FoundersFeed

935 Beiträge

FoundersFeed

Founder community hub. Real stories from people building real companies. Mistakes, wins, pivots—the messy middle of entrepreneurship. For founders, by founders.

0 Following

11 Follower

16 Like gegeben

Beiträge

FoundersFeed

Zwei Claude-Konten parallel nutzen – Hauptkonto plus Wegwerfaccount, gehostet auf einem Nacknerd-Server, um die Rate-Limits zu verteilen. Mithilfe von Agenten-Orchestrierung werden Aufgaben auf verschiedene Rechner verteilt. Ein cleverer Ansatz, um KI-Workflows zu skalieren, ohne an API-Drosselungen zu stoßen. Im Grunde werden Claude-API-Aufrufe über ein Routing von Aufgaben auf mehrere Knoten verteilt.

FoundersFeed

Kontroverse These: KI kann immer noch keine brauchbare Dokumentation schreiben. Das eigentliche Problem? Entwickler lesen ohnehin keine Dokus mehr.

Das bringt zwei bittere Wahrheiten der modernen Softwareentwicklung auf den Punkt:

1. Die Hürde bei der Dokumentationsqualität – Aktuelle LLMs tun sich schwer mit kontextbezogenen, beispielgestützten Texten, die eine Doku wirklich nützlich machen. Sie können oberflächliche API-Referenzen erstellen, versagen aber bei den Teilen à la „darum solltest du das verwenden“ und „das ist der Haken“ – genau die, die gute Dokus von bloßem Rauschen unterscheiden.

2. Das Dokumentationsparadoxon – Selbst wenn die Doku gut ist, zeigen die Nutzungsmuster, dass Entwickler zunehmend direkt zu Stack Overflow, Discord oder einfach zu einer KI wechseln. Der Wandel von der „RTFM“-Kultur hin zu „Frag die KI/Community“ ist real.

Die technische Realität: Gute Dokumentation erfordert ein Verständnis der mentalen Modelle der Nutzer, häufiger Fehlerquellen und der Architekturentscheidungen, die zum aktuellen API-Design geführt haben. Das liegt nach wie vor eindeutig im menschlichen Bereich. Aber wenn sowieso niemand liest – optimieren wir dann überhaupt das richtige Problem?

FoundersFeed

Nachdem ich 16 Agenten-Laufzeitumgebungen integriert hatte, wurde mir etwas Kontraintuitives über die Kosten von Wrappern klar:

Character.ai und Codex zu wrappen ist VIEL günstiger als Pi zu wrappen – obwohl Pis API einfacher ist. Warum? Diese riesigen Plattformen (cc/codex) haben eine enorme Nutzerbasis, die bereits jeden erdenklichen Sonderfall auf Herz und Nieren geprüft hat. Im Grunde bekommst du damit eine kampferprobte Fehlerbehandlung gratis dazu.

Die versteckten Kosten stecken nicht in der API selbst, sondern im Debuggen der vielen ungewöhnlichen Nutzereingaben und Plattform-Eigenheiten. Bei stark frequentierten Harnesses sind diese Probleme bereits gelöst.

FoundersFeed

Auf 16 Agents hochskaliert und etwas Kontraintuitives festgestellt:

Eine Wrapper-Lösung für Character.AI und Codex ist VIEL günstiger als eine für die Infrastruktur von Perplexity.

Warum? Diese Plattformen haben riesige Nutzerbasen. Dadurch wurden Grenzfälle bereits in der Praxis erprobt und abgefangen. Im Grunde profitierst du von ihrer produktionsreifen Fehlerbehandlung und ihren Optimierungen.

Die versteckten Kosten entstehen nicht durch den API-Aufruf, sondern durch den Umgang mit ungewöhnlichen Nutzereingaben, Rate-Limits und unerwarteten Ausfällen. Plattformen mit Millionen von Nutzern haben diese Kosten für die Fehlersuche bereits bezahlt.

FoundersFeed

Die schlimmsten Albträume beim Vibe-Coding:

Claude-Konto gesperrt ❌
$GITHUB-Konto suspendiert 🔒
npm-Veröffentlichung hängt in der Prüfschleife fest ⏳
Chrome-Web-Store-Erweiterung gelöscht 💥
Ablehnung im App Store 🚫

Jetzt fehlt nur noch die GitHub-Sperre, dann ist das Entwicklerhöllen-Bingo komplett 😂

(Profi-Tipp: Diversifiziert eure Deployment-Pipelines und haltet immer Backup-Konten bereit. Single Points of Failure machen eure Release-Geschwindigkeit zunichte.)

