Die Spezifikation als alleinige Wahrheit, nicht als Nebendokument.
Spec-Driven Development ist eine dieser Ideen, auf die Softwareentwickler in der Vergangenheit zurückgegriffen und die sie dann wieder beiseitegelegt haben, als der Aufwand nicht mehr lohnenswert war.
Spezifikationen als Single Source of Truth oder langsame Zeremonie?
Spec-Driven Development trat 2026 als die ernsthafte Antwort der Entwickler auf den Drift des Vibe Codings in Erscheinung.
„Halten Sie die Intention nahe am Code.“
Entscheidungsprotokolle sind die fehlende Speicherschicht in der KI-gestützten Softwareentwicklung. Sie erfassen nicht nur das, was gebaut wurde, sondern auch das Warum – und diese Unterscheidung wird entscheidend, wenn KI-Tools Ihren Code schreiben.
Behandeln Sie Fehler an der richtigen Grenze.
Das Fehlerhandling in Go ist ein beliebter Kritikpunkt. Jeder Go-Entwickler hat diesen Code hunderte Male geschrieben:
Vermeiden Sie unnötiges Warten in parallelen Go-Tests.
Das Testen von parallelem Go-Code erforderte bisher stets eine gewisse Disziplin. Goroutinen sind günstig, Channels sind einfach und die Kontextabsage ist idiomatisch – Hintergrundarbeiter und Timer sind in echten Go-Diensten allgegenwärtig.
A2A ist nicht tot. Es ist einfach nicht universell.
Googles Agent2Agent-Protokoll, meist als A2A abgekürzt, hatte ein seltsames erstes Jahr.
Zuverlässige Polling-Muster für KI-Agenten.
Polling-Agenten gehören zu den wenig glamourösen Aspekten der Architektur von KI-Assistenten, sind jedoch gleichzeitig eine der nützlichsten Komponenten.
MCP gibt Agenten Werkzeuge. A2A gibt Agenten Peers.
Die Architektur von KI-Agenten beginnt sich in zwei Schichten zu gliedern.
A2A macht Agents zu Netzwerkpeers.
Das A2A-Protokoll (Agent2Agent Protocol) ist ein offener Standard für die Kommunikation zwischen unabhängigen KI-Agenten-Systemen.
CQRS in Go implementieren, ohne unnötigen Ballast
CQRS ist eines dieser Patterns, das überbeworben, überkompliziert und gelegentlich fälschlicherweise als Heilmittel gegen die langweilige CRUD-Alltagsarbeit dargestellt wird.
Kontrollieren Sie das Risiko, nicht nur das Modell.
LLMs sind unvorhersehbar. Sie halluzinieren, lecken Daten, generieren schädliche Inhalte oder lehnen legitime Anfragen ab. Guardrails (Schutzmechanismen) begrenzen das Modellverhalten, ohne die Fähigkeiten einzuschränken.
Arbeits-, strukturiertes und Abrufgedächtnis für Assistenten.
Speicher wandelt Assistenten von reaktiv in persistent um, aber genau dort verrotten auch viele Systeme still vor sich hin. Umfragen zeigen, dass die Trennung in Kurzzeit- und Langzeitgedächtnis für modernes Agenten-Gedächtnis nicht mehr ausreicht; OpenAI und LangGraph-SDKs deuten auf einen simpleren Stack hin — Arbeitsgedächtnis, dauerhafter Zustand und Abruf (Retrieval).
Wie seriöse Assistenten tatsächlich entwickelt werden.
Ein produktionsreifes KI-Assistentensystem ist nicht einfach „ein LLM mit einem Prompt“. Es handelt sich um ein System, das Absichten entgegennimmt, den Zustand verwaltet, entscheidet, wann Daten abgerufen oder Aktionen ausgeführt werden sollen, und genügend Laufzeitdetails bereitstellt, um Fehler zu debuggen.
Die Suche ist keine Wissensstruktur
Die meisten modernen Wissenssysteme optimieren die Abrufprozesse (Retrieval), und das ist verständlich. Die Suche ist sichtbar, leicht zu demonstrieren und wirkt fast magisch, wenn sie funktioniert. Frage eingeben, Antwort erhalten.
Kompiliertes Wissen für KI-Systeme
Die Prämisse ist einfach: Kompiliertes Wissen ist wiederverwertbarer als abgerufene Fragmente. RAG wurde zur Standardantwort auf eine einfache Frage – wie gewähre ich einem LLM Zugriff auf externes Wissen?
Eine Landkarte moderner Wissenssysteme
PKM, RAG, Wikis, KI-Speichersysteme und nun auch praktische, KI-gestützte Workflows werden oft so diskutiert, als lösten sie dasselbe Problem. Tun sie nicht. Sie alle befassen sich mit Wissen, arbeiten aber auf unterschiedlichen Ebenen:
