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

  1. Startseite
  2. Blog
  3. Künstliche Intelligenz

Künstliche Intelligenz

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

KI-Funktionen benötigen oft Daten, keine Prosa: einen Rechnungsbetrag, eine Kategorie, eine Liste von Feldern. Die strukturierte Ausgabe veranlasst Modelle, maschinenlesbares JSON zurückzugeben. Wir haben sechs realistische Modellantworten durch einen Validator laufen lassen, um zu zeigen, wie die Ausgabe unterbrochen wird und wie man sie abfängt.

10 Min. Lesezeit
Erklärung der strukturierten LLM-Ausgabe: Zuverlässiges JSON aus KI-Modellen erhalten

Das Wichtigste

  • Strukturierte Ausgabe bedeutet, ein Modell nach Daten in einem definierten Format zu fragen, normalerweise JSON, das einem Schema entspricht.
  • Aufforderung allein ist unzuverlässig. In unserem Test haben 4 von 6 realistischen Antworten die Validierung beim ersten Parsen nicht bestanden.
  • Anbieterfunktionen, die die Generierung auf ein Schema beschränken, reduzieren Formatfehler erheblich, sofern verfügbar.
  • Validieren Sie immer in Ihrem eigenen Code und fügen Sie semantische Prüfungen hinzu: gültiges JSON kann immer noch falsche Werte enthalten.

Eine App fordert ein Modell auf, eine Rechnung zu lesen und die Nummer, das Datum, den Gesamtbetrag und die Währung zurückzugeben. Meistens funktioniert es. Dann kommt eine Antwort verpackt in einen Markdown-Codeblock, eine andere fügt hinzu: „Lass es mich wissen, wenn du mehr brauchst!“ und eine dritte schreibt als Datum den 11.10.2026. Der Code, der die Antwort analysiert, stürzt ab oder, schlimmer noch, speichert das falsche Datum. Es gibt Techniken zur strukturierten Ausgabe, um KI-Antworten so zuverlässig wie eine API zu machen.

Wir haben für diesen Artikel kein Live-Modell genannt. Stattdessen haben wir sechs Antworten geschrieben, die häufige Fehler in der realen Welt nachahmen, und sie mit Pydantic 2.14 in Python 3.13 validiert. Die folgenden Validierungsergebnisse stammen aus diesem Lauf.

Was ist eine strukturierte Ausgabe?

Strukturierte Ausgabe ist jeder Ansatz, der dafür sorgt, dass ein großes Sprachmodell Daten in einer festen, maschinenlesbaren Form anstelle von Freitext zurückgibt, sodass der Code sie direkt verwenden kann. JSON ist das übliche Format, das durch ein JSON-Schema beschrieben wird: welche Felder existieren, welche Typen sie haben, welche erforderlich sind und welche Werte zulässig sind. Zu den typischen Anwendungen gehören die Extraktion aus Dokumenten, die Klassifizierung, das Ausfüllen von Formularen, das Weiterleiten von Anfragen und das Aufrufen von Tools oder Funktionen.

Durchsetzungsebenen

Ansatz Wie es funktioniert Zuverlässigkeit
Nur Aufforderung „Antworten Sie in JSON mit diesen Feldern …“ Am niedrigsten; Formatabweichungen
JSON-Modus Der Anbieter garantiert eine gültige JSON-Syntax Gültiges JSON, aber jede Form
Schemabeschränkte Ausgabe/Toolaufruf Der Anbieter beschränkt die Generierung auf Ihr Schema Am höchsten für das Format
Ihre eigene Validierung Analysieren und validieren Sie jede Antwort in Ihrem Code Immer erforderlich

Die letzte Zeile ist auf keiner Ebene optional. Anbieterfunktionen ändern sich, Modelle werden ausgetauscht und es gibt keine Formatgarantie dafür, ob die Werte wahr sind.

