Erklärtes LLM-Kontextfenster: Token, Grenzen und wie man mehr einpasst, gemessen

  1. Startseite
  2. Blog
  3. Künstliche Intelligenz

Künstliche Intelligenz

Erklärtes LLM-Kontextfenster: Tokens, Limits und wie man mehr einpasst, gemessen

Ein LLM-Kontextfenster ist die Gesamtzahl der Token, die ein Modell in einer Anfrage lesen und schreiben kann. Erfahren Sie anhand der von uns gemessenen Zahlen, was es ausfüllt, wie Wörter in Token umgewandelt werden, wie Sie Ein- und Ausgaben budgetieren und wie Sie den Chatverlauf sicher kürzen.

9 Min. Lesezeit
Erläuterung des LLM-Kontextfensters: Token, Grenzwerte und wie man mehr einpasst, gemessen

Das Wichtigste

  • Das LLM-Kontextfenster ist ein Token-Limit, das von allem gemeinsam genutzt wird: Systemeingabeaufforderung, Verlauf, Dokumente und die Antwort.
  • Token sind keine Worte. Unsere englische Prosa verwendete 1,14 Token pro Wort, Python-Code 2,22 und Hindi-Text 1,41 mit einem Tokenizer, aber etwa 4,6 mit einem älteren.
  • Der Chatverlauf wächst mit jeder Runde. Schneiden Sie die ältesten Nachrichten ab, behalten Sie aber immer die Systemaufforderung bei; Naives Schneiden hat es in unserem Test versäumt.
  • Ein großes Fenster ist kein Freifahrtschein. Lange Eingabeaufforderungen kosten mehr, laufen langsamer und können die wichtigen Details verdecken.

Sie fügen einen langen Vertrag in einen Chatbot ein und dieser antwortet, als ob die letzten zehn Seiten nie existiert hätten. Oder ein Support-Bot „vergisst“ langsam die Regeln, die Sie ihm gegeben haben. Bei beiden kommt es auf das LLM-Kontextfenster an: die feste Anzahl von Tokens, mit denen ein großes Sprachmodell in einer Anfrage arbeiten kann. Wenn Sie wissen, wie der Speicher voll ist, können Sie KI-Funktionen entwickeln, die präzise und erschwinglich bleiben.

Wir haben die folgenden Zahlen mit der Open-Source-Bibliothek tiktoken von OpenAI, Version 0.14.0, unter Verwendung ihrer o200k_base und älteren cl100k_base Kodierungen auf Python 3.13 gemessen. Andere Modellfamilien verwenden andere Tokenizer. Betrachten Sie unsere Zählungen daher als realistische Beispiele und nicht als genaue Zahlen für jedes Modell. Die Grundlagen von Token finden Sie in unserem LLM-Token-Leitfaden.

Was ist ein Kontextfenster?

Ein Model merkt sich nicht von alleine frühere Anfragen. Bei jedem Aufruf senden Sie Text und das Modell liest ihn vollständig, bevor es eine Antwort generiert. Das Kontextfenster ist die maximale Größe dieses kombinierten Texts, gemessen in Token. Wenn das Fenster 128.000 Token umfasst, müssen die Eingabe und die Ausgabe zusammen hineinpassen. Unser Leitfaden zu was ein großes Sprachmodell ist erklärt, warum Modelle auf diese Weise funktionieren.

Die Fenstergrößen reichen von einigen Tausend Token bei kleinen Modellen bis hin zu Hunderttausenden oder mehr als einer Million bei großen Modellen. Die Größen ändern sich mit jeder Veröffentlichung. Schauen Sie daher in der Dokumentation Ihres Anbieters nach dem genauen Limit und nach einer separaten Obergrenze für Ausgabe-Tokens.

Was füllt das Kontextfenster?

  • Systemaufforderung: Anweisungen, Regeln und Persona.
  • Konversationsverlauf: jede frühere Benutzer- und Assistentennachricht, die Sie erneut senden.
  • Abgerufener oder eingefügter Inhalt: Dokumente, Suchergebnisse, Codedateien.
  • Tooldefinitionen und Ergebnisse: Funktionsschemata und die von ihnen zurückgegebenen Daten.
  • Die Antwort selbst: Output-Tokens stammen aus demselben Budget.

Dieser letzte Punkt überrascht viele Menschen. Eine Eingabeaufforderung, die fast das gesamte Fenster einnimmt, lässt keinen Platz für eine Antwort, sodass die Antwort abgebrochen wird.

Wörter vs. Token: Was wir gemessen haben

Wir wiederholten jeweils 20 Mal drei kurze Texte und zählten Wörter und Token:

Text Worte o200.000 Token Token pro Wort cl100.000 Token
Englische Prosa 740 841 1.14 841
Python-Code 180 400 2.22 400
Hindi-Text 300 422 1.41 1,381

Drei Lektionen stechen hervor. Einfaches Englisch kostet fast ein Token pro Wort. Code verwendet ungefähr doppelt so viele Token pro „Wort“, da Symbole, Einrückungen und Kurznamen jeweils Token benötigen. Und die Sprache ist von enormer Bedeutung: Derselbe Hindi-Text benötigte mit dem neueren Tokenizer 422 Token und mit dem älteren 1.381, also mehr als dreimal so viele. Ein Fenster, das ein langes englisches Dokument enthält, kann in einer anderen Sprache weitaus weniger enthalten.

import tiktoken
enc = tiktoken.get_encoding("o200k_base")
print(len(enc.encode("Your text here")))

Tipp: Schätzen Sie die Token niemals, indem Sie Zeichen durch vier dividieren, um Produktionsgrenzen zu erreichen. Zählen Sie mit dem Tokenizer für Ihr Modell und halten Sie dann einen Sicherheitsspielraum ein.

