Bild vom Herausgeber

# Einführung

LangChaineines der heute führenden Frameworks für die Erstellung und Orchestrierung von Anwendungen der künstlichen Intelligenz (KI), die auf großen Sprachmodellen (LLMs) und Agent Engineering basieren, hat kürzlich das veröffentlicht Bericht zum Stand der Agententechnikin dem 1.300 Fachleute mit unterschiedlichen Rollen und Geschäftshintergrund befragt wurden, um den aktuellen Stand dieses bemerkenswerten KI-Tendencies aufzudecken.

In diesem Artikel werden einige der wichtigsten Tipps und Erkenntnisse aus dem Bericht ausgewählt und in einem für ein breiteres Publikum zugänglichen Ton erläutert, wobei einige der wichtigsten Begriffe und Fachjargon im Zusammenhang mit KI-Agenten aufgedeckt werden. Weitere Informationen zu den Schlüsselkonzepten hinter KI-Agenten finden Sie auch in diesen verwandten Artikel.

Bevor wir uns auf die Fakten, Zahlen und unterstützenden Beweise für jede unserer drei wichtigsten Erkenntnisse konzentrieren, stellen wir einige wichtige Begriffe und Definitionen vor, die Sie kennen sollten, kurz erklärt:

# Große Unternehmen übertreffen Startups in der Produktion

Die wichtigsten Konzepte, die Sie kennen sollten:

• Agent: Ein KI-System, das im Gegensatz zu Commonplace-Chat-basierten Anwendungen, die reaktiv auf Benutzerinteraktionen reagieren, in der Lage ist, selbstständig Entscheidungen zu treffen und Maßnahmen zu ergreifen. Im heute am häufigsten genutzten Kontext nutzen Agenten ein LLM als ihr „Gehirn“, das sie bei der Entscheidungsfindung darüber unterstützt, welche Schritte sie als Nächstes unternehmen müssen – zum Beispiel das Abfragen einer Datenbank, das Versenden einer E-Mail oder das Durchführen einer Websuche –, um ein Ziel zu erreichen.
• Produktion (Umwelt): Obwohl dies ein grundlegendes Konzept in der Softwareentwicklung ist, magazine es für Leser mit anderen Hintergründen ungewohnt klingen. „In Produktion“ bedeutet, dass ein Softwaresystem stay ist und echte Benutzer, Kunden oder Mitarbeiter es verwenden, um Arbeiten oder Aktionen auszuführen. Im Grunde handelt es sich dabei um das, was nach einem Prototyp oder Proof of Idea (PoC) entsteht: eine Testversion der Software program, die in einer kontrollierten Umgebung ausgeführt wurde, um mögliche Probleme zu identifizieren und zu beheben.

Die wichtigsten Fakten im Bericht:

• Während es ein weit verbreitetes „bürokratisches“ Missverständnis gibt, dass größere Unternehmen bei der Einführung neuer Technologien langsamer sind, zeigen die Datenzahlen etwas anderes: Sie sind führend bei der Bereitstellung von KI-Agenten, wobei 67 % der Unternehmen mit mehr als 10.000 Mitarbeitern agentenbasierte Anwendungen in die Produktion gebracht haben, während dies nur 50 % der kleineren Unternehmen mit weniger als 100 Mitarbeitern tun.
• Gründe für den oben genannten Punkt können die Kosten für den Aufbau zuverlässiger Agentenlösungen sein, die erhebliche Investitionen in die Infrastruktur erfordern.

Ähnliche Beweise finden sich in Deloittes Stand der KI im Unternehmen im Jahr 2026 Und McKinseys Stand der KI im Jahr 2025 Berichte.

# Die Lücke zwischen Beobachtbarkeit und Bewertung

Die wichtigsten Konzepte, die Sie kennen sollten:

• Beobachtbarkeit: KI-Modelle, insbesondere fortgeschrittene, werden oft als undurchsichtige „Black Packing containers“ mit unvorhersehbaren Ergebnissen angesehen. Beobachtbarkeit ist die Fähigkeit zu untersuchen und aufzuzeichnen, was die KI „denkt“ und wie dies zu Entscheidungen oder Ergebnissen führt.
• Nachverfolgung: Ein spezifischer Aspekt der Beobachtbarkeit, der darin besteht, die Reise eines KI-Agenten Schritt für Schritt aufzuzeichnen – additionally seinen Denkweg.
• Offline-Bewertung: Dabei wird ein Testdatensatz mit bekannten „richtigen“ Antworten durchlaufen, um zu messen, wie genau und effektiv ein KI-Agent (oder ein anderes KI-System) arbeitet.

