Schreibwerkstatt
Einblicke, Tutorials und Neuigkeiten.
Rund um Data Warehousing, Analytics und moderne Datenarchitekturen.
- AI Integration 11 min Lesezeit Serie · Agenten 2026
Ich bau mir meinen Schwarm komplett selbst: das Microsoft Agent Framework
Der Job-Radar ein drittes Mal: mit dem Microsoft Agent Framework, einmal als einzelner Agent mit Skills und einmal als Schwarm mit Hintergrund-Agenten. Dieselben Skills wie bei Pi und Hermes, Regeln als Middleware — und wieder gewinnt der einzelne Agent.
- Microsoft Agent Framework
- Multi-Agent
- Open Source
- DeepSeek
- Agenten
- Skills
- Kosten
- AI Integration 15 min Lesezeit Serie · Agenten 2026
Der Schwarm zieht nach Hause: Pi und Hermes mit ihren Bordmitteln
Der Bewerbungs-Schwarm auf dem eigenen Mac: Hermes und Pi mit ihren eingebauten Subagenten, Skills und Sandboxen — und die Gegenprobe mit nur einem Agenten. Spoiler: Der Schwarm bringt hier nichts.
- Hermes
- Pi
- Multi-Agent
- Open Source
- DeepSeek
- Agenten
- Kosten
- Sicherheit
- AI Integration 28 min Lesezeit Serie · Agenten 2026
Der Schwarm zum Selberbauen: CrewAI Flows mit offenen Modellen
Derselbe Bewerbungs-Schwarm mit CrewAI und offenen Modellen: mit eigenem Lead, als Flow mit Python als Gerüst und als Crew mit CrewAIs eingebautem Manager. Warum der Lead die wichtigste Design-Entscheidung ist, was es kostet und wie es im Vergleich zu Claude, Gemini und OpenAI abschneidet.
- CrewAI
- Flows
- Open Source
- DeepSeek
- Qwen
- Multi-Agent
- Agenten
- Kosten
- AI Integration 12 min Lesezeit Serie · Agenten 2026
Derselbe Schwarm, drei Plattformen: Claude, Gemini und OpenAI im Vergleich
Der Bewerbungs-Schwarm aus Claude Managed Agents, nachgebaut mit Gemini Managed Agents und der OpenAI Agents API: was geht, was fehlt, was es kostet und wie lange es dauert.
- Claude
- Gemini
- OpenAI
- Managed Agents
- Multi-Agent
- Agenten
- Kosten
- AI Integration 14 min Lesezeit Serie · Agenten 2026
Was kann ein Schwarm? Der Bewerbungs-Agent mit Claude Managed Agents
Derselbe Bewerbungs-Agent als Schwarm in Claude Managed Agents: ein Lead, der seine Workflows selbst schreibt, Matcher, Researcher, Writer und Skeptiker. Mit gemessenen Kosten, Tokens und Laufzeiten.
- Claude
- Managed Agents
- Multi-Agent
- Agenten
- Automatisierung
- Kosten
- AI Integration 14 min Lesezeit Serie · Agenten 2026
Braucht es überhaupt noch einen Workflow? Der Bewerbungs-Agent als geplante Aufgabe
Derselbe Bewerbungs-Agent ohne festen Ablauf: eine geplante Aufgabe in der Claude-App, die jeden Morgen Newsletter liest, Stellen bewertet und Anschreiben in Google Docs schreibt. Was ein Prompt und ein Bewerbungskontext ersetzen, und wo die Grenzen liegen.
- Claude
- Geplante Aufgaben
- Agenten
- Automatisierung
- Google Drive
- Gmail
- AI Integration 7 min Lesezeit Serie · Agenten 2026
Braucht es überhaupt eine Plattform? Der Bewerbungs-Agent mit DBOS
Derselbe Bewerbungs-Agent als ein Python-Prozess mit DBOS: dauerhafte Workflows in einer SQLite-Datei, Doppelprüfung über Workflow-IDs, eine selbst gebaute Prüfseite und ein Absturztest mit kill -9.