Budgetierung einer Anfrage

Wir haben eine Anfrage mit einer 600-Token-Systemaufforderung, 4.200 Tokens des Chat-Verlaufs und 25.000 Tokens der Dokumente geplant, sie dann mit drei Fenstergrößen verglichen und 2.000 Tokens für die Antwort reserviert:

window   8000: input 29800 tokens, left -21800, room for 2,000-token answer: False
window  32000: input 29800 tokens, left   2200, room for 2,000-token answer: True
window 128000: input 29800 tokens, left  98200, room for 2,000-token answer: True

Das 8K-Fenster konnte die Anfrage überhaupt nicht annehmen. Das 32K-Fenster passte, aber es waren nur 2.200 Token übrig, sodass ein weiteres Dokument die Antwort verkürzen würde. Schreiben Sie diese Prüfung vor jedem Aufruf in Ihren Code: Zählen Sie die Teile, ziehen Sie ein reserviertes Ausgabebudget ab und entscheiden Sie, was gekürzt wird, wenn es nicht passt.

Was passiert, wenn Sie rübergehen

Das Verhalten hängt von der API und der App ab. Einige APIs lehnen die Anfrage mit einem Fehler ab. Einige Chat-Apps löschen stillschweigend die ältesten Nachrichten. Einige Dokumente sind abgeschnitten. Und wenn die Eingabe passt, aber zu wenig Platz lässt, stoppt die Antwort mitten im Satz, wenn die Ausgabegrenze erreicht wird. Nichts davon ist für Benutzer offensichtlich, weshalb das Modell scheinbar einen Teil eines Dokuments „vergisst“ oder ignoriert.

Der Chatverlauf wächst mit jeder Runde

Chat-Apps senden die gesamte Konversation jede Runde erneut, damit das Model sie sehen kann. Bei etwa 350 Token pro Spielzug:

chat of 10 turns x 350 tokens = 3500 tokens
chat of 50 turns x 350 tokens = 17500 tokens
chat of 200 turns x 350 tokens = 70000 tokens

Ein langer Support-Chat kann still und leise Zehntausende von Token erreichen, und jede neue Nachricht zahlt sich wieder für alle alten aus.

Die Geschichte kürzen, ohne die Regeln zu verlieren

Wir haben einen 31-Nachrichten-Chat mit 1.455 Token erstellt und ihn auf zwei Arten auf ein Limit von 800 Token reduziert. Auf intelligente Weise sorgte das System dafür, dass das System immer auf dem neuesten Stand blieb und dann Nachrichten von der neuesten zur ältesten hinzufügte, bis das Budget voll war. Der naive Weg behielt einfach die letzten 800 Token des verbundenen Textes.

history: 31 messages, 1455 tokens -> kept 17 (783 tokens), system kept: True, oldest kept: 'message 14'
naive tail-truncation keeps system prompt: False

Die naive Version ließ die Systemaufforderung weg, die die Anweisung „Immer auf Englisch antworten“ enthielt. Genau so verliert ein Bot in langen Chats seine Regeln. Bessere Strategien, ungefähr in der Reihenfolge ihres Aufwands:

  • Pinnen Sie immer die Systemaufforderung und die neueste Benutzernachricht an.
  • Lassen Sie die ältesten Wendungen zuerst fallen oder fassen Sie sie zusammen.
  • Ersetzen Sie alte Kurven durch eine kurze, vom Modell verfasste Zusammenfassung.
  • Speichern Sie Fakten außerhalb des Chats und rufen Sie nur das ab, was die aktuelle Frage benötigt.

Ist ein größeres Kontextfenster immer besser?

Nein. Ein großes Fenster lässt Sie mehr einbeziehen, aber Untersuchungen wie die Studie „Lost in the Middle“ von Liu und Kollegen aus dem Jahr 2023 haben ergeben, dass Modelle Informationen am Anfang und Ende langer Eingaben zuverlässiger verwenden als Informationen in der Mitte. Das haben wir selbst nicht getestet. In der Praxis ist es oft besser, nur die relevanten Teile zu senden, als alles zu senden, und es reduziert Halluzinationen, die durch ablenkenden oder widersprüchlichen Text verursacht werden. Platzieren Sie wichtige Anweisungen am Anfang und wiederholen Sie die eigentliche Frage am Ende.

Chunking and Retrieval (RAG)

Bei der durch den Abruf erweiterten Generierung bleiben Dokumente außerhalb der Eingabeaufforderung. Sie teilen sie in Abschnitte auf, finden die Abschnitte, die sich auf eine Frage beziehen, und senden nur diese. Wir haben ein Dokument mit 4.201 Token in Blöcke von höchstens 500 Token mit einer Überlappung von 50 Token aufgeteilt und 10 Blöcke erhalten. Durch die Überlappung bleiben Sätze, die eine Grenze überschreiten, in mindestens einem Block lesbar.

def chunks(text, size, overlap):
    ids = enc.encode(text)
    step = size - overlap
    return [enc.decode(ids[i:i + size]) for i in range(0, max(1, len(ids) - overlap), step)]

Chunks werden mithilfe von in einem Vektorindex gespeicherten Einbettungen Fragen zugeordnet. Unser Was ist RAG-Leitfaden geht durch die gesamte Pipeline.

Kosten und Geschwindigkeit

Bei den meisten APIs wird pro Eingabe- und Ausgabetoken eine Gebühr erhoben, und die Verarbeitung längerer Eingabeaufforderungen dauert länger. Eine 100.000-Token-Eingabeaufforderung, die 1.000 Mal am Tag gesendet wird, entspricht 100.000.000 Eingabe-Tokens pro Tag, selbst wenn die Antworten kurz sind. Durch das Kürzen des Verlaufs, das Abrufen statt Einfügen und das Zwischenspeichern wiederholter Eingabeaufforderungspräfixe, sofern der Anbieter dies unterstützt, können Kosten und Latenz erheblich gesenkt werden. Überprüfen Sie die aktuellen Preise auf der Preisseite Ihres Anbieters, da diese sich häufig ändern.