Die wichtigsten Fakten im Bericht:

• Erstaunliche 89 % der Befragten mit unterschiedlichem Hintergrund haben einen Beobachtbarkeitsmechanismus implementiert, obwohl nur 52,4 % Offline-Bewertungen durchführen, was eine bemerkenswerte Diskrepanz zwischen der Artwork und Weise, wie Groups KI-Agenten überwachen, und der strengen Prüfung ihrer Leistung zeigt.
• Dies signalisiert eine „Ship and Watch“-Mentalität, bei der Entwicklungsteams der Fehlerbehebung nach ihrem Auftreten Priorität einräumen, anstatt sie vor der Bereitstellung in der Produktion zu verhindern. Das Reparieren „kaputter Roboter“ statt sicherzustellen, dass sie ordnungsgemäß funktionieren, bevor sie die „Fabrik“ verlassen, kann unerwünschte Konsequenzen und Kosten nach sich ziehen.

Ähnliche Beweise finden sich in Giskards LLM-Beobachtbarkeit vs. Bewertung Artikel.

# Die Kosten sind nicht mehr der größte Engpass: Qualität ist es

Die wichtigsten Konzepte, die Sie kennen sollten:

• Halluzinationen: Wenn ein KI-Modell wie ein LLM selbstbewusst falsche oder unsinnige Informationen generiert, als ob sie wahr wären, spricht man von einer Halluzination. Dies stellt ein gefährliches Drawback dar, wenn KI-Agenten auf dem Laufenden bleiben, da das Drawback nicht nur darin besteht, etwas Falsches zu sagen, sondern auch darin, möglicherweise etwas Falsches zu tun – z. B. einen Flug auf der Grundlage ungenauer oder falsch ermittelter Fakten zu buchen.
• Latenz: Dies bezieht sich auf die Geschwindigkeit oder Verzögerung zwischen dem Stellen einer Frage durch einen Benutzer und dem Erhalt einer Antwort durch einen Agenten, mit einer „Denk“- oder Prozesslogik dazwischen, die häufig den Einsatz von Instruments erfordert. Dies erhöht den Zeitaufwand im Vergleich zu eigenständigen LLMs oder Chatbots.

Die wichtigsten Fakten im Bericht:

• Die Kosten für den Einsatz von KI-Agenten stellen laut den Befragten kein kritisches Drawback mehr dar. 32 % von ihnen nennen die Qualität als ihr größtes Hindernis für die Einführung und Bereitstellung.
• Qualität bezieht sich in diesem Zusammenhang auf Genauigkeit, Konsistenz und die Vermeidung von Halluzinationen.
• Unterdessen gibt es einen interessanten Haken: Die zweitkritischste Hürde ist je nach Unternehmensgröße unterschiedlich, wobei kleine Startups Latenz und Unternehmen mit über 2.000 Mitarbeitern Sicherheit und Compliance nennen.

Ähnliche unterstützende Beweise finden sich in den zuvor zitierten Bericht über Hindernisse bei der Einführung von KI von Deloitte, während differenzierte Beweise über die wichtigsten Unternehmensblocker hier weiter analysiert werden können Mittlerer Artikel.

Iván Palomares Carrascosa ist ein führender Autor, Redner und Berater in den Bereichen KI, maschinelles Lernen, Deep Studying und LLMs. Er schult und leitet andere darin, KI in der realen Welt zu nutzen.

die meisten Leute wussten etwas über Quantenphysik, aber es conflict größtenteils Theorie und klang vielleicht ein wenig nach Science-Fiction. Aber seit IBM Qiskit herausgebracht und den Zugang zu seiner {Hardware} geöffnet hat, gibt es weitere Fortschritte im Quantencomputing. Menschen mit unterschiedlichen Disziplinen und Hintergründen könnten Code für Quanten schreiben und ihn auf tatsächlichen Geräten ausführen.

