in den sozialen Medien über einen Passagier, der wegen Überbuchung aus einem Flugzeug gestoßen wurde. Wenn Sie Vielflieger sind, kann es sein, dass Sie in eine ähnliche Scenario geraten. Wenn Sie Pech haben, sind Sie es vielleicht sogar.

Das hört sich vielleicht wie ein Fehler an, aber ich kann Ihnen versichern, dass das nicht der Fall ist. Wir leben in einer Welt, in der solche betrieblichen Fehler, insbesondere in der Luftfahrtbranche, nur dann passieren, wenn sie absichtlich geschehen.

Es handelt sich additionally nicht um einen Fehler, sondern um ein Risiko, das die Fluggesellschaft eingegangen ist, um ihren Gewinn zu maximieren. Ausgefallener ausgedrückt handelt es sich hierbei um einen statistisch vorhersehbaren Kompromiss, der auf Datenwissenschaft (oder reiner Mathematik) basiert. Dies warfare eine Entscheidung, die auf Wahrscheinlichkeit und Mathematik beruhte, um möglicherweise einige zusätzliche Millionen zu gewinnen.

In diesem Artikel gehen wir dem auf den Grund und lernen viele wertvolle Konzepte rund um Wahrscheinlichkeit, Verteilungen und Erwartungswert kennen (sehr wichtige Themen für Datenwissenschaftler, Analysten und alle, die sich für Analysen interessieren).

DS Airways verkauft zusätzliche Tickets

Ich möchte diese Firma DS Airways nennen. Sie verkaufen 304 Sitzplätze für einen Flug mit einer Kapazität von 300 Sitzplätzen. Basierend auf historischen Flugdaten liegt die Wahrscheinlichkeit, dass ein Passagier zu einem Flug erscheint, bei 95 %.

Wir werden versuchen, die folgenden Fragen zu beantworten:

1. Wie groß ist die Wahrscheinlichkeit, dass dieser Flug überbucht ist? Dies geschieht, wenn mindestens 301 Passagiere zum Flug erscheinen.
2. Wie hoch ist der erwartete Wert der Anzahl überbuchter Passagiere?
3. Was riskiert die Fluggesellschaft, wenn sie mehr Tickets verkauft als verfügbare Sitzplätze?

Wir gehen zunächst davon aus, dass die Passagiere voneinander unabhängig sind. Die Entscheidung eines Passagiers, zum Flug zu erscheinen, hat keinen Einfluss auf die Entscheidungen anderer Passagiere. Dann können wir sagen, dass die Wahrscheinlichkeit, dass ein Passagier auftaucht, 0,95 (dh 95 %) beträgt.

Diese Annahme trifft nicht immer zu, da möglicherweise Familien oder Gruppen zusammen fliegen. Wenn eine Particular person in einer Familie auftaucht, ist die Wahrscheinlichkeit, dass auch andere Familienmitglieder erscheinen, viel höher als 95 %. Wenn wir jedoch auf solche Particulars und Bedingungen eingehen, wird die Mathematik zu einem Albtraum mit komplexen bedingten Wahrscheinlichkeiten. Außerdem wissen wir möglicherweise nicht immer, wer zusammen fliegt (z. B. können Mitglieder einer Gruppe Tickets separat kaufen).

Unter der Annahme unabhängiger Passagiere können wir sagen, dass die Anzahl der Passagiere, die zum Flug erscheinen, einer Binomialverteilung folgt.

Binomialverteilung

Die Binomialverteilung ist ein Wahrscheinlichkeitsmodell, das zum Zählen von Erfolgen in einer Reihe wiederholter, identischer und unabhängiger Ereignisse verwendet wird. Das Ergebnis dieser Ereignisse muss binär sein (dh 1 oder 0, zum Flug erscheinen oder nicht erscheinen). Daher können 304 Passagiere, die zum Flug erscheinen, mithilfe einer Binomialverteilung einer Reihe von 304 unabhängigen Ereignissen modelliert werden, wobei die Wahrscheinlichkeit eines Ereignisses 95 % beträgt.

Damit ein Szenario für eine Binomialverteilung qualifiziert ist, muss es die folgenden Bedingungen erfüllen:

• Binäres Ergebnis: Erfolg (erscheinen zum Flug) oder Misserfolg (erscheinen nicht).
• Unabhängige Ereignisse: Das Erscheinen einer Particular person zum Flug hat keinerlei Auswirkungen auf andere Passagiere.
• Gleiche Erfolgswahrscheinlichkeit: 95 % für alle Passagiere.
• Feste Anzahl an Veranstaltungen: Dies ist die Anzahl der für diesen Flug verkauften Tickets, nämlich 304.

Die Binomialverteilung hilft uns bei der Beantwortung der folgenden Frage: Wie hoch ist die Wahrscheinlichkeit, genau okay erfolgreiche Ergebnisse zu erzielen, wenn ich ein Experiment mehrmals wiederhole?

Wahrscheinlichkeit einer Überbuchung

Unser Flug ist überbucht, wenn mehr als 300 Passagiere erscheinen. Daher müssen wir die Wahrscheinlichkeit von okay > 300 erfolgreichen Ergebnissen berechnen.

Bei der Binomialverteilung beträgt die Wahrscheinlichkeit für okay erfolgreiche Ergebnisse:

• n ist die Gesamtzahl der Ereignisse, additionally 304
• okay ist die Anzahl der Erfolge
• p ist die Erfolgswahrscheinlichkeit des Ereignisses, die 0,95 beträgt.
• (1-p) ist die Wahrscheinlichkeit eines Fehlerereignisses (nicht angezeigt), die 1 – 0,95 = 0,05 beträgt.

Diese Formel beruht auf der Unabhängigkeit von Ereignissen. Wenn in der Wahrscheinlichkeitstheorie A und B unabhängig sind, ist die Wahrscheinlichkeit, dass beide Ereignisse eintreten, ihre miteinander multiplizierten Einzelwahrscheinlichkeiten:

Um die Wahrscheinlichkeit zu berechnen, dass okay=301 Passagiere auftauchen, multiplizieren wir 301 0,95 und 5 0,05. Dann multiplizieren wir es mit dem Kombinator am Anfang. Es lautet „n wähle okay“, was für die Anzahl der verschiedenen zählt Wege Wir wählen 301 von 304 Personen aus.

Die folgende Zeichnung erleichtert das Verständnis der Logik hinter der Formel der Wahrscheinlichkeit mit Binomialverteilung etwas. Zur Vereinfachung zeigt es die Wahrscheinlichkeit, dass 4 Passagiere zu einem Flug mit 5 verkauften Tickets erscheinen:

Die erste Reihe geht davon aus, dass Passagier 5 nicht erscheint, die zweite Reihe geht davon aus, dass Passagier 2 nicht erscheint. Da diese Ereignisse unabhängig und identisch sind, ist die Wahrscheinlichkeit dieser Ereignisse gleich. Es gibt 5 Kombinationen, bei denen 1 Passagier nicht erscheint (dh 5 wählt 4 ist 5). Daher ist die Wahrscheinlichkeit, dass vier Passagiere zum Flug erscheinen, fünfmal so groß wie die Wahrscheinlichkeit, dass ein Passagier nicht erscheint.

Die Antwort auf unsere erste Frage (Wie hoch ist die Wahrscheinlichkeit, dass dieser Flug überbucht ist?) kann additionally als P(X > 300) berechnet werden, was der Summe von P(X=301) + P(X=302) + P(X=303) + P(X=304) entspricht:

Die Zahlen am Anfang ergeben sich aus Kombinationen:

Aus einer Gruppe von 304 Passagieren können wir auf 4.636.304 verschiedene Arten 301 Passagiere auswählen.

Das Endergebnis ist additionally:

Die genaue Wahrscheinlichkeit, dass der Flug überbucht ist, beträgt 0,000139, was etwa 0,014 % (oder etwa einer Wahrscheinlichkeit von 1 zu 7.200) entspricht.

Wir haben die Wahrscheinlichkeit ermittelt, dass dieser Flug überbucht sein wird. Wie wir in den obigen Berechnungen sehen können, ist der Flug überbucht, wenn 301, 302, 303 oder 304 Passagiere erscheinen (additionally 1, 2, 3 oder 4 überbuchte Passagiere). Dies bringt uns zur zweiten Frage: Wie hoch ist der erwartete Wert der Anzahl überbuchter Passagiere?

Erwarteter Wert

Anders als der Identify vermuten lässt, ist der erwartete Wert nicht das Ergebnis, das wir bei einem einzelnen Versuch erwarten. Die Antwort auf die Frage „Wie viele Passagiere werden voraussichtlich morgen auf dem Flug sein?“ ist nicht die Bedeutung von Erwartungswert.

Stattdessen handelt es sich um den mathematischen „langfristigen“ Durchschnitt einer Zufallsvariablen, wenn wir das Experiment immer wieder wiederholen. Es kann sich additionally um eine Gleitkommazahl handeln, beispielsweise 302,4 Personen.

Um den erwarteten Wert zu berechnen, gewichten wir jedes potenzielle Ergebnis anhand der Wahrscheinlichkeit, dass es tatsächlich eintritt. Es wird mindestens einen überbuchten Passagier geben, wenn 301, 302, 303 oder 304 Passagiere zum Flug erscheinen. Wir können die Wahrscheinlichkeiten verwenden, die wir bereits für diese Ereignisse berechnet haben:

Wenn 301 Passagiere erscheinen, gibt es 1 überbuchten Passagier. Wenn 302 Passagiere erscheinen, gibt es 2 überbuchte Passagiere usw. Daher beträgt der Erwartungswert der Anzahl überbuchter Passagiere 0,000166.

Betrachten wir es in einem größeren Maßstab. Wenn die Fluggesellschaft diese bestimmte Flugstrecke 10.000 Mal durchführt, hat sie insgesamt 1,66 überbuchte Passagiere (bei allen 10.000 Flügen zusammen).

Dies bringt uns zu dem Punkt, an dem wir den tatsächlichen Geschäftswert besprechen. Dies ist unsere dritte Frage: Was riskiert die Fluggesellschaft, wenn sie mehr Tickets verkauft als verfügbare Sitzplätze?

Von der reinen Mathematik zum echten Geschäft

Fügen wir unserem Beispiel mit 10.000 Flügen einige realistische Zahlen hinzu, wobei wir von einem durchschnittlichen Ticketpreis von 200 $ ausgehen:

Durch den Verkauf von 4 zusätzlichen Tickets auf jedem einzelnen dieser 10.000 Flüge generiert die Fluggesellschaft 40.000 zusätzliche Ticketverkäufe. Bei 200 US-Greenback professional Particular person sind das 8.000.000 US-Greenback an Einnahmen, die andernfalls als leere Plätze verflogen wären.

Von diesen 10.000 Flügen rechnen wir mit etwa 1,66 überbuchten Passagieren. Gemäß Verbraucherschutzbestimmungen (z. B. des US-Verkehrsministeriums) schuldet Ihnen eine Fluggesellschaft, wenn Sie unfreiwillig angefahren werden, eine Barentschädigung in Höhe von bis zu 400 % Ihres Flugpreises, maximal 2.150 US-Greenback. Selbst unter Berücksichtigung anderer Ausgaben (z. B. Hotelgutscheine) betragen die Kosten für die Fluggesellschaft über alle 10.000 Flüge hinweg weniger als 5.000 US-Greenback.

Aus rein finanzieller Sicht ist es sehr reizvoll, 5.000 US-Greenback zu riskieren, um sich zusätzliche Einnahmen in Höhe von 8 Millionen US-Greenback zu sichern.

Das Leben ist jedoch keine reine Mathematik. Eine virale Verbreitung aufgrund einer chaotischen Gate-Konfrontation kann zu einem Verlust der Kundentreue in Höhe von Tausenden von Greenback führen. Abhängig von der Schwere dieser viralen PR können Fluggesellschaften sogar an Börsenwert verlieren. Wir sind uns alle einig, dass es für das langfristige Geschäft schrecklich ist, Menschen aus Flugzeugen zu schleppen.

Auch hierfür haben die Fluggesellschaften eine Lösung. Sie führen „Reverse-Auktionen“ über ihre mobilen Apps oder am Flugsteig durch. Anstatt einen Laptop damit zu beauftragen, einen beliebigen Passagier aus dem Flug zu werfen, fragen sie: „Wer möchte den nächsten Flug für einen 500-Greenback-Gutschein nehmen? 800 Greenback? 1.500 Greenback?“

Das Flugzeug fliegt zu 100 % ausgelastet, die Einnahmen bleiben auf dem Bankkonto der Fluggesellschaft und niemand wird in den sozialen Medien viral.

# Einführung

An der Schnittstelle von KI und Datenwissenschaft hat sich etwas verändert und die Arbeitsweise von Praktikern verändert. Die heute eingesetzten Systeme erzeugen nicht nur eine Reaktion und stoppen. Sie planen. Sie führen mehrstufige Aufgaben aus. Sie rufen externe Instruments auf, werten ihre eigenen Ausgaben aus und kehren zurück, wenn die Ergebnisse unzureichend sind.

Wir betreten nicht mehr das Agentenzeitalter. Wir leben darin. Dieser Zeitraum wird dadurch definiert, dass KI-Systeme autonomes, zielgerichtetes Verhalten ausführen, und er hat die tägliche Arbeit von Datenwissenschaftlern neu definiert.

Die Rolle erforderte schon immer eine seltene Kombination aus statistischem Denken, Programmierkenntnissen und Fachwissen. Eine vierte Dimension ist nun die Grundlage: die Fähigkeit, Systeme zu entwerfen, bereitzustellen und zu bewerten, die unabhängig im Namen der Benutzer agieren. Wenn Sie diese Verschiebung ignorieren, wird Ihre Produktivität hinter der der Kollegen zurückbleiben. Beschäftigen Sie sich ernsthaft damit, und Ihre Wirksamkeit steigert sich auf alles, was Sie berühren.