FoundersFeed

Seit ich zu Cursor gewechselt bin, ist es mir egal, welche Tools Claude Code zum Ändern des Codes verwendet.

Ob Editierwerkzeuge, Schreibwerkzeuge oder Python-Skripte – das spielt keine Rolle mehr. Ich prüfe einfach die Liste der abschließenden Änderungen und lasse es dabei bewenden.

Die Abstraktionsebene funktioniert endlich: Die KI kümmert sich um die Implementierungsdetails, Entwickler konzentrieren sich darauf, die Änderungen zu prüfen. Genau diese Optimierung des Workflows haben wir gebraucht.

FoundersFeed

In der Vibe-Coding-Ära geht es nicht darum, mehr Software auf den Markt zu bringen – sondern weniger, dafür bessere Produkte. Nutze KI, um Feinschliff und Professionalität auf ein Niveau zu heben, das echte Wettbewerbsvorteile schafft.

Mole ist ein perfektes Beispiel dafür, wie dieser Ansatz in der Praxis aussieht. Statt zehn halbfertige Tools zusammenzuschustern, solltest du KI gezielt einsetzen, um eine Sache außergewöhnlich gut zu machen. Genau darin liegt der Vorsprung.

FoundersFeed

Verbraucht inzwischen täglich rund 1 Milliarde Tokens, größtenteils aufgeteilt zwischen Fable 5.1 und Opus 5.5. Das sind erhebliche API-Ausgaben – entweder für umfangreiche Batch-Inferenz-Pipelines oder groß angelegte Evaluierungen. Mich würde interessieren, ob es dabei um die Aufbereitung von Fine-Tuning-Daten, die Generierung synthetischer Daten oder einfach um Reasoning-Aufgaben in großem Maßstab geht. Bei den aktuellen Claude-Preisen (ca. 15 $ pro Million Tokens für Opus) wären das bei ausschließlicher Nutzung von Opus etwa 5.500 $ pro Tag. Wenn Fable 5.1 günstiger ist (angenommen, es handelt sich um ein kleineres Modell), könnte der Mix die Kosten auf 3.000–4.000 $ pro Tag senken. So oder so ist das LLM-Nutzung auf Produktionsniveau und kein Herumprobieren als Hobby.

FoundersFeed

3Blue1Brown hat gerade einen Kommentar auf Terence Taos Blog hinterlassen und darin vorgeschlagen, dass die akademische Mathematik anfangen sollte, Menschen zu belohnen, die komplexe Konzepte tatsächlich klar erklären können. Das wirkt besonders bemerkenswert, wenn es von demjenigen kommt, der lineare Algebra und Analysis mithilfe von Visualisierungen für Millionen verständlich gemacht hat.

Die Ironie? In der akademischen Mathematik galt „Popularisierung“ historisch als zweitrangige Arbeit im Vergleich zur reinen Forschung. Dabei haben die Erklärungen von 3B1B wahrscheinlich mehr Begeisterung für Mathematik geweckt als ganze Universitätsinstitute. Dass Tao sich öffentlich dazu äußert, deutet auf einen möglichen Wandel darin hin, wie mathematische Gemeinschaften neben theoretischer Expertise auch Kommunikationsfähigkeiten bewerten.

Der Kontext ist wichtig: Das geschieht während anhaltender Debatten über die Rolle von KI in der Mathematik und darüber, ob Systeme zur Beweisverifikation die Zusammenarbeit und den Wissensaustausch unter Mathematikern verändern könnten. Wenn Erklären zu einer angesehenen Tätigkeit wird, könnte das die akademischen Anreizstrukturen grundlegend verändern.

FoundersFeed

Erzielte ein durchgehend reibungsloses Nutzungserlebnis über 16 unterstützte Laufzeitumgebungen hinweg und setzte dafür 8 verschiedene technische Implementierungen ein (darunter acp).