Definieren des Schemas

from typing import Literal
from pydantic import BaseModel, Field, field_validator

class Invoice(BaseModel):
    invoice_no: str
    date: str = Field(pattern=r"^\d{4}-\d{2}-\d{2}$")
    total: float = Field(ge=0)
    currency: Literal["INR", "USD", "EUR"]

    @field_validator("total")
    @classmethod
    def two_decimals(cls, v):
        if round(v, 2) != v:
            raise ValueError("total must have at most 2 decimals")
        return v

Pydantic hat ein passendes JSON-Schema mit Invoice.model_json_schema() generiert: Eigenschaften invoice_no, date, total und currency, alle erforderlich. Dieses Schema kann an Anbieter gesendet werden, die eine schemabeschränkte Ausgabe unterstützen, sodass eine Definition sowohl die Generierung als auch die Validierung steuert. In TypeScript spielt Zod die gleiche Rolle. Wenn Typhinweise und Datenklassen vertraut sind, werden sich Pydantic-Modelle natürlich anfühlen.

Wie die Modellausgabe unterbrochen wird

Wir haben sechs Antworten mit Invoice.model_validate_json() validiert:

good            OK  1180.0
markdown fence  FAIL (1) ['root: json_invalid']
trailing text   FAIL (1) ['root: json_invalid']
wrong types     FAIL (4) ['invoice_no: string_type', 'date: string_pattern_mismatch',
                          'total: float_parsing', 'currency: literal_error']
missing field   FAIL (1) ['date: missing']
string number   OK  1180.0

Jeder Fehler spiegelt etwas wider, was Modelle wirklich tun, wenn sie nur dazu aufgefordert werden:

  • Markdown-Zäune: Der JSON kommt in ```json ... ``` an, weil auf Chat abgestimmte Modelle Antworten für Menschen formatieren.
  • Geschwätzige Extras: Ein freundlicher Satz, nachdem der JSON ihn ungültig macht.
  • Falsche Typen und Formate: die Rechnungsnummer als Zahl, das Datum als „11.10.2026“, die Summe als „1.180“ und die Währung als „Rs“. Vier Fehler in einer Antwort.
  • Fehlende Felder: Ein Feld, das das Modell nicht finden konnte, wurde einfach weggelassen.

Rettung von verpacktem JSON

def extract_json(text):
    s, e = text.find("{"), text.rfind("}")
    return text[s:e + 1] if s != -1 and e > s else text

# markdown fence  after extract_json: OK INV-104 1180.0
# trailing text   after extract_json: OK INV-104 1180.0

Durch die Verwendung des Textes zwischen dem ersten { und dem letzten } wurden beide umschlossenen Antworten wiederhergestellt. Es ist ein nützliches, aber fragiles Sicherheitsnetz: Es schlägt bei Arrays, bei Antworten mit mehreren Objekten oder wenn der erklärende Text selbst geschweifte Klammern enthält, fehl. Betrachten Sie es als Fallback, nicht als Design.

Laxes vs. striktes Parsen

Die „String-Nummer“-Antwort sendete "total": "1180.00", eine Zeichenfolge statt einer Zahl, und sie wurde bestanden. Der Standard-Lax-Modus von Pydantic wandelt saubere numerische Zeichenfolgen in Gleitkommazahlen um. Das ist praktisch, bedeutet aber, dass ein Typfehler in der Modellausgabe unbemerkt bleiben kann. Wenn Sie erkennen möchten, wenn das Modell das Schema ignoriert, beispielsweise um die Zuverlässigkeit zu messen, verwenden Sie den strikten Modus, der es ablehnt. Wählen Sie bewusst: laxer Modus für Robustheit, strenger Modus für Messungen und für Bereiche, in denen eine Typänderung verdächtig wäre.

