TECH BLOG

Lass mich erklären, warum ich überhaupt angefangen habe, nach einem Token-Monitor zu suchen. Wenn ich an etwas arbeite, steige ich meistens voll ins Thema ein. In meinem Kopf bildet sich dabei ein fragiles Gedankennetz aus lauter Informationsbruchstücken: die Aufgabe selbst, Code-Fragmente, sich überschneidende Ideen aus einem Stapel offener Tabs, Dokumentation, gespeicherte Artikel, Antworten von verschiedenen LLMs und so weiter. Und dann, mitten in diesem ganzen Konstrukt, meistens im denkbar schlechtesten Moment, sagt dir dein Haupt-LLM, dass deine Quota aufgebraucht ist.

Acht Jahre lang hat MacUpdater im Stillen einen der undankbarsten Jobs unter macOS erledigt: veraltete Apps aufspüren und dir per Klick das Update ermöglichen. Rund 6.800 Apps wurden in Echtzeit getrackt, Versionsdaten für etwa 100.000 weitere lagen in der Datenbank. Dann, am 1. Januar 2026, hat CoreCode das Projekt eingestellt.

Wenn du MacUpdater 3.5 noch installiert hast, läuft es weiter. CoreCode hat eine letzte kostenlose Version veröffentlicht, in der alle Pro-Funktionen freigeschaltet sind, und der Datenbankserver soll bis Ende 2026 weiterlaufen. Aber die tägliche Pflege, die das Tool wirklich nützlich gemacht hat, ist vorbei. Erste Fehlmeldungen tauchen schon auf, und es wird nur noch schlimmer werden. Für alle, die ihre Apps gern aktuell halten, steht damit die Frage im Raum, was MacUpdater jetzt eigentlich ersetzt.

Diesen Monat hat AI angefangen, Unternehmen zu steuern, nicht nur zu unterstützen. Der März stand im Zeichen von AI, die zu handeln beginnt. Der April steht im Zeichen von AI, die anfängt zu managen. Agenten verhandeln jetzt Verträge, laufen auf eigenem Silicon und werden in dein Terminal eingebaut, bevor du überhaupt eine Datei öffnest. Die Ära “AI als Chatbot” ist vorbei.

Sieben Dinge, die deine Aufmerksamkeit verdienen.

1. Harness Engineering ist jetzt der eigentliche Job

Alle haben den Tod des Softwareentwicklers vorhergesagt. Dann hat Anthropic versehentlich 512.000 Zeilen Code ihres Claude Code CLI geleakt. Was darin steckt, macht es interessant: keine dünne Wrapper-Schicht über einem Modell, sondern ein massives Scaffolding-System mit Speicherverwaltung, self-healing Query-Loops und Koordinationsschichten für mehrere Agenten (darunter etwas namens KAIROS background daemon), das verhindert, dass das Modell unter seinem eigenen Gewicht zusammenbricht.

Der Februar war laut: Ankündigungen, Demos, große Versprechen. Der März war ruhiger, aber was tatsächlich ausgeliefert wurde, zählt mehr als das, was auf der Bühne gezeigt wurde. Das Thema des Monats: AI-Modelle beantworten nicht mehr nur Fragen. Sie klicken Buttons, schreiben Code, löschen E-Mails (dazu gleich mehr) und laufen auf Hardware, die vor einem Jahr noch absurd gewirkt hätte.

Sieben Dinge, die deine Aufmerksamkeit verdienen.

1. AI bedient jetzt deinen Computer

Jahrelang war die Integration der Flaschenhals. Wenn deine Software keine API hatte, konnte AI nichts damit anfangen. Das ändert sich.

Cloudflare hat kürzlich Dynamic Workers in die offene Beta gebracht - schnelle Sandboxes für AI-Agenten. Das Unternehmen behauptet, sie seien 100-mal schneller als herkömmliche Container bei der Ausführung von AI-generiertem Code. Das ist eine ziemlich starke Aussage. Schauen wir uns an, was dahinter steckt.