Testen Sie Kontextbeschränkungen in Ihrer App

  • Testen Sie mit der längsten realistischen Eingabe, nicht mit einer kurzen Stichprobe.
  • Testen Sie lange Chats: Folgt der Bot nach 50 Runden immer noch der Systemaufforderung?
  • Testen Sie nicht-englische Eingaben, die möglicherweise weitaus mehr Token erfordern.
  • Stellen Sie sicher, dass Ihr Code Ausgabetokens reserviert und Grenzwertüberschreitungen ordnungsgemäß behandelt.
  • Stellen Sie sicher, dass durch das Trimmen niemals Sicherheitsregeln aufgehoben werden, was auch für die schnelle Injektion-Abwehr wichtig ist.

Fazit

Das LLM-Kontextfenster ist ein gemeinsames Token-Budget, kein Speicher. Zählen Sie Token mit dem richtigen Tokenizer, reservieren Sie Platz für die Antwort, heften Sie Ihre Systemaufforderung an, wenn Sie den Verlauf kürzen, und rufen Sie relevante Teile ab, anstatt alles einzufügen. Wenn Sie das tun, kommt selbst ein bescheidenes Fenster weit, während ein großes Fenster schnell und erschwinglich bleibt. Auch klare Eingabeaufforderungen helfen, wie unser Prompt-Engineering-Leitfaden zeigt.

Häufige Fragen

Was ist ein Kontextfenster in einem LLM?

Dabei handelt es sich um die maximale Anzahl an Token, die ein Modell in einer Anfrage verarbeiten kann. Dabei werden die Systemaufforderung, der Konversationsverlauf, hinzugefügte Dokumente und die generierte Antwort zusammen abgedeckt.

Wie viele Wörter passen in ein Kontextfenster?

Es kommt auf den Text und den Tokenizer an. Unsere englische Prosa verwendet etwa 1,14 Token pro Wort, also sind 100.000 Token etwa 88.000 Wörter, aber Code und viele andere Sprachen verwenden mehr Token pro Wort.

Was passiert, wenn Sie das Kontextfenster überschreiten?

Die API lehnt die Anfrage möglicherweise ab, die App verwirft möglicherweise ältere Nachrichten oder schneidet Dokumente ab oder die Antwort wird möglicherweise abgeschnitten, weil keine Ausgabetokens mehr vorhanden sind.

Zählt die Ausgabe zum Kontextfenster?

Ja. Eingabe und Ausgabe teilen sich dasselbe Fenster, reservieren Sie also immer genügend Token für die Antwort. Viele APIs haben auch ein separates Maximum für Ausgabetokens.

Ist ein größeres Kontextfenster besser als RAG?

Nicht immer. Große Fenster kosten mehr und Modellen können bei langen Eingaben Details entgehen. Das Abrufen nur relevanter Teile ist oft kostengünstiger und genauer.

Lerne weiter

Arbeiten Sie mit Stack Quora

Benötigen Sie Hilfe beim Testen, WordPress oder SEO?

Wir helfen Teams, bessere Software zu liefern und ihre Websites zu erweitern. Sagen Sie uns, woran Sie gerade arbeiten, und wir schlagen Ihnen einen klaren nächsten Schritt vor.

Lesen Sie weiter

Weitere Anleitungen finden Sie unter Tests, KI und moderne Entwicklung

Hat Ihnen dieser Artikel gefallen? Wählen Sie ein Thema und springen Sie direkt in unsere neuesten Tutorials.

Künstliche Intelligenz

BM25 erklärt: Wie die Keyword-Suche Ergebnisse einordnet, mit Python-Code und Hybridsuche

BM25 erklärte anhand einer reinen Python-Implementierung, die wir ausgeführt haben: die Formel, IDF, Termsättigung, die k1- und b-Parameter, warum e…

Artikel lesen →
Softwareentwicklung

Erklärte HTTP-Methoden: GET, POST, PUT, PATCH, DELETE, getestet auf einem Live-Server

HTTP-Methoden erklärt anhand eines kleinen Servers, den wir ausgeführt haben: GET, POST, PUT, PATCH, DELETE, HEAD und OPTIONS, sicher vs. idempotent…

Artikel lesen →
DevOps

Git Bisect erklärt: Finden Sie den Commit, der Ihren Code kaputt gemacht hat, manuell oder automatisch

Git bisect anhand eines getesteten Repositorys erklärt: Finden Sie den einzigen fehlerhaften Commit unter 41 in 5 Testläufen, automatisieren Sie ihn…

Artikel lesen →
Testautomatisierung

Erklärte Pytest-Marker: Benutzerdefinierte Markierungen, Skip, Skipif, Xfail und -m-Filter

Pytest-Marker anhand einer getesteten Suite erklärt: Registrieren Sie benutzerdefinierte Marken, führen Sie nur Smoke-Tests mit -m aus, kombinieren …

Artikel lesen →
Softwaretests

Positive vs. negative Tests: Unterschiede, 24 echte Testfälle und eine Checkliste

Positive vs. negative Tests werden mit einem echten Anmeldeformular erklärt: 6 positive und 18 negative Testfälle werden in Pytest ausgeführt, der f…

Artikel lesen →
Datenbanken & SQL

SQL ORDER BY Mehrere Spalten: ASC, DESC, NULLS LAST, Case und Custom Order

SQL ORDER BY mit mehreren Spalten, erklärt mit getesteten Abfragen: gemischte ASC und DESC, Tie-Breaker, NULLS FIRST und LAST, Sortierung ohne Berüc…

Artikel lesen →
Datenbanken & SQL

Laufende SQL-Summe: SUM OVER, Gesamtsummen pro Gruppe, gleitende Summen und die RANGE-Falle

So berechnen Sie eine laufende SQL-Summe mit SUM() OVER: Gesamtsummen pro Gruppe, tägliche kumulative Summen, gleitende Summen, Prozent der Gesamtsu…