Eingeschränkte Dekodierung

Mehrere Anbieter und Open-Source-Inferenztools bieten eine schemabeschränkte Ausgabe. Konzeptionell wird das Schema in Regeln darüber umgewandelt, welche Tokens als nächstes kommen dürfen, und Token, die das Format verletzen würden, werden während der Generierung blockiert. Das Modell kann physisch keinen Markdown-Zaun oder eine fehlende Klammer erzeugen. Dadurch werden nahezu alle Syntax- und Formfehler beseitigt. In einigen Artikeln wird berichtet, dass starke Einschränkungen die Antwortqualität bei Aufgaben, bei denen es um logisches Denken geht, leicht verringern können. Messen Sie also anhand Ihrer eigenen Daten. Auch die unterstützten Schemafunktionen variieren zwischen den Anbietern. Überprüfen Sie daher, was Ihr Anbieter akzeptiert.

Tipp: Stellen Sie für Extraktionsaufgaben eine niedrige Temperatur ein, geben Sie Feldbeschreibungen im Schema an und lassen Sie für optionale Felder einen expliziten „Nicht gefunden“-Wert wie null zu. Ein Modell, das gezwungen ist, ein Pflichtfeld ohne Quelldaten auszufüllen, wird zur Halluzination eingeladen.

Gültig ist nicht dasselbe wie richtig

Die Schemavalidierung prüft die Form. Es kann nicht gesagt werden, ob 1080 oder 1180 die richtige Summe ist. Wir haben eine einfache semantische Prüfung hinzugefügt, um zu bestätigen, dass die extrahierte Summe im Quelltext erscheint:

semantic check (total in source): True
semantic check (wrong total):     False

Eine Antwort mit insgesamt 1080 war vollkommen gültiges JSON mit den richtigen Typen, und sie war immer noch falsch. Geschäftsregelprüfungen erfassen Folgendes: Summen, die mit Einzelposten übereinstimmen, Daten, die nicht in der Zukunft liegen, IDs, die in Ihrer Datenbank vorhanden sind, Werte, die im Quelldokument erscheinen. Dies sind die Kontrollen, die echte Benutzer schützen.

Schleifen erneut versuchen und reparieren

  1. Rufen Sie das Modell mit dem Schema und klaren Anweisungen auf.
  2. Analysieren und validieren Sie die Antwort.
  3. Wenn dies fehlschlägt, rufen Sie erneut mit den Validierungsfehlern auf, z. B. „Datum muss mit JJJJ-MM-TT übereinstimmen“.
  4. Stoppen Sie nach einer kleinen Anzahl von Versuchen und greifen Sie dann zurück: Stellen Sie sich zur menschlichen Überprüfung in die Warteschlange, geben Sie einen eindeutigen Fehler zurück oder verwenden Sie einen Standardwert.
  5. Protokollieren Sie jeden Fehler mit der Rohantwort, damit Sie die Eingabeaufforderung oder das Schema verbessern können.

Die Fehlerliste von Pydantic, z. B. date: string_pattern_mismatch, ist präzise genug, um eine Rückmeldung an das Modell zu geben. Beschränken Sie die Anzahl der Wiederholungsversuche; Eine unbegrenzte Schleife kann die Kosten schnell vervielfachen.

Tipps zum Schema-Design

  • Halten Sie es flach und klein. Tief verschachtelte Schemata schlagen häufiger fehl.
  • Verwenden Sie Aufzählungen für Kategorien anstelle von Freitext.
  • Verwenden Sie explizite Formate für Datumsangaben und Beträge und geben Sie dies in Feldbeschreibungen an.
  • Erlauben Sie null für Informationen, die möglicherweise fehlen.
  • Fügen Sie ein Vertrauens- oder Notizenfeld nur hinzu, wenn Ihr Code es tatsächlich verwendet.
  • Versionieren Sie Ihr Schema, da es sich bei der Änderung um eine Vertragsänderung handelt, wie in API-Vertragstests erläutert.