Obwohl im letzten Jahrzehnt viele erstaunliche Durchbrüche auf diesem Gebiet erzielt wurden, ist die Softwareseite des Quantencomputings immer noch sehr unterentwickelt.

Allerdings erkennt jeder Akteur auf diesem Gebiet, vom Enthusiasten über den Entwickler bis zum Forscher, die Bedeutung des Aufbaus eines ausgereiften Quantensoftware-Stacks. Letzten Monat (Februar 2026) haben einige Forschungslabore und Unternehmen das eingeführt Quantensoftware-Allianz: eine Zusammenarbeit mit dem Ziel, die Quantensoftware-Group aufzubauen und zu unterstützen.

Daher gibt es keinen besseren Zeitpunkt als jetzt, einen Schritt zurückzutreten und einen Blick auf den Aufbau des Quantensoftware-Stacks zu werfen. In diesem Artikel werde ich Sie durch die Landschaft der heutigen Quantencomputing-Programmierung führen. Wir werden das Design, die Ausführung, das Debuggen und die Orchestrierung von Algorithmen untersuchen und die wichtigsten derzeit verfügbaren Ansätze und Instruments hervorheben.

Computermodelle/Workflows

Im Kern handelt es sich bei der Quantenprogrammierung nicht nur um eine „andere Sprache“, die auf vorhandenen Computern implementiert wird. Quantencomputer rechnen mit Qubits (Informationseinheiten, die Überlagerung und Verschränkung nutzen), wodurch sich die mathematischen und operativen Modelle grundlegend von klassischen Bits unterscheiden. Diese Unterschiede ziehen sich durch alle Schichten des Software program-Stacks und schaffen neue Anforderungen an Sprachen, Compiler, Laufzeitsysteme und Debugging-Instruments.

Bevor wir über Instruments sprechen, sollten wir einen Schritt zurücktreten und verstehen Welche Arten von Quantenberechnung wir programmieren heute. Mit anderen Worten: Wie kann ich heute einen Quantenalgorithmus beschreiben? Es gibt verschiedene Möglichkeiten, Quantenalgorithmen zu beschreiben:

1. Gate-basiert (Schaltungsmodell)

Dies ist der am weitesten verbreitete Ansatz für allgemeine Quantenalgorithmen wie z Grovers Suche oder die Quanten-Fourier-Transformation. Programme werden als Sequenzen von Quantengattern ausgedrückt, die auf Qubits angewendet werden und Schaltkreise bilden, die klassischen Logikschaltkreisen ähneln. Gate-basiertes Quantencomputing ist universell.

Das heißt, mit den richtigen Toren und FehlerkorrekturEs kann jeden Quantenalgorithmus implementieren.

2. Analog- und Spezialmodelle

Nicht alle Quantencomputing-Modalitäten verwenden Gates, um Algorithmen zu implementieren. Zum Beispiel, Quantenglühen ermöglicht es dem System, sich in einen Niedrigenergiezustand zu entwickeln und so kombinatorische Probleme zu lösen. Ein weiteres Beispiel ist Hamilton-Simulation und analoge Dynamik, die in physikalischen Simulationen verwendet wird.

Diese Modelle erfordern im Vergleich zu Schaltsprachen häufig andere Schnittstellen. Denken Sie an diese beiden Modalitäten wie Allzweck-Computing und eingebettete Systeme.

3. Hybride quantenklassische Arbeitsabläufe

Quantencomputer erfordern heute Fehlertoleranz. Aber auch in Zukunft werden die meisten Quantencomputer nicht eigenständig sein. Praktische Quantenprogramme führen oft hybride Arbeitsabläufe aus: umfangreiche klassische Vorverarbeitung, eine Quanten-Subroutine und klassische Nachverarbeitung.

Diese Pipelines erfordern Systeme, die die Kommunikation zwischen mehreren Umgebungen ermöglichen und oft in der Cloud laufen.