Artikel lesen →
Softwareentwicklung

JavaScript Sort Array: Zahlen, Objekte, Strings und warum 10 vor 5 kommt

So sortieren Sie ein Array in JavaScript richtig: Zahlen mit einer Vergleichsfunktion, Objekte nach einem oder mehreren Feldern, Zeichenfolgen mit l…

Artikel lesen →
Künstliche Intelligenz

Erklärte RAG-Chunking-Strategien: Fest, Überlappung, Satz, rekursiv und Überschriften, gemessen

RAG-Chunking-Strategien im Vergleich zu einem Dokument mit Tiktoken 0.14: feste Größe, Überlappung, Satzpackung, rekursive Aufteilung und überschrif…

Artikel lesen →
Softwareentwicklung

API-Idempotenz erklärt: Idempotenzschlüssel und sichere Wiederholungsversuche, getestet

Erklärung der API-Idempotenz anhand eines von uns ausgeführten Python-Servers und -Clients: Eine verlorene Antwort verursachte eine doppelte Gebühr …

Artikel lesen →
DevOps

Git Stash erklärt: Speichern, Anwenden, Pop und nicht verfolgte Dateien, getestet

Git Stash erklärt mit Befehlen, die wir auf Git 2.56 ausgeführt haben: Push mit einer Nachricht, nicht verfolgte Dateien, Auflisten und Anzeigen, An…

Artikel lesen →
Softwaretests

Paarweises Testen erklärt: Wie alle Paare 216 Tests auf 13 reduzieren, getestet

Paarweises Testen erklärt mit einem Generator, den wir in Python 3.13 ausgeführt haben: ein Checkout mit 216 Kombinationen, die durch 13 Tests abged…

Artikel lesen →
Testautomatisierung

Test-Doubles erklärt: Dummy, Stub, Spy, Mock und Fake, mit getestetem Python-Code

Test-Doubles werden anhand eines Python-Beispiels erklärt, das in Pytest 9.2 ausgeführt wird: Dummy, Stub, Spy, Mock und Fake, wann jeweils zu verwe…

Artikel lesen →
Datenbanken & SQL

SQL COALESCE erklärt: Standardwerte, NULLIF, IFNULL vs. ISNULL und Traps, getestet

SQL COALESCE wurde mit Abfragen erklärt, die wir in SQLite 3.50 ausgeführt haben: erste Nicht-Null-Werte, leere Zeichenfolgen, NULL in Mathematik, N…

Artikel lesen →
Datenbanken & SQL

SQL Self Join erklärt: Mitarbeiter-Manager, Paare und Zeilenvergleiche, getestet

SQL-Self-Join erklärt anhand von Abfragen, die wir in SQLite 3.50 ausgeführt haben: Mitarbeiter und Manager, mehr verdienen als der Manager, eindeut…

Artikel lesen →
Softwareentwicklung

Erklärter JavaScript-Spread-Operator: Spread vs. Rest, Kopien und Fallstricke, getestet

Der JavaScript-Spread-Operator wird mit Code erklärt, den wir auf Knoten 24 ausgeführt haben: Arrays, Objekte, flache Kopien, Restparameter, das Mat…

Artikel lesen →
Softwareentwicklung

Erklärtes Python-Sammlungsmodul: Counter, defaultdict, deque und mehr, getestet

Python-Sammlungen erklärt mit Code, den wir auf Python 3.13 ausgeführt haben: Counter, defaultdict, deque, benannttuple, OrderedDict und ChainMap, p…

Artikel lesen →
Künstliche Intelligenz

Erklärtes LLM-Kontextfenster: Token, Grenzen und wie man mehr einpasst, gemessen

Das LLM-Kontextfenster wird anhand der Token-Anzahl erklärt, die wir mit Tiktoken gemessen haben: Wörter vs. Token für Prosa, Code und Hindi, Eingab…

Artikel lesen →
Softwareentwicklung

Webhooks erklärt: Wie sie funktionieren und wie man sie sicher empfängt

Webhooks erklärt mit einem Empfänger und Sender, den wir in Python ausgeführt haben: Push vs. Polling, HMAC-SHA256-Signaturen, Ablehnen manipulierte…

Artikel lesen →
DevOps

Git Cherry-Pick erklärt: Kopieren Sie den Commit, den Sie benötigen, sicher und getestet

Git Cherry-Pick erklärt mit Befehlen, die wir in Git 2.56 ausgeführt haben: Kopieren eines Hotfixes in einen Release-Zweig, neue Hashes und Patch-ID…

Artikel lesen →
Testautomatisierung

Snapshot-Tests erklärt: Wie es funktioniert, wann es hilft und wann es weh tut

Snapshot-Tests erklärt anhand einer Pytest- und Sirup-Demo, die wir ausgeführt haben: Snapshots erstellen, Diff nach einer Codeänderung lesen, Zeits…

Artikel lesen →
Softwaretests

Mutationstests erklärt: Warum die 100-prozentige Abdeckung unseren Fehler immer noch übersehen hat

Mutationstests erklärt mit einem kleinen Mutationstool, das wir erstellt und ausgeführt haben: 14 Mutanten, eine Testsuite mit 100 % Linienabdeckung…

Artikel lesen →
Künstliche Intelligenz

Prompt Injection erklärt: Wie KI-Apps ausgetrickst werden und wie man sie verteidigt

Prompt-Injection erklärt für Builder: direkte und indirekte Angriffe, warum Schlüsselwortfilter fehlschlagen (unser Test hat 1 von 4 blockiert) und …

Artikel lesen →
DevOps

Erklärte DNS-Einträge: A, AAAA, CNAME, MX, TXT und TTL mit echten Lookups

DNS-Einträge erklärt anhand der von uns durchgeführten Suchvorgänge: Funktionsweise der Auflösung, A und AAAA, CNAME-Regeln, MX und Null-MX, TXT für…

Artikel lesen →
DevOps

Erklärte Funktionsflags: Sichere Veröffentlichungen, schrittweise Rollouts und Flag-Hygiene

