Schema erzwingen, Ausgabe validieren, mit Fehlerliste neu versuchen, reparieren statt abbrechen – wie die Jobschleuse ein kleines lokales Modell zuverlässig genug macht. Konkreter Code statt Theorie.
Eine Notiz über Spezifikation statt Modellgröße: warum Task-Präzision und ein Verifikations-Loop mehr Reliability bringen als das nächste Frontier-Modell – und warum das direkt in Token und Watt messbar ist.
Context Engineering praktisch: wie strukturierte Frontmatter-Metadaten aus Astro Content Collections zur präzisen, budgetierten Kontextquelle für ein LLM werden – mit TypeScript-Beispielen statt naiver Volltextsuche.
Methode im Bereich des maschinellen Lernens und der natürlichen Sprachverarbeitung (NLP), die darauf abzielt, Modelle dazu zu bringen, ihre Schritte und Überlegungen zu erklären, während sie zu einer Lösung gelangen.