# Die Grundlinie neu definieren

Um zu verstehen, worum es geht, schauen wir uns an, was ein KI-Agent heute tatsächlich in der Produktion tut. Ein Agent ist ein System, das seine Umgebung wahrnimmt, Überlegungen zu seinem nächsten Schritt anstellt, mithilfe verfügbarer Instruments Maßnahmen ergreift und die Ergebnisse auswertet.

Im Gegensatz zu einer herkömmlichen LLM-Interaktion (Massive Language Mannequin), bei der Sie eine Eingabeaufforderung senden und eine einzelne statische Antwort erhalten, arbeitet ein Agent in kontinuierlichen, iterativen Schleifen. Es erhält ein Ziel, wählt ein Werkzeug aus, beobachtet das Ergebnis, aktualisiert seine Argumentation und dreht sich entweder um oder treibt voran. Dieser Zyklus kann sich über Dutzende diskreter Schritte hinter den Kulissen abspielen.

Was dieses Paradigma auszeichnet, ist die native Device-Integration. In einem modernen Knowledge-Science-Kontext kann ein Agent einen Datensatz abrufen, ihn bereinigen, eine explorative Analyse durchführen, ein Basismodell trainieren, Ergebnisse auswerten und einen strukturierten Bericht erstellen – alles ohne menschliches Eingreifen während der Verfahrensschritte.

# Das Orchestrierungs-Ökosystem

Die Frameworks, die dies ermöglichen, haben sich von experimentellen Bibliotheken zu Orchestratoren in Produktionsqualität entwickelt. Sie alle basieren auf dem gleichen Grundprinzip – einem Modell einen strukturierten Zugriff auf Instruments und die Argumentationsmaschine für deren Verwendung zu gewähren –, verfolgen jedoch je nach Arbeitsablauf unterschiedliche Ansätze.

Rahmen	Designphilosophie	Primärer Knowledge Science-Anwendungsfall	Kontext 2026
LangGraph	Diagrammbasierte Workflow-Orchestrierung.	Komplexe, bedingte Pipelines, die eine Zustandsverwaltung erfordern.	Industriestandard für Arbeitsabläufe in Produktionsqualität, sowohl mit einem als auch mit mehreren Agenten, bei denen explizite Statusverwaltung und bedingte Verzweigung erforderlich sind.
AutoGen	Gesprächsmuster für mehrere Agenten.	Kollaborative Szenarien, in denen Agenten Ergebnisse diskutieren oder überprüfen.	Intestine geeignet für integrierte Überprüfungsschritte, bei denen ein kritischer Agent die Argumentation eines Programmieragenten befragt. Hinweis: Die Architekturen v0.2 und v0.4/AG2 unterscheiden sich erheblich. Überprüfen Sie daher, auf welche Model Ihre Dokumentation abzielt, bevor Sie sich darauf einlassen.
Smolagenzien	Code-first, minimalistische Ausführung.	Codeintensive Aufgaben mit dem gesamten wissenschaftlichen Python-Stack.	Eine natürliche Lösung für Datenwissenschaftler, die sich bereits in reinen Python-Umgebungen auskennen.

# Verlagerung des Arbeitsablaufs: Von prozedural zu bewertend

Die unmittelbarste Auswirkung auf die tägliche Arbeit ist die Automatisierung routinemäßiger Arbeitsabläufe. Nehmen Sie eine standardmäßige EDA-Pipeline (Exploratory Knowledge Evaluation). Ein Datenwissenschaftler, der früher Daten manuell importierte, zusammenfassende Statistiken erstellte, Verteilungen visualisierte und nach Ausreißern suchte. Heutzutage führt ein intestine konzipierter Agent jeden dieser Schritte auf Anweisung aus, dokumentiert Beobachtungen in strukturierten Formaten und markiert Anomalien zur menschlichen Überprüfung.

Dies erstreckt sich auch auf die maschinelle Lerntechnik. Pipelines, die früher eine manuelle Iteration über Vorverarbeitungsoptionen, Modellauswahl und Hyperparameter-Tuning erforderten, werden heute größtenteils durch agentische Orchestrierung verwaltet, wodurch die Notwendigkeit menschlicher Beurteilung an wichtigen Entscheidungspunkten verringert – aber nicht beseitigt – wird.

Der letzte Teil ist wichtig. Dadurch wird der Datenwissenschaftler nicht eliminiert. Es verändert die Rolle hin zu Entscheidungen höherer Ordnung. Agenten absorbieren das prozedurale Gewicht; Sie behalten das Bewertungsgewicht. Agenten kümmern sich um die Wiederholung des „Wie mache ich das nochmal?“, die Stunden in Anspruch nimmt. Sie kümmern sich um das Urteil „Ist das das Richtige?“, das kein Modell reproduzieren kann.

# Der Talent-Stack 2026

Technische Kenntnisse in Python, Statistik und maschinellem Lernen bleiben die unumgängliche Grundlage. Aber die Agentenrealität erfordert eine neue Ebene von Kompetenzen, die auf dieser Foundation aufbauen.

• Systemdesign und zeitnahes Engineering: Agenten befolgen Anweisungen, und die Architektur dieser Anweisungen legt die Obergrenze für die Ausgabequalität fest. Dies geht weit über das Schreiben einer klaren Aufforderung hinaus. Beim Entwerfen eines Agenten treffen Sie Entscheidungen, die bestimmen, wie er sich über Hunderte verschiedener Eingaben hinweg verhält: Wie zerlegt man ein übergeordnetes Ziel in ausführbare Unteraufgaben, wie definiert man Einschränkungen, damit der Agent keine Lücken selbst füllt, und wie legt man Ausgabeformate fest, damit nachgelagerte Schritte Ergebnisse ohne Mehrdeutigkeit verarbeiten können. Behandeln Sie Immediate Engineering genauso wie Software program-Design. Versionieren Sie Ihre Eingabeaufforderungen, testen Sie sie anhand von Grenzfällen und dokumentieren Sie Ihre Argumentation. Eine Eingabeaufforderung, die bei zehn Beispielen funktioniert, beim elften jedoch abbricht, ist nicht produktionsbereit.
• Werkzeugdesign und -integration: Agenten sind nur so leistungsfähig wie die Instruments, die sie verwenden können. Ein Device ist jede Funktion, die ein Agent aufrufen kann, um mit der Außenwelt zu interagieren: eine Datenbankabfrage, ein Internet Scraper, ein API-Aufruf oder ein Skript, das einen statistischen Check ausführt. Wenn Ihr Device fehlerhafte Eingaben stillschweigend akzeptiert oder mehrdeutige Ausgaben zurückgibt, gibt der Agent diese Fehler in jedem weiteren Schritt weiter. Gutes Device-Design bedeutet typisierte Eingaben, strukturierte Fehlermeldungen, über die der Agent nachdenken kann, und konsistente Rückgabeformate. Betrachten Sie jedes Werkzeug als einen Vertrag: Hier ist, was ich akzeptiere, hier ist, was ich zurückgebe, hier ist, was passiert, wenn etwas schief geht.
• Beobachtbarkeit des Agenten: Wenn ein Agent eine lange Kette aufeinanderfolgender Schritte ausführt, sind für das Debuggen strukturierte Bewertungsrahmen erforderlich. Ausfälle von Agenten sind oft nicht offensichtlich. Ein herkömmlicher Softwarefehler führt zu einem Fehler in einer bestimmten Zeile. Ein Agentenfehler könnte wie eine völlig vernünftige Abfolge von Schritten aussehen, die einige Phasen später zu einem subtil falschen Ergebnis führt. Ohne Rückverfolgung lässt sich nicht rekonstruieren, was tatsächlich passiert ist. Protokollieren Sie mindestens die Eingaben und Ausgaben bei jedem Device-Aufruf, die Argumentation des Agenten an jedem Entscheidungspunkt und die endgültige Ausgabe neben dem ursprünglichen Ziel. Werkzeuge wie LangSmith Und Langfuse sind hier wissenswert. Mit diesen Daten können Sie systematische Auswertungen erstellen und erkennen, wo der Agent dazu neigt, vom Weg abzukommen.
• Multi-Agent-Architektur: Komplexe Aufgaben werden routinemäßig auf spezialisierte Agenten aufgeteilt – beispielsweise einen Datenabrufer, einen statistischen Analysator und einen Berichtsgenerator. Der Grund ist nicht Neuheit; Aus demselben Grund modularisieren Sie Code. Spezialisierte Komponenten lassen sich einfacher testen und isoliert besser beurteilen. Die gestalterische Herausforderung liegt in der Koordination. Agenten müssen Informationen auf eine Weise aneinander weitergeben, die in der gesamten Pipeline kohärent bleibt. Das bedeutet, dass im Vorfeld klare Schnittstellen zwischen Agenten definiert werden müssen. Auch die Fehlerbehandlung muss zur Entwurfszeit entschieden werden: Wenn ein Agent mittendrin ausfällt, versucht das System dann erneut, greift zurück oder zeigt der Fehler einem menschlichen Prüfer auf? Wenn Sie dies von Anfang an richtig machen, ersparen Sie sich später viel Nacharbeit.

# Die Entwicklung der Rollen

Nichts davon führt dazu, dass Arbeitsplätze in der Datenwissenschaft wegfallen. Es erhöht die Obergrenze dessen, was ein einzelner Praktiker liefern kann. Die Rollen, die sich aus dieser Verschiebung ergeben, spiegeln eine klare Kluft zwischen denen, die Agenten einsetzen, und denen, die sie entwickeln, wider.

• KI-Systemdesigner Spezifizieren Sie das Verhalten von Agenten, definieren Sie Bewertungskriterien und überwachen Sie Multi-Agent-Pipelines, indem Sie fundierte datenwissenschaftliche Kenntnisse mit Systemdenken verbinden.
• AgentOps-Ingenieure stellen eine spezielle Weiterentwicklung maschineller Lernoperationen (MLOps) dar, die sich auf die Bereitstellung, Nachverfolgung und Überwachung autonomer Arbeitsabläufe in der Produktion konzentriert, wo Fehlermodi weitaus weniger vorhersehbar sind als beim herkömmlichen maschinellen Lernen.
• Auf Domänen spezialisierte Agentenentwickler besetzen die Nische, die am besten vertretbar ist: ein Datenwissenschaftler mit umfassender Finanz- oder Gesundheitsexpertise, der Agenten-Pipelines für seine spezifische Branche aufbaut. Es ist eine Kombination, die schwer zu reproduzieren ist.

# Schritt halten

Für Praktiker, die noch aufholen, ist der praktische Ausgangspunkt bewusst bescheiden. Versuchen Sie morgen nicht, Ihre gesamte Arbeit zu automatisieren.

Beginnen Sie mit einem Einzelwirkstoffsystem mit Smolagenten oder LangGraph. Geben Sie ihm Zugriff auf zwei Instruments, die für eine Aufgabe related sind, die Sie bereits manuell erledigen, und führen Sie es für ein Drawback aus, bei dem Sie das erwartete Ergebnis kennen. Bewerten Sie es ehrlich. Sobald es zuverlässig funktioniert, stellen Sie einen zweiten Agenten ein, der eine andere Spezialisierung übernimmt. Richten Sie Ihre Protokollierung ein, definieren Sie Ihre Erfolgskriterien und führen Sie systematische Checks durch.

Die Datenwissenschaftler, die hier erfolgreich sein werden, sind diejenigen, die mit diesen Werkzeugen eine praktische Instinct aufbauen und das bewertende Denken entwickeln, das für den verantwortungsvollen Einsatz autonomer Systeme erforderlich ist. Die einzige Möglichkeit, Schritt zu halten, besteht darin, sich am Aufbau zu beteiligen.

Vinod Chugani ist ein KI- und Datenwissenschaftspädagoge, der die Lücke zwischen neuen KI-Technologien und der praktischen Anwendung für Berufstätige schließt. Zu seinen Schwerpunkten zählen Agentische KI, Anwendungen für maschinelles Lernen und Automatisierungsworkflows. Durch seine Arbeit als technischer Mentor und Ausbilder hat Vinod Datenprofis bei der Kompetenzentwicklung und bei Karriereübergängen unterstützt. Er bringt analytisches Fachwissen aus dem quantitativen Finanzwesen in seinen praxisorientierten Lehransatz ein. Sein Inhalt betont umsetzbare Strategien und Rahmenbedingungen, die Fachleute sofort anwenden können.

habe ich die Möglichkeit, neue KI-gestützte Analysetools auszuprobieren, darunter den Datenagenten von Microsoft Cloth. Deshalb möchte ich teilen, was ich gelernt habe, erklären, was ein Datenagent ist, und den Unterschied zwischen ihm und einem „normalen“ KI-Agenten hervorheben.

Additionally, ohne weitere Umschweife, hier ist meine Definition eines Datenagenten:

Ein Datenagent ist ein Bericht, mit dem Sie sprechen können.

Für diejenigen von uns in der Analytik bedeutet dies, dass zwei lang gehegte Wünsche endlich Wirklichkeit werden könnten:

#1: Analysten verbringen viel weniger Zeit mit der Erstellung von Visualisierungen.
#2: Self-Service-Einblicke kommen Geschäftsanwendern näher.

Lassen Sie mich auf jeden dieser Punkte etwas näher eingehen.

Weniger Visualisierungen, nicht weniger Erkenntnisse

Ich genieße wirklich einen guten Bericht, der mir sagen kann, „was los ist“ mit den Kennzahlen, die mich gerade interessieren. Da ich jedoch in der Analytik geschult bin, weiß ich, dass Berichte Kennzahlen manchmal in ein falsches Licht rücken können, was dazu führt, dass Geschäftsanwender häufig Analysten nach der Interpretation von KPIs fragen, normalerweise 10 Minuten vor wichtigen Besprechungen.

Und das ist einer der Gründe, warum wir oft in einen Teufelskreis geraten, in dem wir Dashboards haben, die niemand nutzt, und Stakeholder ständig wollen, dass „die Zahl“ advert hoc oder über Tabellenkalkulationen bereitgestellt wird.