Container sind zu schwer für AI-Agenten

Moderne AI-Agenten beantworten nicht nur Fragen, sie können auch Code schreiben und direkt ausführen. Ein Agent kann ein kleines Skript generieren, um eine API aufzurufen, Daten zu verarbeiten oder eine Aufgabe zu erledigen. Dieser Code muss irgendwo ausgeführt werden. Aus Sicherheitsgründen passiert das am besten in einer Sandbox, isoliert vom restlichen System.

Ich benutze Obsidian schon seit längerer Zeit. Ungefähr drei Mal habe ich angefangen und wieder aufgehört. Aber jetzt ist es auf meinen Geräten dauerhaft eingezogen und wächst nach und nach in meine Arbeits- und persönlichen Abläufe hinein. Es liegt noch ein langer Weg vor mir, bis ich es wirklich effizient nutze. Was mich anzieht: Alles wird lokal in normalen Markdown-Dateien gespeichert, es läuft sehr stabil, synchronisiert sich zwischen Geräten einfach und schnell (mit Syncthing), und es gibt ein riesiges Plugin-Universum. Falls du es noch nicht ausprobiert hast, empfehle ich dir, mit der offiziellen Website zu starten.

Wenn du jemals versucht hast, tabellarische Daten auf einer Hugo-Seite darzustellen, weißt du, wie schnell alles schiefgeht. Sagen wir, du hast eine ganz normale CSV-Datei mit App-Rankings, Preisvergleichen oder Benchmark-Ergebnissen. Um daraus eine hübsche Tabelle auf der Seite zu machen, musst du entweder mit Markdown-Markup kämpfen oder HTML von Hand schreiben. Beide Varianten sind mäßig, und beide skalieren schlecht.

Ich bin oft genug darüber gestolpert, um mir schließlich ein vernünftiges Werkzeug zu bauen, einen Shortcode namens csv-table. Du gibst ihm eine CSV-Datei, und er erzeugt eine gestylte, sortierbare, responsive HTML-Tabelle. Eine Zeile im Content, null manuelles Markup.

Es gibt diese fantastische App namens Raycast, die mir erfolgreich dabei geholfen hat, mehrere kostenpflichtige Utilities zu ersetzen. Ich nutze sie schon lange und sie ist so sehr in meine tägliche Arbeitsroutine am MacBook eingewachsen, dass sie einfach zum Muskelgedächtnis geworden ist. Seltsam, dass Apple ihr Spotlight nicht auf dieses Level bringen konnte, aber das ist ein anderes Thema.

Falls dich interessiert, warum genau Raycast, dann lies den Artikel Alfred vs Raycast vs Monarch. Dort gibt es nützliche Tipps zur Nutzung von Raycast.

Gesichtserkennung ist eine Schlüsseltechnologie, die unzähligen Anwendungen zugrunde liegt: vom Entsperren des Smartphones bis hin zu komplexen Sicherheitssystemen. Heute sind dutzende Modelle auf dem Markt verfügbar, von denen jedes hohe Genauigkeit und Geschwindigkeit verspricht. Aber wie findest du dich in dieser Vielfalt zurecht und wählst das richtige Modell für dein Projekt aus?

Ob es sich um eine mobile App mit Face Detection in Echtzeit oder ein Videoüberwachungssystem mit hohen Genauigkeitsanforderungen handelt - die richtige Modellwahl ist entscheidend. Das Studium von Vergleichstests und Reviews führender Face Detection und Tracking Algorithmen ist der erste Schritt zur effektiven Implementierung der Technologie. Dieser Ansatz hilft nicht nur dabei, Ressourcen zu sparen, sondern auch eine stabile und schnelle Performance in realen Bedingungen zu erreichen.

Das explosive Wachstum großer Sprachmodelle hat eine neue Herausforderung für Entwickler geschaffen: Wie verwaltet man effizient den Zugang zu mehreren LLM-Anbietern, ohne sich in verschiedenen APIs, Preismodellen und Authentifizierungsmethoden zu verheddern?

Zwei beliebte Services sind entstanden, um dieses Problem zu lösen: OpenRouter und LiteLLM. Beide Tools versprechen, die LLM-Integration zu vereinfachen, nutzen aber grundlegend verschiedene Ansätze. Dieser Artikel hilft dir zu verstehen, welche Lösung am besten für deine Bedürfnisse funktioniert.