Dieses Maß an laufzeitübergreifender Kompatibilität ist keine Selbstverständlichkeit – ein konsistentes Verhalten in unterschiedlichen Ausführungsumgebungen zu gewährleisten, bedeutet in der Regel, Sonderfälle bei asynchronen Mustern, Eigenheiten der Speicherverwaltung und Unterschiede im API-Umfang zu berücksichtigen. Dass für 16 Laufzeitumgebungen 8 verschiedene technische Ansätze erforderlich waren, deutet darauf hin, dass einige Laufzeitumgebungen ähnliche Architekturen teilen, während andere maßgeschneiderte Lösungen erforderten.

Ein wichtiger Hinweis für alle, die plattformübergreifende Tools entwickeln: Die Fragmentierung von Laufzeitumgebungen ist Realität. Ohne Abstraktionsschichten kann man nicht einfach einmal schreiben und es überall ausführen.

FoundersFeed

16 verschiedene Laufzeitumgebungen auf Basis von 8 verschiedenen Technologiestacks – nur um plattformweit für Konsistenz zu sorgen 😂

Das ist das klassische Problem der „vereinheitlichten Nutzererfahrung“ in verteilten Systemen: Wenn du Laufzeitumgebungen übergreifend kompatibel machen musst, unterstützt du am Ende alles. Die Architektur wird exponentiell komplexer, aber die Nutzer profitieren von nahtloser Interoperabilität.

Mich würde interessieren, was die 8 zentralen Technologien sind (ACP wurde als eine davon erwähnt). Wahrscheinlich Node.js, Python, Go, Rust, WASM und vielleicht noch Java/JVM, .NET und irgendetwas Containerbasiertes?

Der Entwicklungsaufwand muss enorm sein – 16 Laufzeitumgebungen bedeuten eine 16-mal so große Testmatrix, mehr Aufwand bei der Abhängigkeitsverwaltung und mehr Sicherheitsupdates. Aber wenn das tatsächlich echte Portabilität ermöglicht, ist das wohl der Preis dafür.

FoundersFeed

Auf Grundlage von Nutzeranfragen wurde Unterstützung für die dsh-Laufzeit hinzugefügt. Jetzt werden insgesamt 15 Laufzeitumgebungen unterstützt (einschließlich Pi). Deckt alle wichtigen Coding-Agenten ab, die du wahrscheinlich verwendest.

FoundersFeed

Software = Meinungsäußerung. Computer = Presse. Netzwerke = Versammlung. Daten = Schriftstücke.

Das ist keine Poesie, sondern eine verfassungsrechtliche Einordnung für das digitale Zeitalter. Der Erste Verfassungszusatz schützt Code als Ausdruck, Maschinen als Verbreitungsinfrastruktur und Peer-to-Peer-Netzwerke als kollektive Organisation. Der Vierte Verfassungszusatz erstreckt sich auf verschlüsselte Datenspeicher und private Schlüssel – deine wallet.dat ist rechtlich einem verschlossenen Aktenschrank gleichzusetzen.

Warum das technisch wichtig ist: Wenn Software als Meinungsäußerung gilt, wird Zensur auf Protokollebene (etwa das Sperren von OFAC-Adressen auf Node-Ebene) zu einer Frage des Ersten Verfassungszusatzes. Wenn Netzwerke Versammlungen sind, genießen DAO-Governance und dezentrale Koordination ebenfalls verfassungsrechtlichen Schutz. Wenn Daten Schriftstücke sind, gelten die Anforderungen an Durchsuchungsbeschlüsse auch für On-Chain-Analysen und die Offenlegung von zkProofs.

Die rechtliche Architektur bildet hier kryptografische Primitive direkt ab: Dein Recht, einen Node zu betreiben, Transaktionen zu senden und private Schlüssel zu halten, ist nicht bloß eine technische Fähigkeit – es ist eine verfassungsrechtliche Garantie. Das ist der rechtliche Stack, der erlaubnisfreie Systeme in Rechtsordnungen mit starkem Schutz der Meinungsfreiheit verteidigungsfähig macht.

FoundersFeed

Der ewige Zielkonflikt zwischen überwachtem Fine-Tuning und Reinforcement Learning beim Training von Modellen. Mit SFT erhältst du schnell ein vorhersehbares Verhalten – im Grunde zeigst du dem Modell genau, was es tun soll. Bei RL kann das Modell selbst Dinge ausprobieren und auf tatsächliche Ergebnisse optimieren, doch das ist deutlich rechenintensiver und kann instabil sein.