Positiv zu vermerken ist, dass Visualisierungen und Tabellenkalkulationen nicht verschwinden, aber die Bereitstellung der Erkenntnisse erfolgt mit einem Cloth-Datenagenten auf eine neue Artwork und Weise.

Anstatt Abfragen in Diagramme zu verpacken, können Sie sie in Eingabeaufforderungen und Anweisungen einbinden, gepaart mit dem verbrauchsbereiten verwalteten Datenbestand in Cloth, z. B. in einem Lakehouse, einem Warehouse, semantischen Energy BI-Modellen, einer KQL-Datenbank oder sogar einer Ontologie. Dies bedeutet, dass die zugrunde liegenden Daten noch aufbereitet und modelliert werden müssen, um Geschäftsfragen wie „Wie hoch battle der Umsatz diese Woche im Vergleich zur letzten Woche?”

Aus gestalterischer Sicht erstellen Sie nun jedoch keinen bereichsbezogenen visuellen Bericht zur Beantwortung dieser Geschäftsfrage, sondern einen bereichsbezogenen Datenagenten, der diese und andere Teilmengen von Antworten bereitstellt, die aus den zugrunde liegenden Datenmodellen abgeleitet werden.

Genauer gesagt sieht der Enter-Output-Fluss wie folgt aus:
(1) ein Stakeholder stellt eine Frage, (2) der Agent, unterstützt durch die Azure OpenAI Assistant API, interpretiert die Frage und „entscheidet“, welche der Datenquellen am wahrscheinlichsten die Antwort auf der Grundlage von Quellschemata und Agentenanweisungen hat, (3) generiert die entsprechende Abfrage (SQL, DAX oder KQL, je nach Quelltyp), (4) validiert sie, (5) führt sie unter den Anmeldeinformationen des Stakeholders aus und (6) gibt das Ergebnis als Textual content oder zurück Tabelle, (noch) nicht als Visible.

Zusammenfassend lässt sich sagen, dass eine Stakeholder-Interaktion mit Erkenntnissen über den Datenagenten eine Frage-und-Antwort-Sitzung über dem kuratierten Datensatz ist und Drill-Down-Visuals durch Folgefragen ersetzt werden können, wie zum Beispiel „Können Sie den Umsatz auch nach Segmenten aufschlüsseln?”

Damit ist klar, dass die Arbeit der Analysten nicht mehr nur über Dashboards zum Ausdruck gebracht werden muss, additionally den seit langem bekannten greifbaren Beweis dafür, dass die Arbeit zur Erfassung der Geschäftslogik in Datenmodellen erbracht wurde.

Reden wir jetzt über …

Self-Service-Einblicke, näher am Wohnort von Geschäftsanwendern

Ich habe bereits erwähnt, dass Berichte manchmal Kennzahlen falsch darstellen können, aber das ist nicht der einzige Grund, warum „Wenn du es baust, werden sie kommen„funktioniert selten für sie oder für Analysen im Allgemeinen. Die Wahrheit ist, dass die Wissensbarriere oft zu hoch ist, um die zugrunde liegenden semantischen Modelle zu verstehen und zu verstehen, wie man BI-Instruments verwendet, um darüber hinaus visuelle Darstellungen zu erstellen.

Obwohl dies auf Datenkompetenz hindeutet, die ein Change-Administration-Drawback darstellt, ist es eine Tatsache, dass die Zielgruppe des Unternehmens, bei der es sich eigentlich um Berichtskonsumenten handeln sollte, oft zu viel zu tun hat, als dass sie sich die Mühe machen würde, BI-Instruments für Self-Service-Analysen zu erlernen.

Deshalb ist es wichtig, Erkenntnisse näher an den „Lebensraum“ der Endbenutzer zu bringen, was heutzutage auf KI-gestützte Instruments wie M365 Copilot hindeutet.

Mit der Möglichkeit, Erkenntnisse über Datenagenten außerhalb von Cloth bereitzustellen, können sich Analysten nun auf die analytische Logik hinter Self-Service-Datenagenten konzentrieren, und Endbenutzer können auf Erkenntnisse in denselben KI-gestützten Instruments zugreifen, die ihre anderen täglichen Aufgaben unterstützen, ohne die Komplexität eines Wechsels zu einer anderen Plattform.

Ich muss anmerken, dass dies nicht die einzige Möglichkeit ist, Cloth-Datenagenten in die Arbeitsabläufe zu integrieren, und unabhängig davon, ob Sie Entwickler oder Verbraucher sind, ist es intestine zu wissen …

Der Unterschied zwischen Daten und einem KI-Agenten

Bisher haben wir erfahren, dass der Cloth-Datenagent ein Analyseagent ist, der sich auf den schreibgeschützten, kontrollierten Datenzugriff konzentriert und in der Lage ist, Eingabeaufforderungen in natürlicher Sprache in komplexe Datenbankabfragen zu übersetzen, die Erkenntnisse auch außerhalb des Cloth-Mandanten freigeben.

Auf der anderen Seite, ein KI-Agent ist als ein System definiert, das Giant Language Fashions (LLMs) ermöglicht Dinge tun, Reagieren Sie nicht nur auf Eingabeaufforderungen im Namen von Benutzern oder anderen Systemen, indem Sie auf Instruments und Wissen zugreifen.

Das heißt, die ganze Magie liegt in der Einrichtung des KI-Agenten, wo Sie einen Cloth-Datenagenten als spezialisiertes Device oder Wissensquelle verwenden können.

Ich werde dies anhand eines einfachen Beispiels veranschaulichen.

Stellen Sie sich vor, ein autorisierter Benutzer fordert den KI-Agenten dazu auf „Verfassen Sie eine E-Mail an das Group, in der Sie den Umsatz der letzten Woche nach Phase zusammenfassen.“ Um diese Arbeit zu erledigen, müsste der KI-Agent unter anderem Umsatzerkenntnisse aus der Unternehmensdatenbank aufbereiten. Um Fehler bei der Umsatzberechnung zu reduzieren, würde der Entwickler einen Agenten-Workflow entwerfen, um die Eingabeaufforderung an den Cloth-Datenagenten weiterzuleiten Werkzeugder die schwere Arbeit übernehmen würde, das Schema zu bestimmen, die Abfrage zu schreiben, sie auszuführen und die genauen Zahlen zurückzugeben. Schließlich würde der KI-Agent diese Zahlen dann verwenden, um seinen umfassenderen Arbeitsablauf abzuschließen und die E-Mail zu schreiben.

Was ist dann der Unterschied zwischen diesen beiden? Es ist ein KI-Agent Handlungenwährend der Datenagent Gründe.

---

Vielen Dank fürs Lesen.

Wenn Sie diesen Beitrag wertvoll fanden, können Sie ihn gerne mit Ihrem Netzwerk teilen.

Vernetzen Sie sich für weitere Geschichten Medium und LinkedIn .

---

Möchten Sie mehr über Datenagenten erfahren?

Sehen Sie sich in diesem Fall die folgenden Ressourcen an:

Erstellung von Cloth-Datenagenten – Microsoft Cloth
Erfahren Sie, wie Sie einen Cloth-Datenagenten erstellen, der Fragen zu Daten beantworten kann.be taught.microsoft.com

Implementieren Sie Microsoft Cloth Information Brokers – Schulung
Implementieren Sie Microsoft Cloth Information Brokers (Chatten Sie mit Ihren Daten)be taught.microsoft.com

In meinem letzter Artikelhabe ich erklärt, wie Sie MCP verwenden, um LLMs in Ihren gesamten Knowledge-Science-Workflow zu integrieren. Ich habe auch kurz eine andere erwähnt.

Ein Talent ist ein wiederverwendbares Paket aus Anweisungen und optionalen unterstützenden Dateien. Es hilft der KI, wiederkehrende Arbeitsabläufe zuverlässiger und konsistenter abzuwickeln. Es braucht mindestens eine SKILL.md Datei mit Metadaten (Title und Beschreibung) und detaillierten Anweisungen zur Funktionsweise des Abilities. Zur Standardisierung und Genauigkeit wird es oft mit Skripten, Vorlagen und Beispielen gebündelt.

An dieser Stelle fragen Sie sich vielleicht, warum wir Fähigkeiten nutzen, anstatt das Ganze einfach direkt in den Claude Code- oder Codex-Kontext zu schreiben. Ein Vorteil besteht darin, dass Fähigkeiten dazu beitragen, den Hauptkontext kürzer zu halten. Die KI muss zunächst nur die kompakten Metadaten laden – sie kann die restlichen Anweisungen und gebündelten Ressourcen lesen, wenn sie entscheidet, dass die Fähigkeit related ist. Eine große öffentliche Sammlung von Fähigkeiten finden Sie unter Fähigkeiten.sh.

Lassen Sie mich die Idee anhand eines einfachen Beispiels konkretisieren.

---

Mein Beispiel – Wöchentliche Visualisierungsfähigkeit

Kontext

Seit 2018 erstelle ich jede Woche eine Visualisierung – wenn Sie neugierig sind, habe ich hier über meine Reise geschrieben Artikel. Dieser Vorgang ist sehr repetitiv und dauert normalerweise etwa eine Stunde professional Woche. Daher hielt ich es für einen großartigen Kandidaten für die Automatisierung mit Fähigkeiten.

Workflow ohne KI

Hier ist meine wöchentliche Routine:

1. Finden Sie einen Datensatz, der mich interessiert. Zu den Web sites, auf denen ich mich normalerweise inspirieren lasse, gehören: Tableauvisualisierung des Tages, Voronoi, die Economics Every day von BLS, r/dataisbeautifulusw.
2. Öffnen Sie Tableau, spielen Sie mit den Daten, finden Sie Erkenntnisse und erstellen Sie eine Visualisierung, die die Geschichte intuitiv erzählt.
3. Veröffentlichen Sie es auf meine persönliche Web site.

KI-Workflow

Während der Schritt der Datensatzsuche immer noch manuell erfolgt, habe ich zwei Fähigkeiten erstellt, um die Schritte 2 und 3 zu automatisieren:

• A Geschichtenerzählen-nämlich Fähigkeit, den Datensatz zu analysieren, Erkenntnisse zu identifizieren, Visualisierungstypen vorzuschlagen und eine interaktive Visualisierung zu generieren, die intuitiv, prägnant und auf das Geschichtenerzählen ausgerichtet ist.
• A nämlich-veröffentlichen Fähigkeit, die die Visualisierung als eingebettetes HTML auf meiner Web site veröffentlicht – ich werde diese nicht weitergeben, da sie sehr spezifisch für die Repo-Struktur meiner Web site ist.

Unten sehen Sie ein Beispiel, bei dem ich die Storytelling-Viz-Fertigkeit in Codex Desktop ausgelöst habe. Ich habe den gleichen Apple Well being-Datensatz verwendet wie Letztes Malindem er Codex auffordert, die Daten aus der Google BigQuery-Datenbank abzufragen und dann den Talent zum Generieren einer Visualisierung zu verwenden. Es struggle in der Lage, Einblicke in die jährliche Trainingszeit im Vergleich zum Kalorienverbrauch zu gewinnen und einen Diagrammtyp mit Begründung und Kompromissen zu empfehlen.

Der gesamte Vorgang dauerte weniger als 10 Minutenund hier ist die Ausgabe – sie beginnt mit einer erkenntnisbasierten Überschrift, gefolgt von einer klaren interaktiven Visualisierung, Vorbehalten und der Datenquelle. Ich habe die Fähigkeit mit meinen letzten wöchentlichen Visualisierungen getestet, und weitere Visualisierungsbeispiele finden Sie im Talent-Repo.

---

Wie ich es tatsächlich gebaut habe

Nachdem wir uns nun die Ausgabe angesehen haben, möchte ich Ihnen erklären, wie ich den Talent erstellt habe.

Schritt 1: Beginnen Sie mit einem Plan

Wie ich in meinem letzten Artikel erwähnt habe, möchte ich vor der Umsetzung zunächst einen Plan mit KI ausarbeiten. Hier begann ich mit der Beschreibung meines wöchentlichen Visualisierungsworkflows und meines Ziels, ihn zu automatisieren. Wir besprachen den Tech-Stack, die Anforderungen und wie „gute“ Ergebnisse aussehen sollten. Dies führt zu meiner allerersten Model der Fertigkeit.

Das Schöne daran ist, dass Sie die SKILL.md-Datei nicht manuell erstellen müssen – bitten Sie einfach Claude Code oder Codex, einen Talent für Ihren Anwendungsfall zu erstellen, und es kann die ursprüngliche Model für Sie booten (es löst einen Talent aus, um einen Talent zu erstellen).

Schritt 2: Testen und iterieren

Mit der ersten Model erreichte ich jedoch nur 10 % meines idealen Visualisierungsworkflows – sie konnte Visualisierungen generieren, aber die Diagrammtypen waren oft nicht optimum, die visuellen Stile waren inkonsistent und die wichtigsten Erkenntnisse wurden nicht immer hervorgehoben usw.

Diese verbleibenden 90 % erforderten iterative Verbesserungen. Hier sind einige Strategien, die geholfen haben.

1. Teile mein eigenes Wissen

In den letzten acht Jahren habe ich meine eigenen Finest Practices und Präferenzen für die Visualisierung entwickelt. Ich wollte, dass die KI diesen Mustern folgt, anstatt jedes Mal einen anderen Stil zu erfinden. Deshalb habe ich meine Visualisierungs-Screenshots zusammen mit meiner Stilanleitung geteilt. AI struggle in der Lage, die gemeinsamen Prinzipien zusammenzufassen und die Fertigkeitsanweisungen entsprechend zu aktualisieren.

2. Recherchieren Sie externe Ressourcen

Es gibt on-line so viele Ressourcen über gutes Datenvisualisierungsdesign. Ein weiterer nützlicher Schritt, den ich unternommen habe, bestand darin, AI zu bitten, bessere Visualisierungsstrategien aus bekannten Quellen und ähnlichen öffentlichen Fähigkeiten zu recherchieren. Dadurch wurden Perspektiven hinzugefügt, die ich selbst nicht explizit dokumentiert hatte, und die Fertigkeit skalierbarer und robuster gemacht.

