauen wollen, die anderen schaden. Das Unternehmen kann den Unterschied nicht zuverlässig erkennen und schränkt daher die gesamte Kategorie ein. Erwarten Sie, dass das eine fortlaufende Saga wird: Jede Einschränkung drängt legitime Nutzer zu anderen Modellen, und jedes Leck drängt Regulierer dazu, Einschränkungen vorzuschreiben.

Unitree: Die erste Humanoid-Roboter-Aktie

Source: chinatalk.media ↗

Unitree notierte am 19. August am STAR Market und wurde damit die erste Humanoid-Roboter-Aktie am chinesischen A-Aktien-Markt. Die Marktkapitalisierung erreichte kurzzeitig 440 Milliarden Yuan - etwa 62 Milliarden US-Dollar zu aktuellen Kursen. Das ist eine atemberaubende Bewertung für ein Unternehmen, dessen Roboter größtenteils noch Demos und Nischeneinsätze sind.

Die Tiefenanalyse behandelt Unitrees Führungsstruktur und wie sich das Unternehmen im Übergang vom privaten Startup zum börsennotierten Unternehmen verändert. Der interessante technische Aspekt ist Kostenkontrolle: Unitree hat Roboterpreise aggressiv gesenkt, und die öffentlichen Märkte werden nun vierteljährliche Disziplin von einem Unternehmen erzwingen, das es gewohnt ist, Geld für Forschung und Entwicklung zu verbrennen. Wenn humanoide Roboter echte Produkte werden sollen, ist das das Unternehmen, das beweisen muss, dass die Ökonomie funktioniert.

Wird KI das Wachstum in den zweistelligen Bereich treiben?

Source: aleximas.substack.com ↗

Ökonomen und Analysten prognostizieren zunehmend, dass KI das Wirtschaftswachstum auf 10 bis 15 Prozent pro Jahr treiben könnte. Das ist kein Tippfehler - das ist die Spanne, die in ernsthaften Analysen genannt wird. Zum Vergleich: Die US-Wirtschaft wächst seit Jahren um etwa 2 Prozent jährlich. Ein Sprung in den zweistelligen Bereich wäre die schnellste wirtschaftliche Expansion in der aufgezeichneten Geschichte.

Für Ingenieure implizieren diese Prognosen rasanten technologischen Wandel, der die Nachfrage nach ihren Fähigkeiten umgestalten könnte. Wenn das Wachstum diese Niveaus erreicht, werden Unternehmen um Talente, Infrastruktur und neue Produkte kämpfen. Aber betrachten Sie die Zahlen mit Skepsis: Die Bilanz wirtschaftlicher Prognosen ist schlecht, und die Produktivitätsgewinne durch KI haben sich langsamer materialisiert, als der Hype suggeriert. Die realistische Einschätzung: KI wird Wachstum antreiben, aber ob es 2 oder 15 Prozent sind, kann niemand sagen.

Tech-Unternehmen wechseln zu offenen KI-Modellen

Source: blog.pragmaticengineer.com ↗

Der Pragmatic Engineer behandelt, wie Tech-Unternehmen zu offenen KI-Modellen wechseln, mit Fokus auf die Optimierung der Modellauswahl und das Durchführen von Benchmarks. Unternehmen testen jetzt wöchentlich alle verfügbaren Frontier- und Open-Modelle, um sich ein genaues Bild ihrer Fähigkeiten zu machen. Sie cachen außerdem Prompts, um Geld zu sparen, wenn sie Ubers eigene Umgebung, Minions, verwenden.

Der Trend ist klar: Open Models haben die Lücke genug geschlossen, dass Unternehmen sie für Produktionsworkloads einsetzen können. Die technische Arbeit verschiebt sich von „Welches Modell ist am besten“ zu „Wie routen wir Anfragen, cachen aggressiv und evaluieren wöchentlich, wenn neue Modelle erscheinen.“ Mehr Unternehmen setzen pro Entwickler Grenzen für KI-Nutzung - die Ära der unbegrenzten KI-Codierung endet, da Kosten real werden.

Der Lebenszyklus einer Sharded-Postgres-Query

Source: planetscale.com ↗

PlanetScales Beitrag führt durch, was passiert, wenn eine Query eine shardierte Datenbank trifft. Eine echte Datenbank hat Hunderte von Tabellen - das Beispiel hält das Schema einfach mit zwei Tabellen über vier Shards verteilt. Der Beitrag behandelt Routing, verteilte Transaktionen und die Konsistenz-Kompromisse, die mit horizontaler Skalierung einhergehen.

Die zentrale Erkenntnis für jeden, der Postgres in großem Maßstab betreibt: Sharding verändert alles daran, wie Sie Queries schreiben. Joins werden zu verteilten Operationen, Transaktionen benötigen Koordination, und das Verhalten der Datenbank unter Last unterscheidet sich grundlegend von einem einzelnen Knoten. Wenn Sie Sharding planen, lesen Sie das zuerst.