- DBOS
- Python
- Durable Execution
- Agenten
- Automatisierung
- Open Source
- AI Integration 8 min Lesezeit Serie · Agenten 2026
Braucht es einen Orchestrierer? Der Bewerbungs-Agent mit Kestra
Derselbe Bewerbungs-Agent mit Kestra: der ganze Ablauf deklarativ in YAML, jeder Schritt in einem eigenen Container. Was das bringt, was es kostet (47 Sekunden für eine SQL-Zeile) und wann sich Kestra lohnt.
- Kestra
- YAML
- Orchestrierung
- Agenten
- Automatisierung
- Open Source
- AI Integration 8 min Lesezeit Serie · Agenten 2026
Was bringt echter Code? Der Bewerbungs-Agent mit Windmill
Derselbe Bewerbungs-Agent, diesmal als normaler Python-Code in Windmill: Skripte in Git, Wiederholungen, Early Stop und eine Freigabeseite, die tagelang wartet. Was Windmill mir abnimmt und wo es weh tat.
- Windmill
- Python
- Agenten
- Automatisierung
- Open Source
- Data Engineering 6 min Lesezeit
An HTML report without a BI tool
An interactive, cross-filtering portfolio report without Tableau or Power BI: generated from code with Quarto and R, styled via a single _brand.yml, and shipped as one standalone 7.6 MB HTML file that opens in any browser – free, versionable and rebuildable.
- Reporting
- Quarto
- R
- HTML
- Data Visualization
- Machine Learning 10 min Lesezeit
Jev: die KI, die keine Texte generiert – und 17'363 YouTube-Kanäle für den Kinderaccount sortiert
Ein YouTube-Kids-Account soll her – mit genau den Kanälen, die bei uns im letzten Jahr wirklich geschaut wurden. Dafür habe ich den Wiedergabeverlauf aus Google Takeout extrahiert und alle 17'363 Kanäle mit Jev klassifiziert, dem KI-Modell von TypeSafe, das statt Texten kalibrierte Wahrscheinlichkeiten liefert. Die ganze Rechnung: $0.36.
- Machine Learning
- Jev
- Klassifikation
- YouTube
- Kalibrierung
- Python
- KI
- AI Integration 7 min Lesezeit Serie · Agenten 2026
Klicken, aber womit? n8n gegen Activepieces, das echte Open Source
Denselben Bewerbungs-Agenten habe ich mit n8n und mit Activepieces gebaut. Was gleich bleibt, was anders ist und sechs Lessons learned: von Google mit einem Klick über eine Docker-Falle bis zu schwankenden Scores.
- n8n
- Activepieces
- Agenten
- Automatisierung
- Open Source
- Vergleich
- Machine Learning 13 min Lesezeit Serie · Foundation Models
Schlagen Time Series Foundation Models das gute alte ARIMA und Prophet? Ein Test mit Zürcher Velozählern
Ich habe die neuen Zeitreihen-Foundation-Models (Chronos-2, TimesFM, TabPFN-TS) gegen die Klassiker ARIMA, Prophet und ein getuntes LightGBM antreten lassen – auf echten, stündlichen Velozähldaten der Stadt Zürich. Die Foundation Models gewinnen deutlich. Und die Wetterdaten als Covariates? Haben überraschend wenig gebracht. Lesen Sie weiter, wenn Sie das selbst nachspielen möchten.
- Machine Learning
- Time Series
- Forecasting
- Chronos
- TimesFM
- Foundation Models
- Zürich
- Open Data
- Data Engineering 5 min Lesezeit
Building synthetic data you can trust
SERV publishes only totals in PDF annual reports – no policy-level data. How to invent the granular detail for a realistic portfolio report while every one of 342 published figures still holds: raking in R, with a deviation check on every run.
- Synthetic Data
- R
- Raking
- Reporting
- Data Quality
- Machine Learning 14 min Lesezeit Serie · Foundation Models
Tabular Foundation Models – der kleine Bruder der LLMs für tabellarische Daten
Ich habe für über 10 tausend echte Hausinserate untersucht, welches Machine-Learning-Modell am besten die Preise voraussagen kann. Sogenannte Tabular Foundation Models schlagen die alten Machine-Learning-Modelle um Längen – eine kleine Revolution. Lesen Sie weiter, wenn Sie dies für Ihre Daten nachmachen möchten.