3. Lernen Sie aus Checks

Checks sind unerlässlich, um Verbesserungsbereiche zu identifizieren. Ich habe diese Fähigkeit mit mehr als 15 verschiedenen Datensätzen getestet, um zu beobachten, wie sie sich verhält und wie ihre Ausgabe im Vergleich zu meinen eigenen Visualisierungen ist. Dieser Prozess hat mir geholfen, konkrete Aktualisierungen vorzuschlagen, wie zum Beispiel:

• Standardisierung der Schriftartenauswahl und des Layouts
• Überprüfen Sie die Desktop- und Mobilvorschau, um überlappende Beschriftungen und Anmerkungen zu vermeiden
• Diagramme auch ohne Tooltips verständlich machen
• Fragen Sie immer nach der Datenquelle und verknüpfen Sie diese in der Visualisierung
• …

Hier finden Sie die neueste Model des Storytelling-Viz-Abilities Hier. Spielen Sie gerne damit und lassen Sie mich wissen, wie es Ihnen gefällt

---

Erkenntnisse für Datenwissenschaftler

Wenn Fähigkeiten nützlich sind

Mein wöchentliches Visualisierungsprojekt ist nur ein Beispiel, aber Fähigkeiten können in vielen wiederkehrenden Knowledge-Science-Workflows nützlich sein. Sie sind besonders wertvoll, wenn Sie eine Aufgabe haben taucht wiederholt auf, folgt einem halbstrukturierten Prozess, hängt von Domänenkenntnissen ab und ist mit einer einzigen Eingabeaufforderung schwer zu handhaben.

• Untersuchen Sie zum Beispiel die Bewegung der Metrik X. Sie kennen wahrscheinlich bereits die allgemeinen Treiber von
• Ein weiteres Beispiel: Angenommen, Sie planen, ein Experiment in Area A durchzuführen und möchten andere Experimente überprüfen, die in derselben Area ausgeführt werden. In der Vergangenheit haben Sie in Slack nach Schlüsselwörtern gesucht, Google Docs durchforstet und die interne Experimentierplattform geöffnet, um mit der Area getaggte Experimente zu überprüfen. Jetzt können Sie diese allgemeinen Schritte in einem Talent zusammenfassen und LLMs bitten, umfassende Recherchen durchzuführen und einen Bericht über relevante Experimente mit ihren Zielen, Dauer, Verkehr, Standing und Dokumenten zu erstellen.

Wenn Ihr Workflow aus mehreren unabhängigen und wiederverwendbaren Komponenten besteht, sollten Sie diese in separate Fähigkeiten aufteilen. In meinem Fall habe ich zwei Fähigkeiten erstellt – eine zum Generieren der Visualisierung und eine andere zum Veröffentlichen in meinem Weblog. Dadurch werden die Teile modularer und lassen sich später leichter in anderen Arbeitsabläufen wiederverwenden.

Fähigkeiten und MCP arbeiten intestine zusammen. Ich habe BigQuery MCP und die Visualisierungsfähigkeit in einem Befehl verwendet und es wurde erfolgreich eine Visualisierung basierend auf meinen Datensätzen in BigQuery generiert. MCP hilft dem Modell, reibungslos auf die externen Instruments zuzugreifen, und Fähigkeiten helfen ihm, den richtigen Prozess für eine bestimmte Aufgabe zu befolgen. Daher ist diese Kombination kraftvoll und ergänzt sich gegenseitig.

---

Eine letzte Anmerkung zu meinem wöchentlichen Visualisierungsprojekt

Warum mache ich das immer noch, nachdem ich 80 % meines wöchentlichen Visualisierungsprozesses automatisieren kann?

Als ich 2018 zum ersten Mal mit dieser Gewohnheit begann, bestand das Ziel darin, Tableau zu üben, das das wichtigste BI-Software meines Arbeitgebers struggle. Der Zweck hat sich jedoch im Laufe der Zeit geändert – jetzt nutze ich dieses wöchentliche Ritual, um verschiedene Datensätze zu erkunden, denen ich bei der Arbeit nie begegnen würde, meine Datenintuition und mein Geschichtenerzählen zu schärfen und die Welt durch die Linse der Daten zu sehen. Für mich geht es additionally nicht wirklich um das Werkzeug, sondern um den Entdeckungsprozess. Und deshalb habe ich vor, das auch im KI-Zeitalter weiter zu tun.

Quantencomputing ist das Gebiet der Technologie, das Prinzipien der Quantenmechanik nutzt (d. h Überlagerung Und Verstrickung) Informationen grundsätzlich anders verarbeiten als klassische Laptop. Um es in einfachen Worten auszudrücken: Quantencomputer verwenden anstelle von Bits (0 oder 1). Qubits um komplexe, hochdimensionale Probleme in der Chemie, Materialwissenschaft und Optimierung zu lösen, möglicherweise in Sekunden statt in Jahren.

In der Praxis werden Probleme durch den Aufbau sogenannter mathematischer Modelle gelöst Quantenschaltungen: Sequenzen von Operationen und Anweisungen, die einige Eingaben entgegennehmen und eine Ausgabe zurückgeben (ähnlich wie bei linearer Regression und neuronalen Netzen). Im Quantencomputing werden diese Operationen aufgerufen Tore die Daten (Qubits) auf andere Weise modifizieren. Im Grunde ist ein Schaltkreis ein Satz, und die Gatter sind die Wörter, aus denen der Satz besteht.

Für die Durchführung von Experimenten werden Schaltkreise verwendet. Konkret gibt es zwei Arten Quantensimulationen:

• Verwendung eines normalen Computer systems zur Simulation eines Quantencomputers. Als würde man Python verwenden, um eine Schaltung zu schreiben, und einen Simulator, um sie auszuführen, während ein echter Quantencomputer die Schaltung physisch implementieren würde.
• Mit einem Quantencomputer ein reales Quantensystem simulieren (wie Atome oder Elektronen). In der Natur existieren bereits Quantensysteme, und klassische Laptop haben Schwierigkeiten, sie zu simulieren, da der Zustandsraum exponentiell wächst. Andererseits können Quantenmaschinen diese Systeme effizienter modellieren, da sie natürlich denselben Regeln folgen.

In diesem Tutorial zeige ich Ihnen, wie Sie eine Quantensimulation auf Ihrem Laptop ausführen. Dieser Artikel ist die Fortsetzung von „Ein Anfängerleitfaden zum Quantencomputing mit Python„.

Aufstellen

Zuerst müssen wir installieren Qiskit (pip set up qiskit), eine von IBM entwickelte Open-Supply-Bibliothek für die Arbeit mit Quantencomputern, mit der Sie ein Quantengerät auf Ihrem lokalen Laptop simulieren können.

Der einfachste Code, den wir schreiben können, besteht darin, einen zu erstellen Quantenschaltung (Umgebung für Quantenberechnungen) mit nur einem Qubit und initialisieren Sie es auf 0. Um den Zustand des Qubits zu messen, benötigen wir a Zustandsvektorwas Ihnen im Grunde die aktuelle Quantenrealität Ihrer Schaltung verrät.

from qiskit import QuantumCircuit
from qiskit.quantum_info import Statevector

q = QuantumCircuit(1,0) #circuit with 1 quantum bit and 0 basic bit
state = Statevector.from_instruction(q) #measure state
state.possibilities() #print prob%

Dies bedeutet, dass die Wahrscheinlichkeit, dass das Qubit 0 ist (erstes Component), 100 % beträgt und die Wahrscheinlichkeit, dass das Qubit 1 ist (zweites Component), 0 % beträgt. Lassen Sie uns den Zustand visualisieren:

from qiskit.visualization import plot_bloch_multivector

plot_bloch_multivector(state, figsize=(3,3))

Schaltungen

Ein Quantengatter ist eine einzelne Operation, die den Quantenzustand ändert. Ein Quantenschaltkreis ist eine Folge von Gattern, die im Laufe der Zeit auf Qubits angewendet werden.

Beginnen wir mit dem Aufbau einer einfachen Schaltung.

q = QuantumCircuit(1,0) #circuit with 1 quantum bit and 0 basic bit

q.draw(output="mpl", scale=0.7) #present circuit with matplotlib

Wir haben ein Qubit, aber um es zu messen, müssen wir unserem Schaltkreis ein klassisches Bit hinzufügen.

q = QuantumCircuit(1,1) #add 1 basic bit

q.draw(output="mpl", scale=0.7)

Um eine Rennstrecke aufzubauen, sollte man wissen, was man erreichen möchte, oder anders ausgedrückt, man muss die Tore und ihre Funktion kennen. Der Ansatz ähnelt dem neuronaler Netze: Sie verwenden einfach eine Ebene nach der anderen, um die gewünschte Ausgabe zu erhalten (z. B. Faltungen in Bildern und Einbettungen in Textual content). Die häufigste Operation ist die Hadamard-Tor (H-Gate), das eine Superposition auf ein Qubit anwendet.

q = QuantumCircuit(1,1)
q.h(0) #Hadamard gate (Superposition)

q.draw(output="mpl", scale=0.7)

Auf dem Bild sehen wir, dass das rote H-Gate auf das Qubit angewendet wird und es von einer eindeutigen 0 in eine 50/50-Mischung aus 0 und 1 umwandelt. Fügen wir eine Messbox hinzu, die diese Überlagerung in einen realen Wert (entweder 0 oder 1) zusammenfasst, indem wir dieses Ergebnis im klassischen Bit speichern.

q = QuantumCircuit(1,1)
q.h(0)
q.measure(qubit=0, cbit=0) #measure qubit with basic bit

q.draw(output="mpl", scale=0.7)

Die Schaltung wurde von meinem klassischen Laptop mathematisch so entworfen, wie sie auf Papier geschrieben conflict, aber sie wurde noch nicht ausgeführt.

Simulation

Bei einer Quantensimulation verwenden Sie einen Laptop, um das Verhalten eines Quantensystems zu modellieren. Wenn Sie eine Schaltung schreiben (wie ich es oben getan habe), beschreiben Sie lediglich das mathematische Modell. Um es auszuführen, benötigen Sie eine Backend-Engine, die den Quantenschaltkreis in einer Simulation ausführt.

Qiskit-Aer (pip set up qiskit-aer) ist die Engine, die Quantenschaltungen in der Simulation ausführt. Mit Aer können Sie Quantenschaltungen auf Ihrem Laptop ausführen und so verschiedene Aspekte echter Quantenhardware (Quantenzustand, Messung, verrauschtes System) simulieren.

Ich werde das Experiment mit der zuvor geschriebenen Schaltung (ein klassisches Bit + ein Qubit in Superposition) 1000 Mal durchführen.

from qiskit_aer import AerSimulator

sim = AerSimulator()
end result = sim.run(q, photographs=1000).end result()
end result.get_counts()

Das Qubit wurde 1000 Mal gemessen, was 500 Mal 1 und 500 Mal 0 ergab. Wir können es uns vorstellen:

from qiskit.visualization import plot_histogram

plot_histogram(end result.get_counts(), 
figsize=(5,4), shade="black", title="1-qubit in Superposition")

Das Ergebnis ist vollkommen gleichmäßig, da Aer perfekte Quantenzustände simulieren kann, die auf echter {Hardware} unmöglich wären. In der realen Welt sind Quanteninformationen äußerst fragil und sie funktionieren unter der Annahme, dass das System perfekt und stabil ist und es den Teilchen ermöglicht, in mehreren Zuständen zu existieren (Kohärenz). Doch in dem Second, in dem das Qubit mit irgendetwas interagiert, etwa mit Wärme oder Vibrationen, verliert das System seine Harmonie und seine Quanteneigenschaften (Dekohärenz).

Daher können Sie ein Qubit in Superposition (sowohl 0 als auch 1 gleichzeitig) nur in einer Simulation visualisieren, jedoch niemals in der realen Welt. Denn in dem Second, in dem Sie das Qubit beobachten, erzeugen Sie Rauschen und das System kollabiert auf eine einzige Zahl (0 oder 1). In der Praxis dienen echte Quantencomputer nur der Ergebnismessung, während Simulationen zum Entwurf von Quantenmodellen verwendet werden.

Um das Experiment realistischer zu gestalten, kann man der Simulation Rauschen hinzufügen.

from qiskit_aer import noise

n = noise.NoiseModel()
error = noise.depolarizing_error(param=0.10, num_qubits=1) #10% error chance
n.add_all_qubit_quantum_error(error=error, directions=('h'))

sim = AerSimulator(noise_model=n)
end result = sim.run(q, photographs=1000).end result()
plot_histogram(end result.get_counts(), 
figsize=(5,4), shade="black", title="1-qubit in Superposition")

Abschluss

Dieser Artikel conflict ein Tutorial zu Quantensimulationen mit Python einführen und Qiskit. Wir haben gelernt, was der Unterschied zwischen einer echten {Hardware} und einem Quantenexperiment ist. Wir haben auch gelernt, wie man Quantenschaltungen entwirft und eine Simulation auf einer klassischen Maschine durchführt.

Vollständiger Code für diesen Artikel: GitHub

Ich hoffe, es hat Ihnen gefallen! Kontaktieren Sie mich gerne für Fragen und Suggestions oder einfach nur, um mir Ihre interessanten Projekte mitzuteilen.

Lassen Sie uns verbinden

_{^{(Alle Bilder stammen vom Autor, sofern nicht anders angegeben)}}

wie GPT-5.4 von OpenAI und Opus 4.6 von Anthropic haben herausragende Fähigkeiten bei der Ausführung lang andauernder Agentenaufgaben bewiesen.

Infolgedessen sehen wir einen erhöhten Einsatz von LLM-Agenten über Einzel- und Unternehmensumgebungen hinweg, um komplexe Aufgaben zu erledigen, wie z. B. die Durchführung von Finanzanalysen, die Erstellung von Apps und die Durchführung umfangreicher Recherchen.

