> ls ./notes/*.md
Die Notizen funktionieren als Research Log: kurzer Kontext, Problem, Ansatz, Ergebnis und nächster Schritt. Kein Blog um des Blogs willen, sondern Spuren aus Lab-Experimenten.
# RAG-Pipeline ohne Magie
Wie ich einen Retrieval-Layer baue: Quellen, Chunking, pgvector, Eval-Sets, Tracing und ehrliche Qualitätsprüfung.# AI-Factory Task-Planning-Loop
Wie ein Planer funktionieren sollte: Ziel, Zerlegung, Skill-Auswahl, Checkpoints, Execution Trace und manuelle Freigabe riskanter Aktionen.# Context Mining für große Codebases
Wie man aus einem Repository nicht nur Dateien holt, sondern ein nützliches Context Pack: Entrypoints, Abhängigkeiten, Risikozonen und Entscheidungshistorie.# Prompt Evals vor Prompt-Gefühl
Warum Prompts wie Code versioniert werden sollten: Cases, erwartetes Verhalten, Regression Checks, Tone Constraints und sichere Antwortgrenzen.# MoonShine AI-Workflows für Content Ops
Wie man AI sauber in ein Admin-Panel integriert: Entwürfe, Übersetzungen, Content Blocks, Preview und Kontrolle vor Veröffentlichung.# Frontend-Systeme für echte Nutzer
Notizen zu komplexen Interfaces: Design Tokens, State, SSR, Performance und Accessibility ohne unnötige Magie.# Backend unter Last beginnt mit langweiligen Fragen
Patterns für APIs, Queues und Daten: wann ein Monolith schneller ist und wo event-driven Konturen nötig werden.