Abstraktionen der Quantenprogrammierung

Nachdem wir nun eine ungefähre Vorstellung von den verschiedenen Modalitäten zur Implementierung von Quantenalgorithmen haben, können wir die Abstraktionsebenen in der Quantenprogrammierung diskutieren. Die Quantenprogrammierung umfasst ein Spektrum von hardwarenahen Befehlssätzen bis hin zu algorithmischen Sprachen auf hoher Ebene.

Darstellungen auf niedriger und mittlerer Ebene

Fangen wir ganz unten an und gehen nach oben!

• QASM: Eine hardwareunabhängige Quantenassemblysprache, die als Kompilierungsziel für viele Frameworks verwendet wird. QASM wurde entwickelt, damit Programmierer mithilfe verschiedener Programmiersprachen/-bibliotheken Code für unterschiedliche {Hardware} schreiben können.
• Quil (Quantum Instruction Set Structure): Von Rigetti entworfen, führt es ein gemeinsames quantenklassisches Speichermodell ein, das von Python-Bibliotheken wie unterstützt wird pyQuil.
• OpenPulse: Quantencomputer sind gewissermaßen analoge Pc. Jedes Quantengatter kann als Impuls (eine elektromagnetische Welle) implementiert werden, der an das Qubit angelegt wird. OpenPulse wurde von IBM eingeführt, um Benutzern eine bessere Kontrolle über die {Hardware} zu ermöglichen.

Diese Sprachen bieten eine strenge Kontrolle über Gate-Sequenzen, erfordern jedoch mehr Fachwissen und sind nicht leicht zu beherrschen.

Excessive-Stage-Frameworks

Mit Frameworks in bekannten Sprachen wie Python können Entwickler Quantenprogramme mithilfe von Abstraktionen erstellen und testen, die der klassischen Programmierung ähneln. Dies ist die gebräuchlichste Methode zur Implementierung und Erforschung von Quantenalgorithmen.

• Qiskit – Python-basiertes SDK von IBM, das nach wie vor einer der am häufigsten verwendeten Stacks für Schaltungskonstruktion, Optimierung und {Hardware}-Concentrating on ist.
• Qrisp – Ein neueres Excessive-Stage-Framework, das klassische Programmierkonstrukte (Variablen, Schleifen, Kontrollfluss) in die Generierung von Quantenschaltungen einbringt und gleichzeitig Low-Stage-Particulars für Sie verwaltet.

Andere Frameworks umfassen Cirq, TKet, QuTipUnd PennyLane. Die Algorithmen dieser Frameworks erleichtern die Konstruktion von Quantenalgorithmen, was für die Quantenausbildung und das Prototyping von entscheidender Bedeutung ist.

#A easy Python code producing an entangled pair

from qiskit import QuantumCircuit
from qiskit_aer import AerSimulator
from qiskit import transpile

# Create a Bell state circuit
qc = QuantumCircuit(2)
qc.h(0)
qc.cx(0, 1)
qc.measure_all()

# Simulate
sim = AerSimulator()
compiled = transpile(qc, sim)
outcome = sim.run(compiled, pictures=1024).outcome()

print(outcome.get_counts())

Quantenspezifische Sprachen

Dabei handelt es sich um Sprachen, die speziell zum Ausdruck der Quantenlogik entwickelt wurden. Die beiden beliebtesten sind:

• Q#: eine domänenspezifische Hochsprache von Microsoft für skalierbare Quantenalgorithmen; Es integriert klassische und Quantenlogik mit Überprüfungen zur Kompilierungszeit und einem auf Quantenoperationen zugeschnittenen Typensystem.
• Silq: eine höhere Programmiersprache für Quantencomputing mit einem starken statischen Typensystem, entwickelt an der ETH Zürich.

Die schwierige Frage: Simulatoren oder {Hardware}?

Wenn Sie sich heute dazu entschließen, ein Quantenprogramm zu schreiben, würden Sie eine Abstraktionsebene wählen (höchstwahrscheinlich Python mit Qiskit oder PennyLane). Sobald Sie dann Ihre Schaltung aufgebaut haben, werden Sie sich wahrscheinlich fragen: „Wo bleibt mein Programm?“ laufen?“

Das ist eine sehr berechtigte Frage! Und Sie haben zwei Möglichkeiten: Sie können es entweder auf einem Simulator oder auf tatsächlicher {Hardware} ausführen.