Funktionsflags anhand einer von uns durchgeführten Rollout-Simulation erklärt: Flag-Typen, prozentuale Rollouts mit stabilem Hashing, Kill-Switches,…

Artikel lesen →
Testautomatisierung

Testdatengenerierung mit Python Faker: Realistische, wiederholbare und sichere Daten

Testen Sie die Datengenerierung mit Python Faker, führen Sie sie aus und messen Sie sie: Seeding für wiederholbare Daten, Gebietsschemata, eindeutig…

Artikel lesen →
Softwaretests

Shift-Left-Tests erklärt: Finden Sie Fehler früher, ohne das Team zu verlangsamen

Shift-Left-Tests erklärt: Was es bedeutet, warum Frühdefekte günstiger sind, Vorgehensweisen von Anforderungsüberprüfungen bis hin zu CI-Prüfungen, …

Artikel lesen →
Datenbanken & SQL

Erklärte SQL-String-Funktionen: TRIM, SUBSTR, REPLACE, CONCAT und Datenbereinigung

SQL-String-Funktionen, die mit von uns ausgeführten Abfragen erklärt wurden: Verkettung und NULL, TRIM, UPPER und LOWER, SUBSTR und INSTR, REPLACE, …

Artikel lesen →
Datenbanken & SQL

Erklärte SQL-Trigger: VOR- und NACH-Trigger, Prüfprotokolle und Fallstricke

SQL-Trigger werden anhand von Triggern erklärt, die wir ausgeführt haben: VORHER vs. NACHHER, ALT und NEU, Prüfprotokolle, Validierung, Bestandsaktu…

Artikel lesen →
Softwareentwicklung

Erklärung des Python-JSON-Moduls: Dumps, Loads, benutzerdefinierte Typen und häufige Fehler

Das Python-JSON-Modul wird anhand des von uns ausgeführten Codes erklärt: Dumps und Loads, Dateien, Typkonvertierungen, Datumsangaben und Dezimalzah…

Artikel lesen →
Softwareentwicklung

ES-Module vs. CommonJS: Wie JavaScript-Importe in Node.js funktionieren, getestet

ES-Module vs. CommonJS erklärt mit Code, den wir in Node.js ausgeführt haben: Import- und Exportsyntax, Require, Live-Bindungen, Caching, Top-Level-…

Artikel lesen →
Softwareentwicklung

Python Regex erklärt: Muster, Gruppen, Lookaheads und Fallstricke, getestet

Python-Regex erklärt mit Mustern, die wir ausgeführt haben: Suche vs. Übereinstimmung, Findall, Gruppen und benannte Gruppen, Greedy vs. Lazy, Sub, …

Artikel lesen →
Künstliche Intelligenz

Erklärung der strukturierten LLM-Ausgabe: Zuverlässiges JSON aus KI-Modellen erhalten

Die strukturierte LLM-Ausgabe wird anhand der von uns in Pydantic ausgeführten Validierung erklärt: JSON-Modus und -Schemas, eingeschränkte Dekodier…

Artikel lesen →
DevOps

SSH-Schlüssel erklärt: Wie sie funktionieren, ssh-keygen, Ed25519 und sichere Gewohnheiten

SSH-Schlüssel erklärt mit Schlüsseln, die wir generiert haben: öffentliche vs. private Schlüssel, ssh-keygen, Ed25519 vs. RSA, Fingerabdrücke, Passp…

Artikel lesen →
DevOps

HTTP-Caching erklärt: Cache-Kontrolle, ETag und 304-Antworten, mit einem Live-Test

HTTP-Caching erklärt anhand eines kleinen Servers, den wir ausgeführt haben: Cache-Control-Anweisungen, Max-Age, No-Cache vs. No-Store, ETag-Revalid…

Artikel lesen →
Testautomatisierung

API-Vertragstests erklärt: Erkennen Sie wichtige Änderungen, bevor sie versendet werden

Das Testen von API-Verträgen wird anhand einer von uns durchgeführten Schemaprüfung erklärt: Was ein Vertrag ist, verbrauchergesteuerte Verträge, Pa…

Artikel lesen →
Softwaretests

Risikobasiertes Testen erklärt: Risiken bewerten, eine Matrix erstellen und testen, worauf es ankommt

Risikobasiertes Testen Schritt für Schritt erklärt: Risiken identifizieren, Wahrscheinlichkeit und Auswirkung bewerten, eine Risikomatrix erstellen,…

Artikel lesen →
Datenbanken & SQL

Erklärte SQL-Einschränkungen: NOT NULL, UNIQUE, CHECK und FOREIGN KEY, getestet

SQL-Einschränkungen anhand der von uns durchgeführten Tests erklärt: NOT NULL, UNIQUE, CHECK, DEFAULT, PRIMARY und FOREIGN KEY, die NULL-Lücken, die…

Artikel lesen →
Datenbanken & SQL

Erklärte SQL-Datumsfunktionen: Datumsangaben fehlerfrei hinzufügen, vergleichen und gruppieren

Erklärung der SQL-Datumsfunktionen anhand von Abfragen, die wir ausgeführt haben: Hinzufügen von Intervallen, Überraschungen am Monatsende, Datumsun…

Artikel lesen →
Softwareentwicklung

Python-Asyncio erklärt: Async, Wait, Gather und TaskGroup mit echten Timings

Python-Asyncio erklärt mit Code, den wir getimt haben: Coroutinen, Wait, Gather, TaskGroup, Fehlerbehandlung, Zeitüberschreitungen, Einschränkung de…

Artikel lesen →
Softwareentwicklung

Debounce vs. Throttle in JavaScript: Wie sie funktionieren, wann man sie verwendet, getestet

Debounce vs. Throttle in JavaScript erklärt anhand von Timings, die wir in Node.js gemessen haben: wie jedes funktioniert, einfache Implementierunge…