Der Software-Factory-Realitätscheck

Source: seangoedecke.com ↗

Zwei Beiträge diese Woche zeichnen sehr unterschiedliche Bilder KI-getriebener Entwicklung. Ein Experiment verbrachte 35 Stunden mit dem Betrieb einer „Software-Factory“, die „absolut nichts von Wert“ lieferte. Ein anderer Lauf produzierte 90.000 Zeilen Codeänderungen über 7 Aufgaben, wobei Agenten 15 Stunden arbeiteten und nur 2 menschliche Aktionen stattfanden - eine zum Start, eine zur Überprüfung vor dem Deployment.

Der Unterschied ist kein Glück. Es ist das Harness-Design. Der erfolgreiche Lauf nutzte Schleifen, Graphen und Harnesses - strukturierte Ansätze, um Qualität aus Agenten herauszuholen. Der gescheiterte Lauf behandelte die Factory als Blackbox. Armin Ronachers Beitrag über Astra macht denselben Punkt: Wenn Sie nicht gründlich von KI-Fähigkeiten enttäuscht wurden, haben Sie nicht genug versucht. Das „KI-Psychopath“-Problem ist real - Agenten tun, was Sie verlangen, einschließlich des Falschen, mit erschreckender Kompetenz.

Was nach Git kommt

Source: ersc.io ↗

East River Source Control existiert seit über einem Jahr, wurde aber öffentlich kaum diskutiert. Der Beitrag argumentiert, dass Quellcode eines der wertvollsten Güter einer Organisation ist und dass der Aufstieg agentischer Entwicklung Versionskontrollsysteme besonders belastet.

Das Argument: Git wurde für menschliche Zusammenarbeit entworfen, nicht für Tausende von KI-Agenten, die gleichzeitig Änderungen vornehmen. Agentische Entwicklung braucht Versionskontrolle, die massive parallele Änderungssätze, automatische Konfliktlösung und Review-Prozesse bewältigt, die über menschliche Kapazität hinaus skalieren. Gits Modell von Branching und Merging bricht zusammen, wenn die Anzahl der Branches in die Tausende geht.

Sie glauben wirklich, dass KI alle töten könnte

Source: seangoedecke.com ↗

Die Menschen, die KI bauen, glauben ernsthaft, dass sie uns alle töten könnte. Das ist keine Randposition - es ist die erklärte Überzeugung der Führungsebene der großen Labs. Der Beitrag untersucht, was das bedeutet, wenn die Menschen, die die Technologie bauen, zugleich glauben, dass sie eine existenzielle Bedrohung ist.

Die technische Erkenntnis: Die Menschen, die KI am besten verstehen, sind am meisten besorgt. Das sollte beeinflussen, wie Sie KI-Systeme einsetzen, was Sie ihnen erlauben und welche Schutzmechanismen Sie einrichten. Das Framing „Es ist nur ein Werkzeug“ hält nicht, wenn die Schöpfer des Werkzeugs glauben, dass es die Zivilisation beenden könnte.

KI-Deidentifikation funktioniert - vielleicht zu gut

Source: distributedthoughts.org ↗

KI kann Sie besser deidentifizieren als viele adversariale Bot-Programme. Die Forschung zeigt, dass moderne Deidentifikationstechniken persönliche Informationen aus Daten effektiver entfernen können als traditionelle Methoden - aber das ist ein zweischneidiges Schwert. Wenn KI Daten perfekt deidentifizieren kann, kann sie potenziell auch reidentifizieren.

Googles DMA-Datenteilungsfrist

Source: desfontain.es ↗

Google hat sechs Monate Zeit, um die technischen Maßnahmen umzusetzen, die der Digital Markets Act der EU zur Datenteilung verlangt. Der Beitrag untersucht, was die Compliance-Frist für die Art bedeutet, wie Google Suchdaten mit Dritten teilt. Für jeden, der auf Suchdaten aufbaut, könnte das neuen Zugang eröffnen - oder es könnte dazu führen, dass Google kreative Wege findet, zu konformieren, ohne tatsächlich etwas Nützliches zu teilen.

Sieben tödliche Anzeichen von KI-Security-Snake-Oil

Source: grayswan.ai ↗

Gray Swans Feldleitfaden behandelt die roten Flaggen, die jeder Entwickler erkennen sollte, bevor er KI-Sicherheitstools kauft. Ihr Anbieter sagt „OWASP LLM Top 10 abgedeckt“ - das ist eine Checkliste, keine Sicherheitshaltung. Der Beitrag identifiziert sieben konkrete Anzeichen, dass ein KI-Sicherheitsprodukt Hype statt Schutz verkauft. Lesenswert vor Ihrem nächsten Beschaffungszyklus.

Schleifen, Graphen und Harnesses: Qualität aus einer Software-Factory herausholen

Source: ivokund.com ↗

Der Begleitbeitrag zur Software-Factory-Diskussion behandelt Designprinzipien für KI-getriebene Entwicklung. Schleifen lassen Agenten iterieren, Graphen lassen sie mehrere Pfade erkunden, und Harnesses beschränken sie auf produktive Arbeit. Die meisten Änderungen, die Agenten besser im Umgang mit Codebasen gemacht hätten, machen sie schlechter - der Beitrag erklärt, welche Designentscheidungen tatsächlich etwas bewegen.