Quantensimulatoren

Klassische Simulatoren führen Quantenschaltungen bis zu einer ordentlichen Qubit-Anzahl aus (meist 23–30 Qubits). Dies ist für die Entwicklung vor der Bereitstellung auf echter {Hardware} sehr nützlich.

• Viele Frameworks umfassen integrierte Zustandsvektor- oder Dichtematrixsimulatoren.
• Simulatoren sind für das Debuggen und die Validierung unerlässlich, bevor sie auf echter {Hardware} ausgeführt werden.

Cloud-{Hardware}

Allerdings können klassische Pc keine größeren Quantensysteme simulieren (wenn sie das täten, bräuchten wir keinen Quantencomputer!). Glücklicherweise bieten große Cloud-Anbieter mittlerweile Zugriff auf echte Quantenprozessoren:

Diese Dienste bieten typischerweise API-Zugriff, Backends mit echten Qubits und Jobplanungssysteme. Leider gewähren nicht alle dieser Unternehmen einen kostenlosen Zugang, aber ich weiß mit Sicherheit, dass IBM ein paar Minuten Rechenzeit professional Monat kostenlos anbietet.

Eine weitere Möglichkeit, auf Quantenhardware zuzugreifen, besteht darin, Dienste zu nutzen, die ein vollständiges On-line-Ökosystem bereitstellen. Über diese Web sites können Sie kaufen Token um von einem Ort aus auf unterschiedliche {Hardware} zuzugreifen. Einige Beispiele für solche Dienste sind:

Testen und Debuggen im Quantum Software program Engineering

Klassische Programmierer kennen den Wert von Unit-Checks und Debuggern. Im Quantencomputing sind diese Praktiken gerade erst im Entstehen begriffen. Quantensysteme verhalten sich anders und wir haben immer noch keine konkrete Idee für die Entwicklung von Instruments, die das Debuggen von Quantenprogrammen effizient machen.

Heutzutage müssen Programmierer alles von Hand erledigen und oft die Mathematik der Schaltung verstehen, um herauszufinden, was schief gelaufen ist, wenn die Ausgabe nicht den Erwartungen entspricht. Der Schwerpunkt meiner Doktorarbeit lag auf dem Testen und Debuggen einer Quantenschaltung. Der Kern meiner Arbeit bestand darin, ein strukturiertes Framework für das Debuggen von Schaltungen einzuführen, indem ich gängige Schaltungsblocktypen kategorisierte und maßgeschneiderte Debugging-Strategien vorschlug.

Diese Artwork von Werkzeugen ist wichtig für die Weiterentwicklung des Quantensoftware-Stacks. Da Fehler in Quantenschaltkreisen subtil sein können, können Fehler auf eine falsche Reihenfolge der Qubits, eine fehlerhafte Nichtberechnung oder falsch kalibrierte Phasen zurückzuführen sein! Außerdem sind diese Fehler nicht immer allein aus den Ausgabestatistiken ersichtlich.

Eine weitere einzigartige Herausforderung im Quantensoftware-Engineering besteht darin, Excessive-Stage-Logik effizient in hardwarekompatible Anweisungen zu übersetzen und dabei Korrektheit und Genauigkeit sicherzustellen.

Quantencompiler und -transpiler führen Aufgaben wie Qubit-Mapping, Gate-Zerlegung und Fehlerminderungsvorbereitung aus (ähnlich der klassischen EDA, jedoch mit quantenspezifischen Einschränkungen wie Dekohärenz und dem No-Cloning-Prinzip).

Wo sind wir und wohin gehen wir?

Allerdings ist die Quantenhardware noch nicht vollständig ausgereift. Wir können darauf noch keine Anwendungen in Originalgröße oder komplexe Systemsimulationen erstellen, aber die Hardwareforscher arbeiten härter denn je daran, uns an diesen Punkt zu bringen. Daher muss die Softwareseite aufholen und mit aktueller und zukünftiger {Hardware} kompatibel sein, damit wir sie nutzen können. Die Quantenprogrammierung befindet sich heute an einem aufregenden Wendepunkt:

• Sprachen und SDKs Machen Sie die Entwicklung von Quantenalgorithmen zugänglich.
• Cloud-Dienste den Zugang zu echten Quantenprozessoren demokratisieren.
• Debugging- und Testtools beginnen, den klassischen Erwartungen gerecht zu werden.
• Designautomatisierung und Compiler reduzieren die Belastung durch Low-Stage-Engineering.