Diese Agenten können, unabhängig davon, ob sie Teil eines hochautonomen Setups oder eines vordefinierten Workflows sind, mithilfe von Instruments mehrstufige Aufgaben ausführen, um Ziele zu erreichen minimale menschliche Aufsicht.

„Minimal“ bedeutet jedoch nicht, dass keine menschliche Kontrolle erfolgt.

Im Gegenteil bleibt die menschliche Überprüfung aufgrund der inhärenten probabilistischen Natur von LLMs und des Fehlerpotenzials wichtig.

Diese Fehler können sich im Laufe des Arbeitsablaufs ausbreiten und verschlimmern, insbesondere wenn wir zahlreiche Agentenkomponenten aneinanderreihen.

Sie werden die beeindruckenden Fortschritte bemerkt haben, die Agenten im Codierungsbereich gemacht haben. Der Grund dafür ist, dass Code relativ einfach zu überprüfen ist (d. h. er wird entweder ausgeführt oder schlägt fehl und das Suggestions ist sofort sichtbar).

Aber in Bereichen wie der Erstellung von Inhalten, der Recherche oder der Entscheidungsfindung ist die Richtigkeit oft subjektiv und schwieriger automatisch zu bewerten.

Darum Human-in-the-Loop (HITL) Design bleibt entscheidend.

In diesem Artikel erklären wir Ihnen, wie Sie es verwenden LangGraph eine einrichten Human-in-the-Loop Agentischer Workflow für die Erstellung und Veröffentlichung von Inhalten Bluesky.

Inhalt

(1) Grundierung für LangGraph
(2) Beispiel-Workflow
(3) Schlüsselkonzepte
(4) Code-Komplettlösung
(5) Greatest Practices für Interrupts

Die beiliegende finden Sie hier GitHub-Repo hier.

---

(1) Einführung in LangGraph

LangGraph (Teil der LangChain Ökosystem) ist ein Low-Stage-Agenten-Orchestrierungs-Framework und eine Laufzeitumgebung zum Erstellen von Agenten-Workflows.

Aufgrund seines hohen Maßes an Kontrolle und Anpassbarkeit, das für produktionstaugliche Lösungen von entscheidender Bedeutung ist, ist es mein bevorzugtes Framework.

Während LangChain ein Middleware-Objekt anbietet (HumanInTheLoopMiddleware), um einen einfachen Einstieg in die menschliche Aufsicht bei Agentenanrufen zu ermöglichen, erfolgt dies auf einem hohen Abstraktionsniveau, das die zugrunde liegenden Mechanismen verdeckt.

Im Gegensatz dazu abstrahiert LangGraph weder die Eingabeaufforderungen noch die Architektur und gibt uns so das feinere Maß an Kontrolle, das wir benötigen. Damit können wir explizit Folgendes definieren:

• Wie Daten zwischen Schritten fließen
• Wo Entscheidungen und Codeausführungen stattfinden
• Wo menschliches Eingreifen erforderlich ist

Deshalb werden wir verwenden LangGraph das HITL-Konzept innerhalb eines zu demonstrieren Agenten-Workflow.

Es ist auch hilfreich, zwischen zu unterscheiden Agenten-Workflows Und autonome KI-Agenten.

Agenten-Workflows verfügen über vorgegebene Pfade und sind für die Ausführung in einer definierten Reihenfolge konzipiert, wobei LLMs und/oder Agenten in eine oder mehrere Komponenten integriert sind. Auf der anderen Seite, KI-Agenten selbstständig ein Ziel planen, ausführen und iterieren.

In diesem Artikel konzentrieren wir uns auf Agenten-Workflowsbei dem wir bewusst menschliche Kontrollpunkte in einen vordefinierten Ablauf einfügen.

---

(2) Beispiel-Workflow

Für unser Beispiel erstellen wir einen Workflow zur Generierung von Social-Media-Inhalten wie folgt:

1. Der Benutzer gibt ein interessantes Thema ein (z. B. „Neueste Nachrichten über Anthropic“).
2. Der Websuchknoten nutzt die Tavily Device zur On-line-Suche nach Artikeln, die zum Prime passen.
3. Das oberste Suchergebnis wird ausgewählt und in ein LLM eingespeist Knoten zur Inhaltserstellung um einen Social-Media-Beitrag zu erstellen.
4. Im Überprüfungsknotengibt es zwei Kontrollpunkte für die menschliche Überprüfung:
   (ich) Präsentieren Sie generierte Inhalte, damit Menschen diese genehmigen, ablehnen oder bearbeiten können.
   (ii) Nach der Genehmigung löst der Workflow Folgendes aus Bluesky API Werkzeug und bittet um eine endgültige Bestätigung, bevor es on-line veröffentlicht wird.

So sieht es aus, wenn es vom Terminal aus ausgeführt wird:

Und hier ist der Reside-Beitrag auf meinem Bluesky-Profil:

Bluesky ist eine soziale Plattform ähnlich wie Twitter (X) und wurde in dieser Demo ausgewählt, weil ihre API viel einfacher zugänglich und zu verwenden ist.

---

(3) Schlüsselkonzepte

Der Kernmechanismus hinter dem HITL-Setup in LangGraph ist das Konzept von unterbricht.

Unterbricht (mit interrupt() Und Command in LangGraph) ermöglichen es uns Diagrammausführung anhalten an bestimmten Stellen, Anzeige bestimmte Informationen an den Menschen, und erwarten ihre Eingaben, bevor der Arbeitsablauf fortgesetzt wird.

Befehl ist ein vielseitiges Objekt, mit dem wir den Diagrammstatus aktualisieren können (replace), geben Sie den nächsten auszuführenden Knoten an (goto), oder erfassen Sie den Wert, um die Diagrammausführung mit ( fortzusetzen)resume).

So sieht der Ablauf aus:

(1) Beim Erreichen der interrupt() Funktion, die Ausführung wird angehalten und die darin übergebene Nutzlast wird dem Benutzer angezeigt. Die Nutzlast ist eingetroffen interrupt sollte normalerweise im JSON- oder String-Format vorliegen, z. B.

choice = interrupt("Ought to we get KFC for lunch?") # String proven to person

(2) Nachdem der Benutzer geantwortet hat, übergeben wir die Antwortwerte an das Diagramm, um die Ausführung fortzusetzen. Es geht um die Verwendung Command und es ist resume Parameter als Teil des erneuten Aufrufs des Diagramms:

if human_response == "sure":
    return graph.invoke(Command(resume="KFC"))
else:
    return graph.invoke(Command(resume="McDonalds"))

(3) Der Antwortwert in resume wird in zurückgegeben choice Variable, die der Knoten für den Relaxation der Knotenausführung und den nachfolgenden Diagrammfluss verwendet:

if choice == "KFC":
    return Command(goto="kfc_order_node", replace={"lunch_choice": "KFC")
else:
    return Command(goto="mcd_order_node", replace={"lunch_choice": "McDonalds")

Interrupts sind dynamisch und können an einer beliebigen Stelle im Code platziert werden, im Gegensatz zu statischen Haltepunkten, die vor oder nach bestimmten Knoten festgelegt werden.

Allerdings platzieren wir Interrupts normalerweise entweder innerhalb der Knoten oder innerhalb der während der Diagrammausführung aufgerufenen Instruments.

---

Lassen Sie uns abschließend darüber reden Checkpointer. Wenn ein Workflow bei einer Unterbrechung pausiert, brauchen wir eine Möglichkeit dazu den aktuellen Zustand speichern damit es später weitergehen kann.

Wir brauchen daher einen Kontrollpunkt bestehen den Zustand, damit der Zustand während der Interrupt-Pause nicht verloren geht. Stellen Sie sich einen Kontrollpunkt vor als eine Momentaufnahme des Diagrammstatus zu einem bestimmten Zeitpunkt.

Für die Entwicklung ist es akzeptabel, den Zustand mit dem im Speicher zu speichern InMemorySaver Kontrollpunkt.

Für die Produktion ist es besser, Geschäfte wie zu nutzen Postgres oder Redis. In diesem Sinne verwenden wir die SQLite Kontrollpunkt in diesem Beispiel anstelle eines In-Reminiscence-Speichers.

Um die Grafik sicherzustellen setzt genau an der Stelle fort Wo der Interrupt aufgetreten ist, müssen wir ihn weitergeben und verwenden Thread-ID.

Stellen Sie sich einen Thread als eine einzelne Ausführungssitzung vor (wie eine separate Einzelkonversation), in der jeder Thread eine eindeutige ID hat und seinen eigenen Standing und Verlauf verwaltet.

Die Thread-ID wird übergeben config bei jedem Diagrammaufruf, damit LangGraph weiß, von welchem ​​Zustand aus es nach dem Interrupt fortfahren soll.

Nachdem wir uns nun mit den Konzepten von Interrupts befasst haben, CommandPrüfpunkte und Threads, kommen wir zur Code-Komplettlösung.

---

Da der Schwerpunkt auf der Human-in-the-Loop-Mechanik liegt, werden wir nicht auf die umfassende Code-Einrichtung eingehen. Besuchen Sie die GitHub-Repo für die vollständige Umsetzung.

(4) Code-Komplettlösung

(4.1) Ersteinrichtung

Wir beginnen mit der Set up der erforderlichen Abhängigkeiten und der Generierung von API-Schlüsseln für Bluesky, OpenAI, LangChain, LangGraph und Tavily.

# necessities.txt
langchain-openai>=1.1.9
langgraph>=1.0.8
langgraph-checkpoint-sqlite>=3.0.3
openai>=2.20.0
tavily-python>=0.7.21

# env.instance
export OPENAI_API_KEY=your_openai_api_key
export TAVILY_API_KEY=your_tavily_api_key
export BLUESKY_HANDLE=yourname.bsky.social
export BLUESKY_APP_PASSWORD=your_bluesky_app_password

---

(4.2) Zustand definieren

Wir haben das eingerichtet StateDabei handelt es sich um das gemeinsam genutzte, strukturierte Datenobjekt, das als zentraler Speicher des Diagramms dient. Es enthält Felder, die wichtige Informationen erfassen, etwa den Inhalt des Beitrags und den Genehmigungsstatus.

Der post_data Der Schlüssel ist, wo der generierte Beitragsinhalt gespeichert wird.

---

(4.3) Interrupt auf Knotenebene

Wir haben bereits erwähnt, dass Interrupts auf Knotenebene oder innerhalb von Toolaufrufen auftreten können. Sehen wir uns an, wie Ersteres funktioniert, indem wir den Knoten für die menschliche Überprüfung einrichten.

Der Zweck des Überprüfungsknotens besteht darin, die Ausführung anzuhalten und dem Benutzer den Entwurfsinhalt zur Überprüfung vorzulegen.

Hier sehen wir das interrupt() in Aktion (Zeilen 8 bis 13), wobei die Diagrammausführung im ersten Abschnitt der Knotenfunktion anhält.

Der particulars Schlüssel übergeben interrupt() enthält den generierten Inhalt, während die motion Style löst eine Handlerfunktion aus (handle_content_interrupt()) zur Unterstützung der Rezension:

Der generierte Inhalt wird im Terminal gedruckt, damit der Benutzer ihn anzeigen kann. Er kann ihn unverändert genehmigen, direkt ablehnen oder vor der Genehmigung direkt im Terminal bearbeiten.

Basierend auf der Entscheidung gibt die Handlerfunktion einen von drei Werten zurück:

• True (genehmigt),
• False (abgelehnt), oder
• Zeichenfolgenwert, der dem vom Benutzer bearbeiteten Inhalt entspricht (edited).

Dieser Rückgabewert wird mit an den Überprüfungsknoten zurückgegeben graph.invoke(Command=resume…)wodurch die Ausführung von dort aus fortgesetzt wird interrupt() wurde aufgerufen (Zeile 15) und bestimmt, welcher Knoten als nächstes aufgerufen werden soll: Inhalte genehmigen, ablehnen oder bearbeiten und mit der Genehmigung fortfahren.

---

(4.4) Interrupt auf Device-Ebene

Interrupts können auch auf Device-Aufrufebene definiert werden. Dies wird im nächsten menschlichen Überprüfungskontrollpunkt im demonstriert Knoten genehmigen bevor der Inhalt on-line auf Bluesky veröffentlicht wird.

Anstatt zu platzieren interrupt() Innerhalb eines Knotens platzieren wir ihn innerhalb des publish_post Device, das Beiträge über die Bluesky API erstellt:

Genau wie das, was wir auf Knotenebene gesehen haben, rufen wir eine Handlerfunktion auf (handle_publish_interrupt), um die menschliche Entscheidung zu erfassen:

Der Rückgabewert dieses Überprüfungsschritts ist entweder:

• {"motion": "verify"}oder
• {"motion": "cancel} ,

Der letzte Teil des Codes (d. h. ab Zeile 19) im publish_post Das Device verwendet diesen Rückgabewert, um zu bestimmen, ob mit der Veröffentlichung auf Bluesky fortgefahren werden soll oder nicht.

---

(4.5) Diagramm mit Checkpointer einrichten

Als nächstes verbinden wir die Knoten in einem Diagramm zur Kompilierung und führen einen SQLite-Prüfpunkt ein, um Schnappschüsse des Zustands bei jedem Interrupt zu erfassen.

SQLite erlaubt standardmäßig nur die Verwendung durch den Thread, der die Datenbankverbindung erstellt hat. Da LangGraph einen Thread-Pool für Checkpoint-Schreibvorgänge verwendet, müssen wir ihn festlegen check_same_thread=False um diesen Threads auch den Zugriff auf die Verbindung zu ermöglichen.

---

(4.6) Richten Sie den vollständigen Workflow mit Config ein

Nachdem das Diagramm fertig ist, platzieren wir es nun in einem Workflow, der die Pipeline zur Inhaltsgenerierung in Gang setzt.