- Machine Learning
- TabPFN
- XGBoost
- scikit-learn
- Foundation Models
- Immobilien
- Benchmark
- KI Tools
AI Agent Tooling Landscape
Rund 100 Tools zum Entwickeln mit KI-Agenten, sortiert in 14 Kategorien entlang des Stacks. Jede Kategorie gerankt nach Hacker-News- und Reddit-Diskussionen, ergänzt durch GitHub-Sternzahlen – mit Kosten, Lizenz und einem Link zu jedem Tool.
- AI Agents
- Claude Code
- Tooling
- Hacker News
- AI Integration 16 min Lesezeit Serie · Agenten 2026
Wie weit kommt man mit Klicken? Ein Bewerbungs-Agent mit n8n
Jeden Morgen jobs.ch- und x28-Newsletter lesen, jede Stelle gegen den Lebenslauf bewerten und nur ab 7/10 ein Anschreiben entwerfen: wie ich das mit n8n, DeepSeek, Opus, Firecrawl und ntfy gebaut habe, wo es weh tat und was es pro Monat kostet.
- n8n
- Agenten
- Automatisierung
- OpenRouter
- Firecrawl
- ntfy
- Hetzner
- AI Integration 16 min Lesezeit Serie · Agenten-Dashboards
Agenten-Dashboards mit MotherDuck Dives: React + SQL statt BI-GUI
Mein Evidence-Setup hat eine ehrliche Schwäche: Die Zahlen sind so alt wie der letzte Build. MotherDuck Dives drehen das Prinzip um – die Queries laufen beim Öffnen live gegen die Datenbank, die Facettierung danach im Browser. Dieser Beitrag erklärt den Unterschied zwischen Build-Zeit und Lauf-Zeit, rechnet die Kosten durch und zeigt einen live deployten Eigenbau-Dive mit echtem MotherDuck-Backend – 300 Zeilen React + SQL, kein BI-Tool.
- MotherDuck
- DuckDB
- Dashboards
- LLM
- Embedded Analytics
- AI Integration 28 min Lesezeit Serie · Agenten-Dashboards
The unreasonable effectiveness of Agentic Dashboards
Klassische BI-Tools sind teuer, klicklastig und schwer zu pflegen. Dieser Beitrag zeigt am Beispiel der PulsCheck AG, wie Sie mit Evidence, DuckDB und Claude drei produktive Dashboards als Code bauen – inklusive Context Stack, Stolperfallen, Kostenrechnung und Live-Dashboard.
- Agentic BI
- Evidence
- Dashboards
- LLM
- KI & Strategie 17 min Lesezeit
Im Jahr 2030 hat jeder sein eigenes User Interface
Wie die Zukunft von User Interfaces mit AI aussieht und warum Daten eine zentrale Rolle spielen.
- KI
- OpenStreetMap
- Data Engineering
- Machine Learning
- Immobilien
- User Interface
- KI Tools 7 min Lesezeit
Claude Code günstiger nutzen: Z.ai, Zed und mein 30-Dollar-Setup
Claude Pro stösst bei intensiven Coding-Sessions schnell an Limits. Statt einen grösseren Tarif zu buchen: Z.ai mit GLM als zweites Backend in Claude Code, ein Umschalt-Skript, Zed statt Cursor – für insgesamt 30 US-Dollar im Monat.
- Claude Code
- Z.ai
- Zed
- Kostenoptimierung
- Data Strategy 26 min Lesezeit
Becoming Data-Driven Is a Relationship, Not a Hand-Off. Especially With AI.
The long-form argument behind the two-part series. A routine “pull the FTS numbers” request is the smallest possible version of the entire business–data relationship: why firms buy the tools and still don't feel data-driven, why the human side goes unfunded, how AI raises the stakes without changing the structure, and the two-way bargain that fixes it – with full sources.
- Data Literacy
- Data Culture
- Data Strategy
- Leadership
- AI
- Data Strategy 5 min Lesezeit
The two-way bargain between business and data
“Can you pull the new FTS numbers?” The message looks like a thirty-second favour. The first part of this pair followed it downstream, into a wrong number baked into an expensive decision, and landed on a single observation: the recurring failure is a question that was never framed properly before the work began.