Testen der strukturierten Ausgabe

Erstellen Sie einen Testsatz aus echten Eingaben mit erwarteten Ausgaben, einschließlich unordentlicher Dokumente und Fällen, in denen Felder fehlen. Führen Sie es bei jeder Eingabeaufforderung, Schema- oder Modelländerung aus und verfolgen Sie drei Zahlen: den Anteil der Antworten, die analysiert werden, den Anteil, der die Validierung besteht, und den Anteil, dessen Werte korrekt sind. Führen Sie Unit-Tests Ihrer Validatoren mit absichtlich fehlerhaften Ausgaben durch, wie in unseren sechs Beispielen, damit Sie das Parsen des Codes in der Produktion nie überrascht.

Alles in allem: eine minimale Pipeline

  1. Eine Modelldefinition in Pydantic oder Zod, mit Feldbeschreibungen und zulässigen Werten.
  2. Generieren Sie daraus das JSON-Schema und übergeben Sie es an die strukturierte Ausgabe oder die Tool-Aufruffunktion des Anbieters.
  3. Parsen und validieren Sie die Antwort mit demselben Modell und greifen Sie nur bei Bedarf auf die JSON-Extraktion zurück.
  4. Führen Sie semantische Prüfungen anhand der Quelldaten und Geschäftsregeln durch.
  5. Versuchen Sie es ein- oder zweimal erneut mit den Fehlermeldungen und leiten Sie Fehler dann an eine menschliche Warteschlange weiter.
  6. Protokollieren Sie die Roheingabe, Rohausgabe, Fehler und Einstellungen für jeden Aufruf, damit Fehler reproduziert und behoben werden können.

Jede Schicht fängt Probleme auf, die anderen übersehen. Zusammen verwandeln sie ein Wahrscheinlichkeitsmodell in eine Komponente, auf die sich der Rest Ihres Systems verlassen kann.

Fazit

JSON aus einem Modell abzurufen ist einfach; Um zuverlässiges JSON zu erhalten, braucht es mehrere Schichten. Definieren Sie das Schema einmal in Pydantic oder Zod, verwenden Sie die schemabeschränkte Ausgabe Ihres Anbieters, sofern verfügbar, validieren Sie jede Antwort in Ihrem eigenen Code, fügen Sie semantische Prüfungen für wichtige Werte hinzu und versuchen Sie es mit Fehlerrückmeldung eine begrenzte Anzahl von Malen erneut. In unserem Test haben vier von sechs Antworten im Eingabeaufforderungsstil die Validierung beim ersten Parsen nicht bestanden, und Schemaprüfungen allein hätten eine falsche Summe akzeptiert.

Häufige Fragen

Was ist strukturierte Ausgabe in LLMs?

Eine Möglichkeit, ein Sprachmodell dazu zu bringen, Daten in einem definierten Format zurückzugeben, normalerweise JSON, das einem Schema entspricht, damit der Anwendungscode sie direkt verwenden kann.

Ist der JSON-Modus dasselbe wie die strukturierte Ausgabe?

Nicht ganz. Der JSON-Modus garantiert eine gültige JSON-Syntax, jedoch nicht Ihre Felder oder Typen. Schemabasierte strukturierte Ausgabe beschränkt die Reaktion auf ein bestimmtes Schema.

Warum schließt das Modell JSON in Markdown ein?

Auf den Chat abgestimmte Models formatieren Antworten für Menschen. Verwenden Sie die strukturierten Ausgabefunktionen des Anbieters oder extrahieren Sie das JSON-Objekt als Fallback aus dem Text.

Benötige ich weiterhin eine Validierung mit eingeschränkter Dekodierung?

Ja. Die Validierung in Ihrem Code schützt vor Anbieteränderungen und Modellwechseln, und semantische Prüfungen fangen wohlgeformte, aber falsche Werte ab.

Welche Bibliothek sollte ich zur Validierung der LLM-Ausgabe verwenden?

Pydantic ist die häufigste Wahl in Python und Zod in TypeScript. Beide können ein JSON-Schema aus denselben Definitionen generieren, mit denen Sie validieren.

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

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 →