wAIser Blog
Praxiswissen zu KI-Agenten und KI-Sicherheit für Unternehmen, die KI verantwortungsvoll einsetzen wollen.
Agent Security Audit: Ein Self-Assessment
Vier Posts, 247 Paper, benannte Exploits – jetzt der praktische Teil. Ein Self-Assessment über Trifecta, Lifecycle, Defenses und bekannte Angriffsmuster, mit dem du deinen eigenen Agenten in 16 Punkten einordnest.
Das Defense Playbook für KI-Agenten nimmt endlich Form an
Zero Trust für Agenten, interne Agenten als Insider-Bedrohung behandeln und die ersten zertifizierten Defenses gegen Memory Poisoning. Drei Frameworks aus 2026 mit einem gemeinsamen Instinkt: Vertraue dem Modell nicht, verkleinere das, was du vertrauen musst.
247 Paper später: Agent Security ist ein Systemproblem, kein Textproblem
Eine SoK aus 2026 verdichtet 247 Agent-Security-Paper zu einem Befund: Einzelne Defenses funktionieren, aber komponieren nicht, wir messen die falschen Dinge, und Agent Security ist eine Systems-Engineering-Disziplin mit einem LLM im Kern.
Die Lethal Trifecta: Warum 98 % der KI-Agenten wehrlos sind
Private Daten + nicht vertrauenswürdige Inhalte + externe Kommunikation: 98 % der Produktions-Agenten vereinen alle drei Beine der Lethal Trifecta, nur 11 % bestehen die Blast-Radius-Prüfung. Man kann sich nicht heraus-prompten – nur heraus-architektieren.
Das Jahr, in dem KI-Agenten zur Angriffsfläche wurden
GuardFall, AutoJack, GitHub-Supply-Chain-Angriffe, Bug-Report-Hijacking mit ~85 % Erfolgsquote: Die Agent-Security-Forschung 2026 liest sich wie ein Pentest-Report. Warum der Agent selbst zur Angriffsfläche wird.
Zeitloses Wissen, AI-native trainiert: Warum ich FutureClass gebaut habe
Carnegie, Machiavelli, Le Bon: Die menschliche Natur hat sich nicht geändert — nur das Gewand der Wörter. Warum Lesen nicht Können ist, und wie FutureClass zeitloses Wissen mit AI Practice Labs trainierbar macht.
Wundermittel für die KI-Suche: Was die Wissenschaft über GEO sagt
GEO als bezahlte Disziplin ist zum großen Teil unbewiesen. Was die Forschung (arXiv, die Princeton-Studie, Fishkins 2.961 Prompts) wirklich über KI-Sichtbarkeit belegt, und was schlicht Wundermittel ist.
KI-Agent in 2 Nachrichten vergiftet – Memory Poisoning mit Mem0
Kein API-Zugriff, kein Jailbreak – nur 2 Chat-Nachrichten, um einen gehärteten KI-Agenten dazu zu bringen, einem Credential-Harvester zu vertrauen. Vier Experimente, alle Verteidigungen getestet und gebrochen.
Loops statt Prompts: Warum der Claude-Code-Chef aufgehört hat zu prompten
Boris Cherny prompted Claude nicht mehr – er schreibt Loops. Was das heißt, wie sich /loop und /goal unterscheiden, und der autonome Triage-Loop, den ich selbst gebaut habe.
Opus 4.8 & dynamische Workflows: 7 Agents in 5 Minuten
Sieben Agents, eine echte Legal-Tech-Plattform, fünf Minuten. Was es bedeutet, dass Claude jetzt einen Plan in ein Skript gießt und einen Schwarm parallel laufen lässt – und warum Verifikation alles ändert.
Ambient AI: Warum die nächste KI-Generation nicht antwortet, sondern bemerkt
Solange wir KI pro Anfrage bezahlen, bauen wir nur eine Form davon. Die interessantere ist der Hausmeister, der von selbst merkt, wenn etwas nicht stimmt – und 2026 ist das Jahr, in dem sie ökonomisch wird.
Anthropics 33-Seiten-Blueprint für Claude Skills
Ein offizieller Leitfaden, der zeigt, wie man Claude beibringt, wie man arbeitet – ohne eine einzige Zeile Code. Was wirklich drinsteht und warum Skills das Prompt Engineering leise ablösen.
MIT löst KI-Halluzinationen?
Eine neue Studie aus Cambridge verspricht zuverlässigere Modelle durch kalibrierte Belohnungssignale. Was sie wirklich zeigt – und was das für Entwickler heute bedeutet.
Claude Mythos Preview: Wenn KI eigenständig Zero-Days findet
181 Firefox-Exploits, ein 27 Jahre alter OpenBSD-Bug, ein kompletter FreeBSD-RCE mit ROP-Chain. Warum das Offense-Defense-Gleichgewicht gerade kippt.
Ein CLAUDE.md mit 25.000 Sternen
Wie eine einzelne Markdown-Datei auf Basis von Karpathys Beobachtungen zum meistbeachteten Repo im Claude-Code-Ökosystem wurde – und was davon in der Praxis wirklich bleibt.
Superpowers: KI-Agenten wie echte Teams
Was Superpowers wirklich tut, was das Team-Muster in einem echten Release mit 13 Agents gefunden hat und wann Spec, Plan und Subagenten-Review Overkill sind.
OpenClaw vs. NemoClaw: Warum die Frage falsch gestellt ist
Stand Oktober 2026: Was NemoClaws Sandbox gegen die Lethal Trifecta leistet und was nicht, die CVEs des Jahres und eine Härtungs-Checkliste für selbst gehostete Agenten.
Wie wir das beste KI-Modell für rechtliche Analysen gefunden haben
Update 10/2026: Wie wir KI-Modelle für Rechtsanalysen evaluiert haben, plus eine Methode in acht Schritten für heutige Modelle: echte Testfälle, Referenz-Checklisten, blinde Paarvergleiche, Judge-Bias-Checks, Kosten.
Legal AI Knowledge Base mit Docling: Lehren aus der Praxis
Wie man eine zitierfähige juristische Wissensbasis mit Docling baut: Parsing, Chunking nach Paragraph und Absatz, Zitat-Metadaten, Qualitätschecks nach dem Ingest und Retrieval-Monitoring.
Multi-Agent AI Systeme mit CrewAI
CrewAI in Produktion statt im Tutorial: Crews vs. Flows, Schemas, die keinen Lauf abbrechen, erfundene Quellen, Kostendeckel – Lektionen aus eigenen Multi-Agenten-Systemen.
Ein hartes
KI-Problem?
Ob Agenten bauen oder brechen — wenn es interessant ist, will ich davon hören.
PROJEKT STARTEN ▸