Dieser Workflow umfasst die Konfiguration einer Thread-ID, die an jeden Thread übergeben wirdgraph.invoke(). Diese ID ist die Verbindung, die die Aufrufe miteinander verbindet, sodass das Diagramm bei einer Unterbrechung anhält und an der Stelle fortfährt, an der es aufgehört hat.

Vielleicht ist Ihnen das aufgefallen __interrupt__ Geben Sie den Code oben ein. Es ist einfach ein spezieller Schlüssel, den LangGraph dem Ergebnis hinzufügt, wann immer ein interrupt() wird getroffen.

Mit anderen Worten, es ist das Primäres Sign, das angibt, dass die Diagrammausführung angehalten wurde und wartet auf menschliche Eingaben, bevor es fortfährt.

Durch Platzieren __interrupt__ als Teil einer whereas Schleife bedeutet, dass die Schleife ständig prüft, ob noch ein Interrupt läuft. Sobald der Interrupt behoben ist, verschwindet der Schlüssel und die while-Schleife wird beendet.

Wenn der Workflow abgeschlossen ist, können wir ihn wie folgt ausführen:

run_hitl_workflow(question="newest information about Anthropic")

---

(5) Greatest Practices für Interrupts

Während Interrupts bei der Aktivierung von HITL-Workflows sehr hilfreich sind, können sie bei falscher Verwendung störend sein.

Daher empfehle ich die Lektüre LangGraph-Dokumentation. Hier sind einige praktische Regeln, die Sie beachten sollten:

• Schließen Sie Interrupt-Aufrufe nicht in Strive/Besides-Blöcke ein, da sie sonst die Ausführung nicht ordnungsgemäß anhalten
• Halten Sie Unterbrechungsanrufe jedes Mal in der gleichen Reihenfolge und überspringen Sie sie nicht und ordnen Sie sie nicht neu an
• Übergeben Sie nur JSON-sichere Werte an Interrupts und vermeiden Sie komplexe Objekte
• Stellen Sie sicher, dass jeder Code vor einem Interrupt sicher mehrmals ausgeführt werden kann (dh Idempotenz), oder verschieben Sie ihn nach dem Interrupt

Ich hatte zum Beispiel ein Downside im Internet-Suchknoten, bei dem ich direkt nach der Tavily-Suche eine Unterbrechung platzierte. Die Absicht bestand darin, eine Pause einzulegen und den Benutzern die Möglichkeit zu geben, die Suchergebnisse zur Erstellung von Inhalten zu überprüfen.

Da Interrupts jedoch dadurch funktionieren, dass sie die Knoten, von denen sie aufgerufen wurden, erneut ausführen, hat der Knoten einfach die Websuche erneut ausgeführt und einen anderen Satz von Suchergebnissen weitergeleitet als die, die ich zuvor genehmigt habe.

Daher funktionieren Interrupts am besten als Tor vor einer Aktion, aber wenn wir sie nach einem nicht deterministischen Schritt (wie einer Suche) verwenden, müssen wir das Ergebnis beibehalten, sonst riskieren wir, dass bei der Wiederaufnahme etwas anderes angezeigt wird.

---

Zum Abschluss

Die menschliche Überprüfung kann bei Agentenaufgaben wie ein Engpass erscheinen, bleibt jedoch kritisch, insbesondere in Bereichen, in denen die Ergebnisse subjektiv oder schwer zu überprüfen sind.

LangGraph erleichtert die Erstellung von HITL-Workflows mit Interrupts und Checkpoints.

Daher besteht die Herausforderung darin, zu entscheiden, wo diese menschlichen Entscheidungspunkte platziert werden sollen, um ein gutes Gleichgewicht zwischen Kontrolle und Effizienz zu finden.

Yariv Adan, persönlich haftender Gesellschafter, Ellipsenunternehmen

Es gab noch nie einen besseren Zeitpunkt, um KI-Ingenieur zu werden. Wenn Sie technisches Geschick mit einem Gespür für Produktdesign und einem scharfen Blick für Automatisierung kombinieren, haben Sie vielleicht sogar während eines Wochenend-Hackathons eine äußerst nützliche App entwickelt. Ist es additionally an der Zeit, VCs zu pitchen? Die allgemeine Weisheit besagt, dass Sie das Rezept für ein risikokapitalfinanziertes Startup haben, wenn Sie eine Marktlücke finden, einen echten Mehrwert liefern und schnell liefern können. Sie beobachten wahrscheinlich unzählige Kollegen, die genau das tun. Aber bevor Sie sich auf die Jagd nach einem Milliarden-Greenback-Einhorn machen, müssen Sie sich fragen: Wären Sie besser dran, Esel zu hüten?

und Startups verändern sich. Nicht schrittweise, sondern grundlegend. Im vergangenen Jahr haben wir ein Crew nach dem anderen getroffen, das alles richtig gemacht hat: schnell handeln, nützliche Produkte entwickeln, auf echte Kundenprobleme eingehen und echten Mehrwert bieten. Und doch haben wir viele davon weitergegeben. Nicht weil die Groups schwach waren, sondern weil die Schutzgräben, die ihren Wert schützen würden, grundlegend erodiert sind.

Die Grundregel des Enterprise-Geschäfts hat sich nicht geändert: Ein Unternehmen braucht Differenzierung und vertretbare Wettbewerbsvorteile, um in großem Maßstab erfolgreich mit hohen Margen zu bleiben. Aber was als verteidigungsfähiger Burggraben gilt, hat sich dramatisch verändert, und die Messlatte ist auf ein viel höheres Niveau gestiegen. Wenn Ihrem Unternehmen ein echter Schutzwall fehlt, seien es proprietäre Daten oder einzigartiges Fachwissen, das einer Armee hochqualifizierter KI-Agenten standhalten kann, wird es unweigerlich mit Störungen in der Todeszone der Kommerzialisierung konfrontiert sein.

Vor zwei Jahren haben wir den Begriff geprägt Kommerzielle Magie Um die Zukunft zu beschreiben, sahen wir KI-Malerei. Technologien und Produkte entwickeln sich immer mehr zu magischen Dingen und erschließen bisher unerreichbare Möglichkeiten, werden jedoch durch Grenzmodelle quick vollständig zur Ware vermarktet. Was den „magischen“ Teil betrifft, bleiben wir optimistisch: Er eröffnet eine enorme wirtschaftliche Likelihood, indem er Werte freisetzt, die zuvor nicht zugänglich waren. Das Risiko der Kommerzialisierung ist jedoch actual und disruptiv und führt dazu, dass ganze Bereiche nicht mehr investiert werden können.

In diesem Artikel wollen wir diese Kommerzialisierungsdynamik entschlüsseln: Warum das Einhorn in der aktuellen Landschaft noch schwieriger zu jagen ist. Aber wir möchten auch darauf hinweisen, dass ein neues, oder besser gesagt, ein sehr bekanntes Lebewesen im Begriff ist, aufzutauchen: Eselherden.

Kommerzialisierung aus allen Richtungen

KI frisst Software program und Dienste, aber gleichzeitig verändern sich die wirtschaftlichen Aspekte der Wertschöpfung drastisch. Die Kosten, das Fachwissen, die Zeit und die Gesamtressourcen, die erforderlich sind, um ein Produkt auf den Markt zu bringen, sinken. Das verändert alles und die Kommerzialisierung strömt von allen Seiten herein.

Der Benutzer als Erbauer. Es gibt eine neue Klasse von Apps, die zuvor gekaufte Software program ersetzen: die ephemeren Apps. Ob es sich um eine einfache Eingabeaufforderung handelt, die ein Artefakt erstellt, eine Claude-Code-Sitzung oder eine Kombination aus Fähigkeiten, Instruments und Plugins, Benutzer können jetzt jede App erstellen, die sie sich vorstellen können. Jeder erfahrene Ingenieur weiß, dass es trivial ist, selbst das komplexeste Modul für einen einzelnen Benutzer zu erstellen. Die traditionelle Komplexität und das Fachwissen kommen nur zum Tragen, wenn es modular, generisch, skalierbar und wartbar gemacht wird. Ein einzelner Person-Builder ist ein gewaltiger Konkurrent für ein ganzes SaaS-Unternehmen, wenn es darum geht, genau die App zu erstellen, die er gerade benötigt. Dies gilt auch für Groups und darüber hinaus durch das Organisationsgedächtnis.

Die Explosion der Konkurrenten. Da sich Programmieragenten verbessern und das Niveau professioneller menschlicher Ingenieure erreichen, und das bei viel geringeren Kosten und geringerer Verwaltungskomplexität, sinkt die Eintrittsbarriere für die Gründung eines SaaS-Unternehmens dramatisch, was zu einer um Größenordnungen größeren Konkurrenz führt. Das Ergebnis ist ein Gedränge auf allen Ebenen, und wir sehen es bereits in unserem Dealflow. Jeder Anwendungsfall wird mittlerweile von zahlreichen Startups angegriffen, die jeweils von einem kleinen Brückenkopf ausgehen, an dem sie einen unfairen Vorteil haben, in der Hoffnung, zu expandieren und den Markt zu erobern. Aber wenn sie den Kopf heben, sehen sie überall Brückenköpfe ohne klare Unterscheidung. Diese Unternehmen können einen echten Mehrwert liefern, einige sind möglicherweise sogar profitabel, aber als risikokapitalfinanzierte Unternehmen machen sie keinen Sinn.

Enterprise-Capital und Begin-ups waren schon immer ein Spiel voller Erfolge und Misserfolge. Aber wenn sich die Verhältnisse um Größenordnungen verschieben und viel mehr Unternehmen, Einzelgründer und kleine Groups alle mit denselben Instruments arbeiten, brechen die alten Regeln zusammen. Am Ende erleiden Sie viel mehr Fehlschüsse als Treffer, bis zu dem Punkt, an dem das VC-Modell selbst nicht mehr funktioniert.

„Es geht nur um die Verteilung“, oder doch?

Ein Argument, das wir oft hören, ist, dass es in einer Welt, in der Software program eine Ware ist, nur um den Vertrieb geht: Handeln Sie schnell, gewinnen Sie die ersten Kunden, und Sie gewinnen. Leider verändern Kommerzialisierung und KI auch die Regeln für die Markteinführung und den Vertrieb.

Erstens gibt es das Drawback der Überfüllung. Wenn Sie in vier Wochen mit zwei Personen schnell handeln, schnell einen MVP-Prototyp erstellen und einen Piloten verpflichten können, können das auch Ihre vielen Konkurrenten.

Zweitens erschließt KI nicht nur kurzlebige, hyperpersonalisierte Apps, sondern auch die Integration herkömmlicher Software program ist viel einfacher, schneller und kostengünstiger geworden. Herkömmliche SaaS-Produkte sind generisch und erfordern komplexe, teure Integrationsprojekte, was eine wichtige Quelle für Bindung und First-Mover-Vorteile darstellt. In der neuen Welt, in der diese Integrationen automatisiert oder im Handumdrehen regeneriert werden können, verschwinden diese Burggräben schnell. Da die Lock-in-Effekte nachlassen und sich der Kunde nicht mehr so ​​viele Gedanken über zukünftige Unterstützung und Kompatibilität machen muss, kann er sich auf das konzentrieren, was er jetzt braucht und wer es am besten kann, insbesondere in stark standardisierten und wettbewerbsintensiven Märkten.

Infolgedessen erwarten wir, dass KI-Agenten für die Softwarebeschaffung entstehen, die alte, von Menschen geführte Methoden ersetzen. Diese Agenten könnten in Echtzeit Gebote abgeben und die erforderlichen Fähigkeiten testen, wodurch Marke, Vertrieb und First-Mover-Vorteil weitgehend irrelevant würden. Die wirtschaftlichen Gründe liegen auf der Hand: Wenn die Umstellungskosten gegen Null gehen, folgt die Loyalität.

Schließlich rücken Massive Tech in der Rangliste und in allen Branchen nach oben. Überlegen Sie, wie Anbieter von Grenzmodellen und Plattformbesitzer, etwa E-Mail, Chat und Dokumente im Unternehmen oder Mobilgeräte, Suche und soziale Netzwerke für Verbraucher, jetzt selbst vertikale Anwendungsfälle erstellen können, schneller und besser als je zuvor. Google fügt KI-Funktionen direkt in Workspace hinzu, Microsoft bettet Copilot in Workplace ein und Apple integriert Intelligenz in iOS. Diese Giganten dringen in Gebiete vor, die einst Startups gehörten, und nutzen Vertriebsvorteile, mit denen Startups einfach nicht mithalten können. Die Fähigkeit, sich viel schneller zu entwickeln, gilt für Massive Tech ebenso wie für ein Zwei-Personen-Startup, und Massive Tech beginnt mit einer Milliarde Nutzern.

Dies ist die neue Realität auf dem Software program- und Dienstleistungsmarkt, da nützliche Informationen zur Ware werden.

Esel, keine Einhörner

Ist dies das Ende des Unternehmertums, gibt es keinen Weg nach vorne für starke kleine Groups, die in unterversorgten Märkten schnell Mehrwert liefern können? Weit gefehlt.

Es gibt eindeutig eine riesige Likelihood für neue Einhörner, nur mit einer höheren Messlatte. Das ist die Likelihood, auf die wir uns als VC konzentrieren. Aber wir glauben auch, dass die Superkräfte und die Geschwindigkeit der KI Unternehmern einen weiteren Weg eröffnet haben, der überhaupt kein Risikokapital erfordert.

Was wäre, wenn Sie, anstatt einem einzigen schwer fassbaren Einhorn nachzujagen, Agenten und die niedrigen Entwicklungskosten nutzen würden, um die Schaffung wertschöpfender Unternehmen zu automatisieren und zu skalieren? Kann ein Einzelgründer eine Herde passiv einkommensgenerierender Esel in großem Maßstab aufbauen?