Aber es bleiben Software program-Herausforderungen bestehen: Wie schreibt man Quantenprogramme am besten, wie testen wir sie und wie debuggen wir sie, wenn etwas schief geht? Der Bedarf an robusteren Software program-Engineering-Praktiken in der Quantenwelt steigt von Tag zu Tag.

Deshalb schreibe ich allen Datenwissenschaftlern, die sich für Quantencomputing interessieren, um Ihnen mitzuteilen, dass jetzt der ideale Zeitpunkt zum Erkunden, Experimentieren und Mitwirken ist!

Meta hat die bevorstehende Hinzufügung einer engen Freunde zum WhatsApp -Standing angekündigt, eine Funktion, die derzeit täglich von 1,5 Milliarden Nutzern weltweit verwendet wird. Diese Entwicklung spiegelt ein ähnliches Merkmal wider, das lange auf Instagram, eine andere Meta -Plattform, längst etabliert ist.

Mit WhatsApp-Standing, ähnlich wie bei Instagram Tales, können Benutzer Fotos und Movies veröffentlichen, die nach einem Zeitraum von 24 Stunden automatisch verschwinden. Die Einführung der Choice Shut Associates zielt darauf ab, WhatsApp -Benutzern eine stärkere Kontrolle über ihre Statusvision zu bieten, ähnlich der vorhandenen Funktionen von Instagram.

Derzeit bietet der WhatsApp -Standing drei primäre Sichtbarkeitseinstellungen. Das erste, „meine Kontakte“, teilt das Standing -Replace mit der gesamten Kontaktliste des Benutzers. Mit dem zweiten, „meine Kontakte außer…“ können Benutzer bestimmte Kontakte von der Erfassung ihres Standing ausschließen. Der dritte „Teilen mit …“ beschränkt die Sichtbarkeit auf eine vorgewählte Gruppe von Kontakten.

Viele WhatsApp -Benutzer haben die Einstellung „Nur teilen mit…“ als Problemumgehung verwendet, um eine De -facto -Liste der engen Freunde zu erstellen. Die neue Function -Function -Funktion bietet jedoch eine dedizierte und eigenständige Liste, die die vorhandene Choice „Nur teilen mit…“ und mehr Flexibilität bietet.

Laut Wabetainfo kann die Liste der engen Freunde im Bildschirm „Datenschutzeinstellungen im neuesten Testfeld“ konfiguriert werden. Auf diese Weise können Benutzer eine bestimmte Gruppe von Kontakten kuratieren, mit denen sie mehr persönliche oder exklusive Statusaktualisierungen teilen möchten.

Die Funktionalität bietet den Benutzern die Wahl bei der Statuserstellung: Um das Replace mit ihrer gesamten Kontaktliste zu teilen oder sie ausschließlich auf ihre enge Gruppe für Freunde zu beschränken. Diese doppelte Choice bietet eine bessere Kontrolle über die Auswahl der Zielgruppe für jede individuelle Statusaktualisierung.

Statusaktualisierungen, die mit der Gruppe der engen Freunde geteilt wurden, werden visuell durch einen ausgeprägten farbigen Ring, der das Replace umgibt, visuell unterschieden. Dieser visuelle Hinweis zeigt den Empfängern an, dass der Standing ausschließlich mit einer ausgewählten Gruppe von Freunden und nicht einem breiteren Publikum geteilt wurde.

Die Liste der engen Freunde bleibt privat und spiegelt die Funktionalität auf Instagram wider. Benutzer erhalten keine Benachrichtigungen, wenn sie zu einer Liste der engen Freunde hinzugefügt oder ausgenommen werden, um ein gewisses Maß an Privatsphäre und Diskretion zu gewährleisten.

---

Ausgewähltes Bildnachweis