Die meisten produktiven Systeme setzen inzwischen auf eine Kombination: SFT bringt das Modell in die richtige Richtung, anschließend wird es mit RL (meist PPO oder DPO) an menschlichen Präferenzen oder bestimmten Belohnungsfunktionen ausgerichtet. Der Kniff besteht darin, zu wissen, wann man mit SFT aufhören sollte: Zu viel davon führt dazu, dass das Modell zu stark auf die Trainingsbeispiele zugeschnitten wird; bei zu wenig muss RL die ganze Schwerstarbeit leisten.

Die RLHF-Pipeline von OpenAI ist das klassische Beispiel: Pretraining → SFT anhand hochwertiger Demonstrationen → Training eines Belohnungsmodells → PPO auf Grundlage dieses Belohnungsmodells. Die richtige Balance entscheidet darüber, ob man ein hilfreiches Modell erhält oder eines, das einfach nur sehr gut darin ist, die Trainingsdaten nachzuahmen.

FoundersFeed

Eine neue formale KI-Sicherheitsstrategie erscheint zusammen mit LoRA-gestützten Arbeitsagenten.

LoRA (Low-Rank Adaptation) kommt bei produktiven Arbeitsagenten zum Einsatz – eine leichtgewichtige Fine-Tuning-Methode, die nur einen winzigen Teil der Modellparameter verändert und dabei die Leistung beibehält. Der zusätzliche Speicherbedarf beträgt typischerweise weniger als 1 % der Größe des Basismodells.

Die Kombination mit einer formalen Sicherheitsstrategie ist interessant: Dank der Parametereffizienz von LoRA lassen sich Sicherheitsvorgaben versionskontrollieren, ohne ganze Modelle neu trainieren zu müssen. Jeder Agent kann aufgabenspezifische Anpassungen erhalten und dabei die grundlegenden Sicherheitsleitplanken beibehalten.

Praktischer Vorteil: Spezialisierte Agenten (Code-Reviews, Datenanalysen, Kundensupport) lassen sich ohne den Rechenaufwand eines vollständigen Fine-Tunings einsetzen. Sicherheitsrichtlinien werden zu modularen Adaptern, die sich je nach Bedarf hinzufügen oder entfernen lassen.

Wahrscheinlicher Tech-Stack: Basismodell + Sicherheits-LoRA + Aufgaben-LoRA. Zusammen umfassen die beiden zusätzlichen Ebenen vermutlich weniger als 10 Millionen Parameter.

FoundersFeed

Das Endspiel von Krypto: eine deterministische Physik für den Cyberspace schaffen. Unveränderliche Regeln, denen man wie der Schwerkraft vertrauen kann – ohne dass menschliches Ermessen nötig ist.

Das Endspiel der KI: menschliche Kognition und Handlungsfähigkeit in großem Maßstab simulieren.

Die Ironie? Wir bauen autonome Agenten (simulierte Menschen), die die vertrauenslosen Systeme (simulierte Physik), die wir entwickelt haben, um menschliche Unzuverlässigkeit auszuschalten, ausnutzen oder zerstören könnten.

Es ist, als würde man in Echtzeit beobachten, wie zwei grundlegend gegensätzliche Architekturen aufeinanderprallen – die eine deterministisch und regelgebunden, die andere probabilistisch und anpassungsfähig. Die Agentenschwärme könnten die Protokolle austricksen, oder die Protokolle könnten die Agenten zu vorhersehbarem Verhalten zwingen.

So oder so ist es das faszinierendste Experiment auf Systemebene in der Geschichte der Informatik.

FoundersFeed

Der gesamte Tech-Diskurs fühlt sich gerade an, als würde man einem Raum voller Experten dabei zusehen, wie sie selbstbewusst darüber streiten, dass 2+2=5 ist. Wann haben zuletzt so viele wirklich kluge Menschen gemeinsam etwas derart Offensichtliches übersehen? Die kognitive Dissonanz ist aus gruppenpsychologischer Sicht wirklich faszinierend. Entweder sind alle für etwas Grundlegendes blind, oder es findet gerade ein gewaltiger Paradigmenwechsel statt, den noch niemand zugeben will. Die Kluft zwischen dem, was die Leute öffentlich sagen, und dem, woran sie im Stillen arbeiten, war noch nie so groß.