Überlegen Sie, wie das in der Praxis aussieht. Sie automatisieren die Ideenfindung und Marktforschung, um eine Ideenpipeline zu generieren, zu priorisieren und zu bereinigen. Sie automatisieren Benutzerrecherche und -interviews, Kundenansprache, Hypothesengenerierung, Prototyping, Experimente und Analysen. Sie gründen diese Unternehmen, betreiben sie parallel, töten die Verlierer, verdoppeln die Gewinner und passen sich je nach Bedarf an.

Stellen Sie sich einen Gründer vor, der fünfzehn Kleinstunternehmen gleichzeitig leitet, von denen jedes eine kleine Nische bedient, die auf ein unterversorgtes Marktsegment abzielt, zu dem er Zugang hat: Einer automatisiert Compliance-Berichte für kleine europäische Fintech-Unternehmen, ein anderer erstellt maßgeschneiderte Schulungsmaterialien für Logistikunternehmen, ein dritter verwaltet die Rechnungsabläufe für freiberufliche Berater. Höchstwahrscheinlich sogar mit geografischem Schwerpunkt. Keiner davon ist ein Milliardenmarkt. Keiner von ihnen wird in einer TechCrunch-Schlagzeile landen. Aber jedes generiert einen stetigen, nachhaltigen Umsatz, und zusammen ergeben sie etwas Sinnvolles. Der Gründer leitet nicht fünfzehn Groups; KI-Agenten kümmern sich um den Construct, die Iteration und den Kundensupport. Die Aufgabe des Gründers ist das Portfoliomanagement: Welche Esel soll man füttern, welche soll man in den Ruhestand schicken, welche Nischen soll man als nächstes erschließen.

Dies ist die Umkehrung des Enterprise-Modells. Anstatt das Risiko auf eine große Wette zu konzentrieren, verteilen Sie es auf viele kleinere. Anstatt eine 100-fache Rendite für ein einzelnes Unternehmen zu benötigen, bauen Sie ein Portfolio auf, bei dem das Gesamtergebnis zählt. Die Rechnung ist anders, das Risikoprofil ist anders und vor allem ist kein Fremdkapital erforderlich, was bedeutet, dass der Gründer die volle Eigentümerschaft und Kontrolle behält.

Wir empfehlen diesen Weg Groups, die wir treffen und die hervorragende Arbeit leisten, aber in Bereichen tätig sind, in denen der Burggraben einfach nicht tief genug ist, um ein Ergebnis im Enterprise-Maßstab zu erzielen. Diese oft sehr kleinen und effizienten Groups sind perfekt positioniert, um zu fördern statt zu erhöhen. Der Eselspfad ist kein Trostpreis. Für viele Gründer magazine es die klügere Variante sein.

Dies ist kein waghalsiges Stück, und genau darum geht es. Es ist ein neuer Weg für Unternehmer, die bereit sind, den Traum von einem großen Ergebnis gegen ein Portfolio kleinerer, nachhaltiger Ergebnisse einzutauschen und KI zu nutzen, um dieses Portfolio in einem Umfang handhabbar zu machen, der bisher nicht möglich battle.

Wir glauben, dass hier eine echte Likelihood liegt, und haben begonnen, die Instruments zu erforschen, mit denen dies funktioniert. Bleiben Sie dran.

Es gibt viele gute Ressourcen, die die Transformatorarchitektur on-line erklären, aber Einbettung der Drehposition (RoPE) wird oft schlecht erklärt oder ganz übersprungen.

RoPE wurde erstmals in dem Artikel vorgestellt RoFormer: Verbesserter Transformator mit Rotationspositionseinbettungund während die beteiligten mathematischen Operationen relativ einfach sind – hauptsächlich Rotationsmatrix und Matrixmultiplikationen – liegt die eigentliche Herausforderung darin, die Instinct hinter ihrer Funktionsweise zu verstehen. Ich werde versuchen, eine Möglichkeit zu bieten, zu veranschaulichen, was es mit Vektoren macht, und zu erklären, warum dieser Ansatz so effektiv ist.

Ich gehe davon aus, dass Sie in diesem Beitrag über ein grundlegendes Verständnis von Transformatoren und dem Aufmerksamkeitsmechanismus verfügen.

RoPE-Instinct

Da es Transformatoren an inhärentem Verständnis für Ordnung und Abstände mangelt, entwickelten Forscher Positionseinbettungen. Folgendes sollten Positionseinbettungen bewirken:

• Näher beieinander liegende Token sollten eine höhere Gewichtung haben, während entfernte Token eine niedrigere Gewichtung haben sollten.

• Die Place innerhalb einer Sequenz sollte keine Rolle spielen, d. h. wenn zwei Wörter nahe beieinander liegen, sollten sie einander mit höherer Gewichtung folgen, unabhängig davon, ob sie am Anfang oder am Ende einer langen Sequenz stehen.

• Um diese Ziele zu erreichen, relative Positionseinbettungen sind weitaus nützlicher als absolute Positionseinbettungen.

Wichtige Erkenntnisse: LLMs sollten sich auf die relativen Positionen zwischen zwei Token konzentrieren, was für die Aufmerksamkeit wirklich wichtig ist.

Wenn Sie diese Konzepte verstehen, haben Sie bereits die Hälfte geschafft.

Vor RoPE

Die ursprünglichen Positionseinbettungen aus der wegweisenden Arbeit Aufmerksamkeit ist alles, was Sie brauchen wurden durch eine Gleichung in geschlossener Type definiert und dann in die semantischen Einbettungen eingefügt. Das Mischen von Positions- und Semantiksignalen im verborgenen Zustand warfare keine gute Idee. Spätere Untersuchungen bestätigten, dass LLMs Positionen eher merken (überanpassen) als verallgemeinern, was zu einer schnellen Verschlechterung führt, wenn die Sequenzlängen die Trainingsdaten überschreiten. Aber die Verwendung einer Formel in geschlossener Type macht Sinn, sie ermöglicht uns, sie auf unbestimmte Zeit zu erweitern, und RoPE macht etwas Ähnliches.

Eine Strategie, die sich im frühen Deep Studying als erfolgreich erwiesen hat, warfare: Wenn Sie nicht sicher sind, wie nützliche Funktionen für ein neuronales Netzwerk berechnet werden sollen, lassen Sie das Netzwerk diese selbst lernen! Genau das haben Modelle wie GPT-3 getan – sie haben ihre eigenen Positionseinbettungen gelernt. Die Bereitstellung von zu viel Freiheit erhöht jedoch das Risiko einer Überanpassung und führt in diesem Fall zu harten Einschränkungen für Kontextfenster (Sie können es nicht über Ihr trainiertes Kontextfenster hinaus erweitern).

Die besten Ansätze konzentrierten sich auf die Modifizierung des Aufmerksamkeitsmechanismus, sodass nahegelegene Token höhere Aufmerksamkeitsgewichtungen erhalten, während entfernte Token niedrigere Gewichtungen erhalten. Durch die Isolierung der Positionsinformationen im Aufmerksamkeitsmechanismus bleibt der verborgene Zustand erhalten und bleibt auf die Semantik fokussiert. Diese Techniken versuchten in erster Linie geschickt zu modifizieren Q Und Okay Ihre Skalarprodukte würden additionally die Nähe widerspiegeln. In vielen Artikeln wurden unterschiedliche Methoden ausprobiert, aber RoPE löste das Drawback am besten.

Rotationsintuition

RoPE ändert sich Q Und Okay durch Anwenden von Drehungen auf sie. Eine der schönsten Eigenschaften der Rotation besteht darin, dass sie Vektormodule (Größe) beibehält, die möglicherweise semantische Informationen enthalten.

Lassen q sei die Abfrageprojektion eines Tokens und okay die Schlüsselprojektion eines anderen sein. Für Token, die im Textual content nahe beieinander liegen, wird eine minimale Drehung angewendet, während weit entfernte Token größere Rotationstransformationen durchlaufen.

Stellen Sie sich zwei identische Projektionsvektoren vor – jede Drehung würde sie weiter voneinander entfernen. Genau das wollen wir.

Nun ergibt sich eine möglicherweise verwirrende Scenario: Wenn zwei Projektionsvektoren bereits weit voneinander entfernt sind, kann eine Drehung sie näher zusammenbringen. Das ist nicht was wir wollen! Sie werden gedreht, weil sie im Textual content weit entfernt sind und daher keine hohe Aufmerksamkeitsgewichtung erhalten sollten. Warum funktioniert das immer noch?

• In 2D gibt es nur eine Rotationsebene (xy). Sie können nur im oder gegen den Uhrzeigersinn drehen.

• In 3D gibt es unendlich viele Rotationsebenen, sodass es höchst unwahrscheinlich ist, dass die Rotation zwei Vektoren näher zusammenbringt.

• Moderne Modelle arbeiten in sehr hochdimensionalen Räumen (10.000+ Dimensionen), was dies noch unwahrscheinlicher macht.

Denken Sie daran: Beim Deep Studying zählen Wahrscheinlichkeiten am meisten! Es ist akzeptabel, gelegentlich falsch zu liegen, solange die Wahrscheinlichkeiten gering sind.

Drehwinkel

Der Drehwinkel hängt von zwei Faktoren ab: m Und i. Lassen Sie uns jeden einzelnen untersuchen.

Absolute Place des Tokens m

Die Rotation nimmt mit der absoluten Place des Tokens zu m erhöht sich.

Ich weiß, was Sie denken: „m ist die absolute Place, aber haben Sie nicht gesagt, dass relative Positionen am wichtigsten sind?“

Hier liegt der Zauber: Stellen Sie sich eine 2D-Ebene vor, in der Sie einen Vektor um 𝛼 und einen anderen um β drehen. Der Winkelunterschied zwischen ihnen beträgt 𝛼-β. Die absoluten Werte von 𝛼 und β spielen keine Rolle, nur ihre Differenz. Additionally für zwei Token an Positionen m Und ndie Drehung verändert den Winkel zwischen ihnen proportional zu m-n.

Der Einfachheit halber können wir uns vorstellen, dass wir nur rotieren q (Dies ist mathematisch korrekt, da uns die endgültigen Entfernungen und nicht die Koordinaten wichtig sind.)

Hidden-State-Index i

Anstatt eine gleichmäßige Rotation über alle Dimensionen des verborgenen Zustands hinweg anzuwenden, verarbeitet RoPE jeweils zwei Dimensionen und wendet dabei unterschiedliche Rotationswinkel auf jedes Paar an. Mit anderen Worten: Es zerlegt den langen Vektor in mehrere Paare, die in 2D um verschiedene Winkel gedreht werden können.

Wir drehen verborgene Zustandsdimensionen unterschiedlich – die Drehung ist höher, wenn i ist niedrig (Vektoranfang) und niedriger, wenn i hoch ist (Vektorende).

Diese Operation zu verstehen ist einfach, aber um zu verstehen, warum wir sie brauchen, bedarf es weiterer Erklärungen:

• Dadurch kann das Modell auswählen, was es haben soll kürzere oder längere Einflussbereiche.

• Stellen Sie sich Vektoren in 3D vor (xyz).

• Der x Und y Achsen repräsentieren frühe Dimensionen (niedrig). i), die eine höhere Rotation erfahren. Hauptsächlich auf projizierte Token x Und y Um mit hoher Intensität teilnehmen zu können, muss man sehr nah dran sein.

• Der z Achse, wo i ist höher, rotiert weniger. Hauptsächlich auf projizierte Token z kann auch aus der Ferne teilnehmen.

Diese Struktur fängt komplizierte Nuancen der menschlichen Sprache ein – ziemlich cool, oder?

Ich weiß wieder einmal, was Sie denken: „Nach zu viel Rotation kommen sie sich wieder näher.“

Das ist richtig, aber hier ist der Grund, warum es immer noch funktioniert:

1. Wir visualisieren in 3D, aber das geschieht tatsächlich in viel höheren Dimensionen.
2. Während einige Dimensionen näher zusammenwachsen, wachsen andere, die langsamer rotieren, immer weiter auseinander. Daher ist es wichtig, Bemaßungen um verschiedene Winkel zu drehen.
3. RoPE ist nicht perfekt – aufgrund seiner Rotationsnatur treten lokale Maxima auf. Sehen Sie sich die theoretische Tabelle der Originalautoren an:

Die theoretische Kurve weist einige verrückte Unebenheiten auf, aber in der Praxis habe ich festgestellt, dass sie sich viel besser verhält:

Mir kam die Idee, den Drehwinkel so zu beschneiden, dass die Ähnlichkeit mit zunehmendem Abstand deutlich abnimmt. Ich habe gesehen, dass Clipping auf andere Techniken angewendet wurde, nicht jedoch auf RoPE.

Bedenken Sie jedoch, dass die Kosinusähnlichkeit tendenziell zunimmt (wenn auch langsam), wenn der Abstand weit über unseren Basiswert hinaus wächst (später werden Sie genau sehen, was diese Foundation der Formel ist). Eine einfache Lösung besteht hier darin, die Foundation zu vergrößern oder sie sogar Techniken wie lokaler Aufmerksamkeit oder Fensteraufmerksamkeit zu überlassen.

Fazit: Der LLM lernt, weitreichende und kurzreichweitige Bedeutungseinflüsse in verschiedenen Dimensionen zu projizieren q Und okay.

Hier sind einige konkrete Beispiele für Abhängigkeiten mit großer und kurzer Reichweite:

• Das LLM verarbeitet Python-Code, bei dem eine anfängliche Transformation auf einen Datenrahmen angewendet wird df. Diese relevanten Informationen sollten möglicherweise eine große Reichweite haben und die kontextuelle Einbettung nachgelagerter Prozesse beeinflussen df Token.

• Adjektive charakterisieren typischerweise nahe Substantive. In „Ein schöner Berg erstreckt sich über das Tal hinaus“, das Adjektiv Schön beschreibt speziell die Bergnicht die Schluchtes sollte sich additionally in erster Linie auf die auswirken Berg Einbettung.

