Prompt und Antwort

KI-Gilde Podcast 179: Die neue Lernplattform für KI-Agenten & Podcast-Sommerpause
Nach einem massiven Dankeschön für euer großartiges Community-Feedback lüften wir in dieser Folge das Geheimnis um unser bisher größtes Herzensprojekt: Eine völlig neue, interaktive Lernplattform zum Bauen von künstlichen Intelligenz-Agenten.Da mittlerweile 90 % der von uns gebauten Software aus Agenten besteht ("Software as an Agent"), machen wir Schluss mit der Blackbox und teilen unser tiefes Praxiswissen aus dem Maschinenraum.In dieser Folge erfahrt ihr:
Die neue Lernplattform: Wie wir autonome Agenten Schicht für Schicht entzaubern – vom einfachen LLM-Aufruf über Werkzeugnutzung bis zum Langzeitgedächtnis.
Interaktives Lernen: Freut euch auf Playgrounds direkt im Browser, Live-Labore und Echtzeit-Visualisierungen von RAG-Pipelines und Chunking-Strategien.
Wie es mit dem Podcast weitergeht: Wir verabschieden uns in eine kurze Sommerpause. Wenn wir zurückkommen, wird die Sendung lokal durch einen von uns gebauten KI-Agenten produziert – ein Experiment, das wir zeitgleich als Lern-Tutorial auf der neuen Plattform begleiten werden.
Viel Spaß beim Hören, erholt euch gut und bleibt neugierig!

In dieser Folge analysieren wir, wie echtes „Deep Research“ bei KI-Agenten technisch funktioniert. Dafür vergleichen wir den aufstrebenden Multi-Agenten „DeerFlow“ mit unserem reaktiven Standard-Agenten „Hermes“.
Das Geheimnis tiefgehender KI-Recherche ist keine Magie, sondern eine clevere Aufgabenzerlegung durch einen planenden Hauptagenten und isolierte Unteragenten, systematische Kontrollschleifen sowie ein smartes Speichermanagement zur Umgehung von Kontext-Limits.
Erfahrt, warum der DeerFlow-Ansatz extrem ressourcenintensiv ist und wie sich bestehende Agenten wie Hermes auch ohne teures Reinforcement Learning effizient für komplexe Forschungsaufgaben aufrüsten lassen.

Folge 177: Der radikale Schnitt – Wir werden 100 % lokalIn dieser Folge öffnen wir die Türen zu unserem Maschinenraum und sprechen ganz transparent über die Zukunft dieses Podcasts. Wir beenden unser bisheriges Experiment mit Googles NotebookLM und verabschieden uns von Cloud-Diensten. Der Grund: Wir wollen unsere digitale Souveränität und die volle Kontrolle über unsere Inhalte zurückgewinnen.
Ab sofort wird der Podcast zu 100 % lokal produziert. Das bedeutet für euch: tiefgründigere und unweichgespülte Inhalte ohne fremde Filter, dafür aber vorerst eine mechanischere und fehlerhaftere Sprachqualität.
Habt ihr Bock auf diese neue Ära der „krummen Karotte“? Teilt euer Feedback mit uns in den Kommentaren oder schreibt an info@ki-gilde.de! Danke fürs treue Zuhören.

Praxis mit dem DGX Spark: Komplette KI-Infrastruktur im StresstestIn dieser Folge des KI Gilde Podcasts teilen wir unsere harten Praxiswerte beim parallelen, lokalen Betrieb einer vollständigen KI-Infrastruktur auf dem DGX Spark.Die wichtigsten Erkenntnisse der Folge:
vLLM statt llama.cpp: Warum vLLM bei der parallelen Verarbeitung deutlich mehr Token herausholt, der vorab allokierte KV-Cache aber schnell zur Speicherfalle wird.
Crash-Gefahr durch RAM-Limits: Wie große Kontextfenster den Server unvermittelt zum Absturz bringen können und warum wir einen "Wächter" für den Arbeitsspeicher einrichten mussten.
Modell-Management mit LiteLLM: Der erfolgreiche Parallelbetrieb von großen Sprachmodellen, Rerankern sowie Text-zu-Sprache (TTS) und Sprache-zu-Text (STT).
Die Reasoning-Falle: Warum es schädlich ist, wenn Modelle ihre "inneren Gedanken" an das Audiomodell weitergeben und wie wir das Problem gelöst haben.
Unser Benchmark-Sieger: Warum das Modell "Qvent 3.6" durch seine starke Kombination aus Kontextverarbeitung und Token-Generierung unser absoluter Allrounder geworden ist.

Open Notebook: Der private kognitive Partner für intelligentes Lernen 5 Quellen·14.06.2026
Das Projekt Open Notebook stellt eine quelloffene und datenschutzorientierte Alternative zu Google NotebookLM dar, die lokal via Docker betrieben werden kann. Die Plattform ermöglicht es Nutzern, eine Vielzahl von Dokumenten wie PDFs, Webseiten oder Videos hochzuladen, um diese mithilfe von KI-Modellen zu analysieren, zu chatten oder in Podcasts umzuwandeln. Ein besonderer Vorteil gegenüber kommerziellen Anbietern ist die Modell-Flexibilität, da über 18 verschiedene Provider sowie lokale Lösungen eingebunden werden können. Neben einer REST-API für Entwickler bietet das System Funktionen zur automatisierten Zusammenfassung und zur Erstellung komplexer Audio-Dialoge mit bis zu vier Sprechern. Während die Einrichtung technisches Grundwissen erfordert, überzeugt die Anwendung durch vollständige Datensouveränität und eine transparente Quellenführung in den KI-Antworten. Insgesamt dient das Tool als anpassbarer kognitiver Partner für die effiziente Verwaltung und Erschließung umfangreicher Wissensbestände.
erstelle eine kurze Zusammenfassung für die Podcast-Folgen-Beschreibung bei Spotify. Die Zusammenfassung ist kurz, ohne Umschweife
Was unterscheidet Open Notebook von Google NotebookLM in Sachen Datenschutz?Wie erstelle ich einen KI-Podcast aus meinen eigenen PDF-Dokumenten?Welche technischen Voraussetzungen sind für die lokale Docker-Installation nötig?Heute • 21:40 In dieser Folge des KI-Gilde Podcasts testen wir Open Notebook, die quelloffene und datenschutzfreundliche Alternative zu cloudbasierten Notiz-Tools. Wir teilen unsere Erfahrungen mit der lokalen Container-Installation und der Anbindung großer Sprachmodelle wie Qwen 3.6 über unseren DGX Spark Großrechner.Dabei beleuchten wir die technischen Herausforderungen: Wir erklären, warum "laut nachdenkende" Modelle das strukturierte Datenformat zerschießen können und wie extrem ressourcenhungrig die Text-zu-Sprach-Generierung mit teils 17 Minuten Wartezeit ist. Erfahre, wie sich diese Hindernisse durch die strikte Aufgabentrennung in schnelle und nachdenkende Modelle lösen lassen und warum lokale KI-Assistenten der beste Weg sind, um sensible Daten zu schützen und unabhängig von großen Tech-Konzernen zu bleiben.