Artikel lesen →
Softwareentwicklung

Erklärte Python-Kontextmanager: Die with-Anweisung, contextlib und Real Uses

Python-Kontextmanager erklärt anhand des von uns ausgeführten Codes: Funktionsweise, __enter__ und __exit__, contextlib.contextmanager, supprimieren…

Artikel lesen →
Künstliche Intelligenz

LLM-Temperatur und Top-p erklärt: Wie KI-Modelle ihr nächstes Wort wählen

LLM-Temperatur und Top-P erklärt anhand einer von uns durchgeführten Simulation: wie Wahrscheinlichkeiten umgeformt werden, was Top-P beibehält, emp…

Artikel lesen →
DevOps

YAML erklärt: Syntax, das Norwegen-Problem und andere von uns getestete Fallen

YAML erklärt mit einem Parser-Test: grundlegende Syntax, Listen und Karten, das Norwegen-Problem, Versionen, die in Gleitkommazahlen umgewandelt wer…

Artikel lesen →
DevOps

Cron-Jobs erklärt: Syntax, echte Zeitpläne und die Fehler, die sie zerstören

Cron-Jobs werden anhand von Zeitplänen erklärt, die wir überprüft haben: die fünf Felder, Operatoren, reale Beispiele, die Tag-des-Monats- ODER Woch…

Artikel lesen →
Künstliche Intelligenz

KI-Halluzinationen erklärt: Warum Sprachmodelle Dinge erfinden und wie man sie reduziert

KI-Halluzinationen erklärt: Was sie sind, warum Sprachmodelle sie produzieren, gängige Typen, wie man sie mit Erdung und Eingabeaufforderungen reduz…

Artikel lesen →
DevOps

Erklärte Umgebungsvariablen: .env-Dateien, Geheimnisse und Konfiguration richtig gemacht

Umgebungsvariablen anhand von Python-Beispielen erklärt, die wir ausgeführt haben: Sie lesen und festlegen, warum jeder Wert ein String ist, .env-Da…

Artikel lesen →
Softwareentwicklung

API-Ratenbegrenzung erklärt: Algorithmen, Header und Behandlung von 429-Fehlern

API-Ratenbegrenzung anhand einer von uns durchgeführten Simulation erklärt: Token-Bucket, festes Fenster, gleitendes Fenster, 429 Antworten, Ratenbe…

Artikel lesen →
Testautomatisierung

Spott in Python: unittest.mock, Patch und die Fehler, die Tests zum Lügen machen

Mocking in Python mit unittest.mock, getestet: Mock und return_value, side_effect, Patchen, wo ein Name verwendet wird, Spezifikation und Autospec, …

Artikel lesen →
Softwaretests

Code-Abdeckung erklärt: Leitungs- und Zweigstellenabdeckung und was 100 % wirklich bedeutet

Erklärung der Codeabdeckung anhand eines echten Coverage.py-Laufs: Zeilen-, Zweig- und Bedingungsabdeckung, Lesen eines Berichts, warum bei 100 % Ab…

Artikel lesen →
Datenbanken & SQL

DELETE vs. TRUNCATE vs. DROP in SQL: Unterschiede, Rollback und Verwendungszweck

DELETE vs. TRUNCATE vs. DROP erklärt mit getestetem SQL: was jeweils entfernt wird, Rollback, Trigger, Identitätsrücksetzung, Geschwindigkeit und wi…

Artikel lesen →
Datenbanken & SQL

Erklärte SQL-Ansichten: Erstellen, nutzen und vermeiden Sie Fallstricke mit Beispielen

SQL-Ansichten anhand der von uns ausgeführten Abfragen erklärt: Erstellen einer Ansicht, Live-Ergebnisse, Ausblenden von Spalten, Leistung, aktualis…

Artikel lesen →
Softwareentwicklung

TypeScript-Schnittstelle vs. Typ: Echte Unterschiede, getestet mit dem Compiler

TypeScript-Schnittstelle vs. Typ, überprüft mit dem echten Compiler: Was beide können, was nur einer kann, Deklarationszusammenführung, Erweiterunge…

Artikel lesen →
Softwareentwicklung

Python *args und **kwargs erklärt: Flexible Funktionen mit klaren Beispielen

Python *args und **kwargs erklärt mit Code, den wir ausgeführt haben: Packen und Entpacken, Parameterreihenfolge, Nur-Schlüsselwort- und Nur-Positio…

Artikel lesen →
Softwareentwicklung

Python-Lambda-Funktionen: Syntax, tatsächliche Verwendung und wann man sie nicht verwendet

Python-Lambda-Funktionen erklärt mit Code, den wir ausgeführt haben: Syntax, Sortierung mit Schlüssel, Karte und Filter, Abschlüsse, die Late-Bindin…

Artikel lesen →
Künstliche Intelligenz

Was sind KI-Agenten? Wie sie funktionieren, mit einer einfachen Agentenschleife, die Sie ausführen können

Was sind KI-Agenten? Eine einfache Anleitung zur Agentenschleife, zu Tools, Speicher und Leitplanken, mit einer kleinen Python-Schleife, die wir aus…

Artikel lesen →
DevOps

Überwachung vs. Beobachtbarkeit: Der wahre Unterschied, mit Protokollen, Metriken und Traces

Überwachung vs. Beobachtbarkeit erklärt: bekannte und unbekannte Fehler, Protokolle, Metriken und Spuren, eine exemplarische Vorgehensweise für Chec…

Artikel lesen →
DevOps

Docker-Volumes vs. Bind Mounts: Containerdaten auf die richtige Art und Weise beibehalten

Docker-Volumes vs. Bind-Mounts erklärt: Warum Containerdaten verschwinden, benannte Volumes, Bind-Mounts, tmpfs, Compose-Beispiele, Backups, Berecht…

Artikel lesen →
Testautomatisierung

TDD vs. BDD: Hauptunterschiede, eine Funktion, die auf beide Arten entwickelt wurde und wann sie jeweils verwendet werden sollte