Die Winkelformel

Nachdem Sie nun die Konzepte verstanden haben und eine starke Instinct haben, finden Sie hier die Gleichungen. Der Drehwinkel ist definiert durch:

(textual content{Winkel} = m instances theta)
(theta = 10.000^{-2(i-1)/d_{Modell}})

• m ist die absolute Place des Tokens

• i ∈ {1, 2, …, d/2} repräsentiert verborgene Zustandsdimensionen, da wir zwei Dimensionen gleichzeitig verarbeiten, zu denen wir nur iterieren müssen d/2 statt d.

• d<sub>mannequin</sub> ist die verborgene Zustandsdimension (z. B. 4.096)

Beachten Sie Folgendes:

(i=1 Rightarrow theta=1 quad textual content{(hohe Rotation)} )
(i=d/2 Rightarrow theta approx 1/10.000 quad textual content{(geringe Rotation)})

Abschluss

• Wir sollten clevere Wege finden, Wissen in LLMs einzubringen, anstatt sie alles selbstständig lernen zu lassen.

• Dies erreichen wir, indem wir die richtigen Operationen bereitstellen, die ein neuronales Netzwerk zur Datenverarbeitung benötigt – Aufmerksamkeit und Faltungen sind gute Beispiele.

• Geschlossene Gleichungen können auf unbestimmte Zeit erweitert werden, da Sie nicht die Einbettung jeder Place erlernen müssen.

• Aus diesem Grund bietet RoPE eine hervorragende Flexibilität bei der Sequenzlänge.

• Die wichtigste Eigenschaft: Die Aufmerksamkeitsgewichte nehmen mit zunehmender relativer Entfernung ab.

• Dies folgt der gleichen Instinct wie die lokale Aufmerksamkeit in alternierenden Aufmerksamkeitsarchitekturen.

Verschiedene Codierungs-Setups, die Menschen zum Programmieren verwenden. In diesem Artikel führe ich Sie durch mein persönliches Coding-Setup und die Instruments und Anwendungen, die ich verwende, um maximale Effizienz beim Programmieren zu erreichen.

Dies ist ein Setup, das ich durch umfangreiche Assessments und Experimente durch Versuch und Irrtum erstellt habe. Beim Testen habe ich versucht, verschiedene Anwendungen zum Programmieren zu verwenden, und jede davon hat in unterschiedlichen Umgebungen Vorteile.

Ich werde Sie durch die aktuelle Codierungskonfiguration führen, die ich habe, auch wenn diese aufgrund der rasanten Weiterentwicklung der LLM-Technologie in der Zukunft natürlich noch geändert werden kann.

Ich werde von keinem der in diesem Video erwähnten Instruments gesponsert und es handelt sich lediglich um die Instruments, die ich täglich als Programmierer verwende.

Warum Ihr Codierungs-Setup optimieren?

Als Programmierer ist Ihr Codierungs-Setup eines der wichtigsten Elemente, die Sie optimieren können. Hier verbringen Sie die meiste Zeit damit, verschiedene Probleme zu lösen. Da Sie so viel Zeit mit der Einrichtung Ihrer Codierung verbringen, sollten Sie sich die Zeit nehmen, um sicherzustellen, dass sie für Ihre persönlichen Arbeitsabläufe optimiert ist.

Ich persönlich suche immer nach Möglichkeiten, mein Setup effizienter zu gestalten. Lange Zeit habe ich Cursor täglich als Plattform verwendet, von der aus ich meine gesamte Codierung durchgeführt habe. Vor ein paar Wochen bin ich plötzlich dazu übergegangen, reinen Claude-Code über Warp zu verwenden, was im Wesentlichen den Großteil meiner Codierungskonfiguration ausmacht.

Der Wechsel von der Verwendung von Cursor zur Verwendung von Claude Code über Warp warfare eine der bedeutendsten Produktivitätssteigerungen, die ich je erlebt habe, seit ich zum ersten Mal bemerkt habe, wie effizient Agenten für mich programmieren können. Warp + Claude Code hat mir bei meiner täglichen Arbeit als Datenwissenschaftler in einem Startup, das sich mit Dokumenten-KI beschäftigt, enorm geholfen.

Ich gehe mein Codierungs-Setup durch

In diesem Abschnitt führe ich Sie durch die verschiedenen Instruments, Techniken und Ansätze, die ich zur Optimierung meiner Codierungseinrichtung verwende. Ich werde die Anwendungen behandeln, die ich täglich verwende, aber auch, wie ich diese Anwendungen nutze und das Beste aus ihnen heraushole und andere wichtige Methods, die ich anwende, um meine Codierung so effektiv wie möglich zu gestalten.

Alle Tipps, die ich in diesem Abschnitt behandele, haben einen erheblichen Einfluss auf meine Produktivität als Ingenieur.

Werkzeuge

Zunächst möchte ich auf die von mir verwendeten Werkzeuge eingehen. Ich verwende Claude Code und Warp für quick alle meine Codierungen. Wenn ich einige Produktionsprotokolle überprüfen oder einen Fehler beheben oder eine neue Funktion implementieren möchte, verwende ich im Grunde immer Claude Code in Warp.

Innerhalb von Warp habe ich das folgende Setup. Ich habe jede Registerkarte in Warp als separaten Ordner, in dem ich arbeite. Wenn ich additionally in Ordner A arbeite, ist das meine erste Registerkarte in Warp. Und wenn ich in Ordner B arbeite, ist das meine zweite Registerkarte. Heutzutage stelle ich normalerweise fest, dass mehrere Agenten im selben Ordner ausgeführt werden. In diesem Fall erstelle ich mit CMD + D in Warp einen geteilten Bereich, sodass meine Registerkarte in mehrere Bereiche aufgeteilt ist. Abhängig von der Aufgabe, an der ich arbeite, könnten bis zu fünf Agenten im selben Repository arbeiten. Und dann habe ich verschiedene Repositories in verschiedenen Warp-Registerkarten.

Ich möchte eine Ausnahme beachten, bei der ich Cursor anstelle von Claude Code verwende: Wenn ich die volle Kontrolle über den Code benötige. Zum Beispiel, wenn die Funktion von entscheidender Bedeutung ist oder Teil einer kritischen Infrastruktur ist. Wenn ich wichtige Migrationsskripts oder Backfilling-Skripts ausführe, mache ich das normalerweise auch im Cursor, weil ich dadurch mehr Kontrolle über den Code habe. Ich kann den Code auch selbst über interaktive Fenster mit Python ausführen.

Git-Arbeitsbäume

Wie ich in meinem vorherigen Abschnitt erwähnt habe, ertappe ich mich oft dabei, dass ich mehrere Agenten im selben Repository ausführe. Wenn mehrere Agenten gleichzeitig Dateien im selben Repository aktualisieren, treten Probleme auf, wenn Agenten miteinander kollidieren. Um dieses Downside zu lösen, können Sie Git Worktrees verwenden.

Git-Arbeitsbäume sind im Wesentlichen Kopien von Git-Repositorys, die Sie erstellen können, damit Agenten vollständig getrennt voneinander ausgeführt werden. Wenn ich additionally einen neuen Agenten starte, sage ich ihm, dass er einen neuen Git-Arbeitsbaum für das erstellen soll, woran er gerade arbeitet. und dieser Agent kann nun völlig unabhängig von allen anderen Agenten arbeiten, die im selben Repository arbeiten.

Dies ist eine wesentliche Funktion, wenn Sie mit parallelen Agenten in Claude Code arbeiten möchten (was einer der Hauptvorteile der Arbeit mit Claude Code ist). Daher sollten Sie Git Worktrees unbedingt in Ihrer täglichen Programmierung mit Parallelagenten verwenden.

Slash-Befehle

Slash-Befehle sind eine weitere sehr leistungsstarke Funktion. Slah-Befehle sind im Wesentlichen gespeicherte Eingabeaufforderungen, sodass Sie schnell auf eine Eingabeaufforderung zugreifen können, die Sie bei einer früheren Gelegenheit gespeichert haben. Wenn Sie beispielsweise eine sich sehr wiederholende Eingabeaufforderung haben, sollten Sie diese als Schrägstrichbefehl speichern. Einige Beispiele hierfür sind:

Slash-Befehle sind unglaublich leistungsfähig und ich habe sie in einem meiner vorherigen Artikel behandelt. Der Vorteil von Slash-Befehlen ist zweifach. Erstens sparen Sie Zeit, da Sie die Eingabeaufforderung nicht jedes Mal ausschreiben müssen. Anstatt additionally eine lange Eingabeaufforderung schreiben zu müssen, teilen Sie dem Modell mit, dass es Folgendes tun muss:

• Ziehen Sie den neuesten Entwicklungszweig und führen Sie ein Rebase darüber durch
• Führen Sie Precommit-Prüfungen durch
• Eine gute PR-Beschreibung
• Stellen Sie eine Pull-Anfrage von einem Function-Department an dev

Anstatt dies alles aufschreiben zu müssen, können Sie diese Eingabeaufforderung einfach in einem Slash-Befehl speichern und sofort auf die Eingabeaufforderung zugreifen.

---

Der zweite Vorteil besteht darin, dass Sie beim Schreiben Ihrer Eingabeaufforderungen konsistenter vorgehen können. Wenn Sie beispielsweise Pull-Anfragen an Entwickler erstellen, müssten Sie, wie ich bereits erwähnt habe, eine Reihe von Prüfungen durchführen (letzten Entwicklungszweig abrufen, Rebase durchführen, Precommit-Prüfungen ausführen usw.). Wenn Sie dies jedes Mal aufschreiben, besteht die Gefahr, dass Sie Teile der Aufforderung vergessen. Dies ist jedoch kein Downside, wenn Sie Slash-Befehle verwenden, da Sie immer die gleiche Eingabeaufforderung verwenden und konsistenter sind.

Slash-Befehle machen Sie schneller und konsistenter

Niedrige Schwelle zur Entlassung von Agenten

Ein weiteres Thema, das ich behandeln möchte, ist, dass Sie eine extrem niedrige Schwelle haben sollten, um Agenten zu entlassen, die Aufgaben für Sie erledigen. Immer wenn Ihnen eine neue Aufgabe einfällt oder Sie ein neues Downside lösen müssen, sollten Sie einfach einen Agenten entlassen. Wenn ich beispielsweise bemerke, dass eine Schaltfläche falsch ausgerichtet ist, Textual content in meiner Anwendung aktualisiert werden muss oder Übersetzungen aktualisiert werden müssen. Ich starte einfach einen neuen Agenten, lasse ihn völlig autonom laufen und erstelle eine Pull-Anfrage für mich.

Der Hauptpunkt ist, dass Sie eine niedrige Hemmschwelle für die Entlassung von Agenten haben sollten, da die Ausführung so kostengünstig ist und Sie so wenig Zeit kostet. Die Kosten für die Entlassung eines neuen Agenten bestehen im Wesentlichen darin, dass Sie Zeit damit verbringen, eine gute Aufforderung zu verfassen und in vielen Fällen ein paar Fragen des Agenten zu beantworten, damit Sie die Aufgabe, die Sie ihm gegeben haben, richtig verstehen.

Mittlerweile gibt es viele Instruments, die viel Token-Nutzung zu einem relativ niedrigen Preis bieten. Ich verwende zum Beispiel das Claude Code-Abonnement für 200 US-Greenback, das ist ein festgelegter Betrag professional Monat, und ich bin noch nie auf Tariflimits gestoßen. Das bedeutet, dass ich ohne zusätzliche Kosten so viele Agenten wie möglich entlassen kann.

Nutzen Sie die besten Modelle

Ein weiterer Tipp, den ich habe, klingt vielleicht sehr offensichtlich, aber ich empfehle immer, die besten Modelle zu verwenden, wenn Sie mit der Programmierung arbeiten. Der Grund dafür ist, dass Sie dadurch auf lange Sicht sowohl Zeit als auch Geld sparen.

Ja, die besten Modelle sind in der Regel die teuersten Modelle professional Token und auch die langsamsten Modelle. Es stellt sich jedoch heraus, dass billigere Modelle häufiger Fehler machen, was zusätzliche Zeit für die Behebung und Iteration in Anspruch nimmt, was wiederum dazu führt, dass das Modell noch mehr Token verwendet. So stellt sich am Ende oft heraus, dass die Verwendung eines günstigeren, kleineren Modells tatsächlich teurer und zeitaufwändiger ist.

Sie sollten daher die Frontier-Modelle wie Gemini 3 Professional, Claude 4.5 Opus und GPT 5.2 Codex verwenden. Es gibt auch einige aufstrebende Open-Supply-Modelle, die bei den Codierungs-Benchmarks intestine abschneiden, obwohl ich mit Open-Supply-Modellen nicht den gleichen Erfolg erzielt habe wie mit Frontier-Closed-Supply-Modellen.

Abschluss

In diesem Artikel habe ich erläutert, wie Sie eine Codierung mit maximaler Effizienz einrichten. Ich habe das Codierungs-Setup besprochen, das ich täglich verwende, wobei ich das Warp-Terminal mit Claude Code verwende. Darüber hinaus verwende ich bestimmte Techniken, wie zum Beispiel das Organisieren von Warp mit geteilten Fenstern und Registerkarten nach dem Ordner, an dem ich arbeite. Außerdem achte ich darauf, immer die neuesten und besten Codierungsmodelle zu verwenden. Ich glaube, dass es eine sehr gute Zeitnutzung ist, Zeit in die Optimierung Ihres Codierungs-Setups zu investieren. Als Programmierer ist Ihr Codierungs-Setup eines der Dinge, mit denen Sie die meiste Zeit verbringen, und wenn Sie es ein paar Prozentpunkte effizienter machen können, wird es sich auf lange Sicht wahrscheinlich auszahlen.

Meine kostenlosen Ressourcen

Unterstapel

Verzehnfachen Sie Ihr Engineering mit LLMs (kostenloser 3-tägiger E-Mail-Kurs)

Holen Sie sich mein kostenloses E-Guide „Imaginative and prescient Language Fashions“.

Mein Webinar zu Imaginative and prescient Language Fashions

Finden Sie mich in den sozialen Netzwerken:

Nehmen Sie Kontakt auf

LinkedIn

X / Twitter

Medium