- Data Literacy
- Data Culture
- Leadership
- AI
- Data Strategy 4 min Lesezeit
Why 'becoming data-driven' keeps falling short
A message lands in the analyst's chat: “Can you pull the new FTS numbers?” It feels like a thirty-second favour. It isn't. Hidden inside that one sentence are half a dozen unasked questions: which metric, which season, which period, compared to what and – least asked of all – for what decision.
- Data Literacy
- Data Culture
- Data Strategy
- AI
- AI Integration 30 min Lesezeit Serie · Agenten-Dashboards
Agentic BI für KMU in der Praxis: Ein Schweizer SaaS-Fall mit nao
Agentic BI bedeutet, dass KI-Agenten Geschäftsfragen autonom beantworten, indem sie die richtigen Daten finden, SQL schreiben, Ergebnisse prüfen und begründete Antworten liefern. In diesem Beitrag zeigen wir am konkreten Beispiel der fiktiven PulsCheck AG, wie ein produktionsnaher Aufbau mit dem Open-Source-Framework nao aussieht - inklusive Datenmodell, Context Stack, Test-Suite und typischen Stolperfallen.
- Agentic BI
- AI
- Interface
- LLM
- Data Engineering 8 min Lesezeit
dbt on DuckDB – from raw tables to mart models
In the previous post I described how to load Parquet exports into a local DuckDB database – a fast, free, file-based data warehouse you can have running in an afternoon. The raw tables are queryable straight away. But to turn them into something reliable, documented, and ready for an analytics environment, you need a transformation layer. That is what dbt Core provides.
- DuckDB
- dbt
- Data Engineering
- Transformation
- Data Engineering 7 min Lesezeit
A personal data warehouse – free, fast, and local
Many business systems don't offer a live database connection. They export data periodically – one Parquet file per table, dropped into a folder. That works fine for a one-off look. It becomes a problem the moment you want to join tables, apply consistent transformations, or connect the data to an analytics environment in a reliable and repeatable way.
- DuckDB
- Data Warehouse
- Local
- Parquet
- KI & Strategie 6 min Lesezeit
KI schreibt bessere Prompts als du
Prompt Engineering ist eine wichtige Grundlage. Aber Tools wie Googles Vertex AI Prompt Optimizer zeigen: Wenn man LLMs anweist, Prompts zu optimieren, schlagen sie menschliche Formulierungen in fast 90% der Fälle. Sogar ohne spezialisierte Tools schreiben die neuen LLM-Versionen bessere Prompts.
- KI
- Prompt Engineering
- Context Engineering
- AI-Strategie
- Cost Optimization 5 min Lesezeit
Kostenlos & Blitzschnell: Kann DuckDB die Cloud-Giganten BigQuery & Snowflake schlagen?
DuckDB revolutioniert Small Data Analytics mit kostengünstigen, lokalen Lösungen. Wir zeigen, wie Sie tausende von Franken gegenüber Cloud-Giganten sparen können.
- DuckDB
- Cost Savings
- Small Data
- Alternative
- KI & Strategie 5 min Lesezeit
Braucht es immer KI?
Im folgenden möchte ich eine fundamentale Unterscheidung einführen. Sie soll bei der Entscheidung und vor allem bei der Bewertung der Konsequenzen des AI-Einsatzes helfen.
- KI
- Strategie
- Determinismus
- AI-Einsatz
- KI Tools 10 min Lesezeit
Effiziente KI-Implementierung: Welches der 8 führenden Agenten-Frameworks ist optimal für Ihr Projekt?
Wir erleben gerade den grössten technologischen Goldrausch seit der Erfindung des Internets, doch das Gold ist diesmal unsichtbare Intelligenz. Diese Übersicht ist Ihre Schatzkarte zu den neun mächtigsten Schaufeln.
- N8N
- Agenten
- Orchestration
- AI Integration
- AI Integration 10 min Lesezeit
Jenseits von ChatGPT: Die Wahl der richtigen selbstgehosteten LLM-Schnittstelle
Die Ära der Grossen Sprachmodelle ist in vollem Gange. Der Ruf nach mehr Kontrolle, Datenschutz und Anpassungsfähigkeit hat einen boomenden Markt für selbstgehostete Web-Oberflächen geschaffen.
- OpenWebUI
- AI
- Interface
- LLM