TDD vs. BDD erklärt mit einer Rabattfunktion, die in beide Richtungen aufgebaut ist: Rot-Grün-Refaktor mit Code, den wir ausgeführt haben, Gegeben-W…

Artikel lesen →
Softwaretests

Benutzerakzeptanztests (UAT): Prozess, Checkliste und reale Beispiele

Benutzerakzeptanztests erklärt: Wer führt ihn durch, wie unterscheidet er sich von der Qualitätssicherung, ein siebenstufiger Prozess, eine UAT-Test…

Artikel lesen →
Datenbanken & SQL

Erklärte SQL-NULL-Werte: IS NULL, COALESCE, NULLIF und die zu vermeidenden Fallen

SQL-NULL-Werte, die mit von uns ausgeführten Abfragen erklärt wurden: dreiwertige Logik, IS NULL, COALESCE, NULLIF, wie Aggregate, Joins und Sortier…

Artikel lesen →
Datenbanken & SQL

SQL CASE WHEN-Anweisung: Syntax, reale Beispiele und häufige Fehler

SQL CASE WHEN anhand der von uns ausgeführten Abfragen erklärt: einfache und durchsuchte Formulare, Bedingungsreihenfolge, Pivots mit SUM, COUNT-Tri…

Artikel lesen →
Softwareentwicklung

Was ist JWT? JSON-Web-Tokens anhand eines funktionierenden Beispiels erklärt

Was ist JWT? JSON Web Tokens erklärt: die drei Teile, ein Token, das in dem von uns ausgeführten Code erstellt und manipuliert wurde, JWT vs. Sitzun…

Artikel lesen →
Softwareentwicklung

Erklärte JavaScript-Ereignisschleife: Aufrufstapel, Mikrotasks und Timer mit Beispielen

Die JavaScript-Ereignisschleife wurde mit dem von uns ausgeführten Code erklärt: Aufrufstapel, Aufgaben- und Mikrotask-Warteschlangen, warum setTime…

Artikel lesen →
Softwareentwicklung

Erklärung von Python-Generatoren und -Ertrag: Sparen Sie Speicher mit echten Beispielen

Python-Generatoren und Yield anhand des von uns ausgeführten Codes erklärt: wie sie angehalten und fortgesetzt werden, gemessene Speichereinsparunge…

Artikel lesen →
Künstliche Intelligenz

Was sind Einbettungen? Vektoren und Kosinusähnlichkeit einfach erklärt

Was sind Einbettungen? Ein Leitfaden in einfacher Sprache zu Vektoren, Kosinusähnlichkeit und semantischer Suche, mit einem kleinen Beispiel, das wi…

Artikel lesen →
DevOps

Blau-Grün vs. Canary-Bereitstellung: Unterschiede, Kompromisse und Auswahl

Blue-Green vs. Canary-Bereitstellung erklärt: Funktionsweise, Kosten, Risiko und Rollback, stabiles Benutzer-Bucketing, das wir getestet haben, Date…

Artikel lesen →
Testautomatisierung

Flaky-Tests: Was sie verursacht und wie man sie endgültig behebt

Flaky-Tests wurden anhand von Demos erklärt, die wir durchgeführt haben: die Hauptursachen, wie man sie bestätigt und diagnostiziert, richtige Korre…

Artikel lesen →
Softwaretests

Lasttest vs. Stresstest: Unterschiede, Metriken und k6-Beispiele

Erläuterungen zu Lasttests und Stresstests: Was die einzelnen Tests beweisen, Spike- und Soak-Tests, welche Kennzahlen wichtig sind, warum Durchschn…

Artikel lesen →
Softwaretests

Testfall vs. Testszenario: Hauptunterschiede, Beispiele und wann man sie jeweils verwendet

Testfall vs. Testszenario erklärt: klare Definitionen, eine Tabelle nebeneinander, eine Funktion zum Zurücksetzen von Passwörtern, die von Szenarios…

Artikel lesen →
Datenbanken & SQL

SQL-Abfrageoptimierung: Ausführungspläne lesen und langsame Abfragen mit Zeitvorgaben beheben

An einer Million Zeilen getestete SQL-Abfrageoptimierung: Ausführungspläne lesen, die richtigen Indizes hinzufügen, nicht sargierbare Filter korrigi…

Artikel lesen →
Datenbanken & SQL

SQL UNION vs. UNION ALL: Unterschiede, Beispiele und getestete Leistung

SQL UNION vs. UNION ALL anhand der von uns ausgeführten Abfragen erklärt: Duplikate, die Regeln, denen beide folgen, ein echter Datenfehler, gemesse…

Artikel lesen →
Softwareentwicklung

Tutorial zur JavaScript-Abruf-API: GET, POST, Fehlerbehandlung und Zeitüberschreitungen

Ein JavaScript-Abruf-API-Tutorial, das auf einem lokalen Server getestet wurde: GET und POST, warum 404 nicht ausgelöst wird, ein wiederverwendbarer…

Artikel lesen →
Softwareentwicklung

Umgang mit Python-Dateien: Lesen, Schreiben, CSV, JSON und Pathlib mit Beispielen

Die Handhabung von Python-Dateien wird anhand des von uns ausgeführten Codes erklärt: Öffnungsmodi, Lesen großer Dateien, CSV, JSON, Pathlib, Binärd…

Artikel lesen →
Softwareentwicklung

Python-Klassen und -Objekte: OOP-Tutorial mit echten Beispielen

Python-Klassen und -Objekte erklärt mit Code, den wir ausgeführt haben: __init__, Methoden, Klassen- und Instanzattribute, Vererbung, Eigenschaften,…

Artikel lesen →
Künstliche Intelligenz

Was ist ein großes Sprachmodell? Wie LLMs funktionieren, ohne großen Hype erklärt