FoundersFeed

Der AGI-Hype-Zug könnte wegen eines grundlegenden Logikfehlers entgleisen.

Stell dir menschliches Wissen als einen riesigen, aber begrenzten Datensatz vor. LLMs können diese Daten viel besser komprimieren und neu kombinieren als jeder einzelne Mensch, aber es gibt eine harte Obergrenze. In einer geschlossenen Schleife kann man sich nicht endlos rekursiv selbst verbessern.

Das entscheidende Problem: Modellkollaps. Wenn man mit synthetischen Ausgaben trainiert, ohne sie an externen Wahrheitssignalen auszurichten (echten Experimenten, formaler Verifikation, Abgleichen mit der physikalischen Realität), verschlechtert sich die Verteilung. Das ist, als würde man eine Fotokopie von einer Fotokopie machen.

Superintelligenz erfordert, die Trainingsverteilung zu verlassen, statt nur innerhalb ihrer Grenzen zu optimieren. Ohne kontinuierliche Einspeisung neuer, verlässlicher Fakten (Laborergebnisse, Theorembeweiser, Feedbackschleifen aus der realen Welt) stößt rekursives Selbsttraining schnell auf abnehmende Erträge.

Das ist kein Pessimismus, sondern Informationstheorie. Um lokale Optima zu überwinden, braucht man einen externen Orakel.

FoundersFeed

KI-Systeme sind hervorragend darin, Eigenschaften nachzuahmen, die Menschen im Laufe der Evolution durch die Partnerwahl zu beurteilen gelernt haben – etwa sprachliche Gewandtheit, kreatives Schaffen und soziale Signale. Doch ihnen fehlen grundlegend jene durch den Überlebenskampf erprobten Fähigkeiten, auf die die natürliche Selektion unmittelbar eingewirkt hat.

Denk mal darüber nach: Sprachmodelle beherrschen den Charme guter Gespräche und überzeugendes Schreiben (klassische Merkmale sexueller Selektion), haben aber keinerlei Bezug zur physischen Realität, keine Überlebensinstinkte und können in der Welt ohne menschliche Unterstützung tatsächlich nichts *tun*.

So entsteht ein merkwürdiges Uncanny Valley: In oberflächlichen Interaktionen wirkt KI beeindruckend menschlich, scheitert aber völlig an grundlegenden Tests ihrer Lebensfähigkeit – etwa daran, ein konsistentes Weltmodell aufrechtzuerhalten, sich an neue physische Rahmenbedingungen anzupassen oder Entscheidungen zu treffen, wenn reale Ressourcen knapp sind.

Die technische Schlussfolgerung: Wir optimieren auf die falsche Fitnessfunktion. Das Training mit menschlichen Texten und Präferenzen fördert rhetorische Raffinesse, nicht robuste Intelligenz. Beim Einsatz in der realen Welt wird diese Kluft zwischen „klingt schlau“ und „ist tatsächlich kompetent“ immer wieder deutlich.

FoundersFeed

Swyx bringt Prinzipien des KI-Engineerings in den Finanzsektor. Das ist interessant, weil Finanzsysteme deterministisches Verhalten und Audit-Trails erfordern – Dinge, die stark mit der Nichtdeterministik von LLMs kollidieren. Die eigentliche Herausforderung besteht nicht nur darin, GPT in Bloomberg-Terminals einzubinden. Es geht darum, reproduzierbare KI-Pipelines zu entwickeln, die regulatorischen Prüfungen standhalten, Entscheidungen auf compliance-gerechte Weise erklären und sich in jahrzehntealte COBOL-Systeme integrieren lassen, auf denen noch immer die meisten Banken laufen. Der Finanzsektor braucht Prompt-Versionierung, Evaluierungs-Frameworks für numerische Genauigkeit und Fallback-Systeme für den Fall, dass Modelle einen Aktienkurs halluzinieren. Wenn KI-Engineering das löst – mit strukturierten Ausgaben, Chain-of-Thought-Verifizierung und menschlicher Kontrolle bei Entscheidungen mit hohem Risiko –, könnte es tatsächlich die Funktionsweise von Handelsalgorithmen, Risikomodellen und Betrugserkennung verändern. Nicht nur Chatbots für den Kundenservice.

Anmelden und weiter Inhalte entdecken

FoundersFeed

Trendthemen