Was ist ein großes Sprachmodell? LLMs im Klartext erklärt: Token, Einbettungen, Aufmerksamkeit, Training, Temperatur- und Kontextfenster, eine klein…

Artikel lesen →
DevOps

Linux-Befehle für Anfänger: Der grundlegende Terminal-Leitfaden mit Beispielen

Linux-Befehle für Anfänger, gruppiert nach Aufgaben: Navigation, Dateien, Anzeigen von Protokollen, Grep, Pipes, Berechtigungen, Prozesse und Archiv…

Artikel lesen →
Testautomatisierung

Selenium vs. Playwright: Hauptunterschiede, Code im Vergleich und welche Sie wählen sollten

Selenium vs. Playwright im Vergleich: Architektur, Wartezeit, Browser- und Sprachunterstützung, Debugging, der gleiche Test in beiden Tools, Migrati…

Artikel lesen →
Softwaretests

Äquivalenzpartitionierung: Testdesigntechnik anhand von Beispielen erklärt

Erklärung der Äquivalenzpartitionierung: Wie man gültige und ungültige Partitionen findet, Beispiele für Alter, Passwörter und Gutscheine, von uns d…

Artikel lesen →
Softwaretests

Schweregrad vs. Priorität beim Softwaretest: Unterschiede, Matrix und reale Beispiele

Schweregrad vs. Priorität beim Softwaretest erklärt: klare Definitionen, eine Vier-Wege-Matrix mit Beispielen, Stufenskalen, wer die einzelnen Punkt…

Artikel lesen →
Datenbanken & SQL

Tutorial zu SQL-Unterabfragen: Typen, korrelierte Unterabfragen und EXISTS mit Beispielen

Ein SQL-Unterabfrage-Tutorial mit Abfragen, die wir ausgeführt haben: Skalar-, IN-, FROM- und SELECT-Unterabfragen, korrelierte Unterabfragen, EXIST…

Artikel lesen →
Datenbanken & SQL

SQL-Transaktionen und ACID erklärt: COMMIT, ROLLBACK und Isolationsstufen

SQL-Transaktionen und ACID anhand einer von uns durchgeführten Banküberweisung erklärt: COMMIT, ROLLBACK, Sicherungspunkte, Sperren, Isolationsstufe…

Artikel lesen →
Softwareentwicklung

Spickzettel für Git-Befehle: Die Befehle, die Sie tatsächlich verwenden, mit Beispielen

Ein Git-Befehls-Spickzettel, gruppiert nach Aufgabe: Setup, Staging, Branches, Remotes, Stash, Verlauf und Rückgängigmachen von Fehlern, mit Ausgabe…

Artikel lesen →
Softwareentwicklung

Erklärte JavaScript-Versprechen: Dann, Catch, Promise.all und häufige Fehler

JavaScript-Versprechen erklärt mit Code, den wir ausgeführt haben: Zustände, dann und Fangketten, Fehlerbehandlung, Promise.all, allSettled, Rennen …

Artikel lesen →
Softwareentwicklung

Python-Wörterbuch-Tutorial: Methoden, Beispiele und gängige Muster

Ein Python-Wörterbuch-Tutorial mit Code, den wir ausgeführt haben: Diktate erstellen, lesen und aktualisieren, Schlüsselmethoden, Zusammenführung, V…

Artikel lesen →
Künstliche Intelligenz

Was ist RAG? Retrieval-Augmented Generation anhand eines Arbeitsbeispiels erklärt

Was ist RAG? Abruf-erweiterte Generierung Schritt für Schritt erklärt: Indizierung, Chunking, Einbettungen, Abruf, ein kleines funktionierendes Pyth…

Artikel lesen →
DevOps

Terraform-Tutorial für Anfänger: Infrastruktur als Code von der ersten Datei bis zu den Modulen

Ein Terraform-Tutorial für Anfänger: Beginnen Sie ohne Cloud-Konto, lernen Sie Init, Planen und Anwenden, dann Variablen, Ausgaben, Status, Module u…

Artikel lesen →
DevOps

Docker vs. Kubernetes: Hauptunterschiede, wie sie zusammenarbeiten und was Sie brauchen

Docker vs. Kubernetes erklärt: Was jeder tut, die gleiche App läuft mit beiden, Docker Compose und Swarm im Vergleich, die Dockershim-Änderung und w…

Artikel lesen →
Testautomatisierung

Pytest-Tutorial für Anfänger: Vorrichtungen, Parametrisierung und reale Beispiele

Ein Pytest-Tutorial für Anfänger mit Tests, die wir auf Pytest 9.2 durchgeführt haben: Assertions, Fixtures, Parametrize, Conftest, Markers, tmp_pat…

Artikel lesen →
Softwaretests

Software Testing Life Cycle (STLC): 6 Phasen, Einstiegs- und Ausstiegskriterien, Beispiel

Der Softwaretest-Lebenszyklus erklärt: sechs STLC-Phasen mit Ein- und Ausstiegskriterien, Ergebnisse, ein Beispiel für eine funktionierende Anmeldef…

Artikel lesen →
Softwareentwicklung

Git merge vs rebase: Unterschiede, Beispiele und wann man was nutzt

Git merge vs rebase erklärt mit echter Log-Ausgabe, einer Vergleichstabelle, der goldenen Regel des Rebase und einem sicheren Team-Workflow.

Artikel lesen →
Softwareentwicklung

Python List Comprehension: Syntax, Beispiele und wann man darauf verzichtet

Python List Comprehension erklärt: Syntax, Filter, if-else, verschachtelte Schleifen, gemessene Zeiten und Fälle, in denen eine normale for-Schleife…

Artikel lesen →
Datenbanken & SQL

SQL Joins erklärt mit Beispielen (Inner, Left, Right, Full)

SQL Joins Schritt für Schritt mit Beispieltabellen und Abfragen verstehen: INNER, LEFT, RIGHT, FULL, CROSS und SELF, plus typische Fehler und Perfor…

Artikel lesen →