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

  1. Startseite
  2. Blog
  3. Künstliche Intelligenz

Künstliche Intelligenz

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

Temperatur und Top-P sind die beiden Einstellungen, die entscheiden, wie vorhersehbar oder vielfältig die Antworten eines KI-Modells sind. Wir haben die dahinter stehende Mathematik anhand eines Spielzeugbeispiels simuliert, sodass Sie genau sehen können, wie sich jede Einstellung auf die Entscheidungen des Modells auswirkt.

10 Min. Lesezeit
LLM Temperature und Top-P erklärt: Wie KI-Modelle ihr nächstes Wort wählen

Das Wichtigste

  • Ein Modell erzeugt eine Wahrscheinlichkeit für jeden möglichen nächsten Token und probiert dann einen aus.
  • Die Temperatur verändert diese Wahrscheinlichkeiten: Niedrige Werte verschärfen sie, hohe Werte verflachen sie.
  • Top-p behält nur die wahrscheinlichsten Token, die zusammen einen Wahrscheinlichkeitsschwellenwert erreichen.
  • Verwenden Sie eine niedrige Temperatur für die Extraktion und den Code, eine moderate für den Chat und ändern Sie jeweils eine Einstellung.

Wenn Sie einem KI-Modell zweimal dieselbe Frage stellen, erhalten Sie möglicherweise zwei unterschiedliche Antworten. Bitten Sie es, ein Datum aus einer Rechnung zu extrahieren, und Sie möchten jedes Mal die gleiche Antwort. Fragen Sie ihn nach zehn Slogan-Ideen und Sie wünschen sich Abwechslung. Die Einstellungen, die diesen Kompromiss steuern, sind Temperatur und Top-P, und sie gehören zu den am meisten missverstandenen Optionen in jeder KI-API.

Da wir die internen Wahrscheinlichkeiten eines kommerziellen Modells nicht überprüfen konnten, haben wir eine kleine Python-Simulation der Standard-Stichprobenmathematik erstellt und dabei erfundene Ergebnisse für vier Kandidatenwörter verwendet. Alle folgenden Zahlen stammen aus dieser Simulation. Echte Modelle wählen aus Zehntausenden von Tokens, und Anbieter implementieren möglicherweise Details unterschiedlich, aber das Verhalten ist im Prinzip das gleiche.

Wie ein Model das nächste Wort auswählt

Bei jedem Schritt gibt ein großes Sprachmodell für jedes Token in seinem Vokabular eine Punktzahl aus, die als Logit bezeichnet wird. Eine Funktion namens „softmax“ wandelt diese Ergebnisse in Wahrscheinlichkeiten um, die sich zu 1 summieren. Das Modell probiert dann einen Token gemäß diesen Wahrscheinlichkeiten, hängt ihn an den Text an und wiederholt ihn. Temperatur und Top-P verändern die Wahrscheinlichkeiten vor diesem Probenahmeschritt.

Unser Spielzeugbeispiel

Stellen Sie sich die Aufforderung „Die Hauptstadt von Frankreich ist“ vor. Wir haben vier Kandidaten für die nächsten Wörter folgendermaßen bewertet:

logits = {"Paris": 5.0, "Lyon": 3.0, "London": 2.5, "banana": 0.0}

Paris ist klarer Favorit, Lyon und London sind plausibel klingende Fehler und Banane ist Unsinn. Ein reales Modell würde auch Tausenden anderer Token eine gewisse Wahrscheinlichkeit zuweisen.

Temperatur: Schärfen oder Abflachen

Die Temperatur teilt jede Punktzahl, bevor Softmax angewendet wird. Eine Division durch eine kleine Zahl vergrößert die Lücken zwischen den Werten; Eine Division durch eine große Zahl verkleinert sie. Hier sind die Wahrscheinlichkeiten, die unsere Simulation ermittelt hat:

Temperatur Paris Lyon London Banane
0.2 1.000 0.000 0.000 0.000
0.7 0.921 0.053 0.026 0.001
1.0 0.817 0.111 0.067 0.006
1.5 0.672 0.177 0.127 0.024
2.0 0.576 0.212 0.165 0.047

Bei 1,0 wird die eigene Verteilung des Modells unverändert verwendet. Bei 0,2 erhält Paris im Wesentlichen die volle Wahrscheinlichkeit. Bei 2,0 sinkt der Paris-Wert auf 58 %, und sogar der Bananenwert steigt auf fast 5 %. Die Temperatur trägt weder zu Wissen noch zu Kreativität im tiefsten Sinne bei. Es verändert nur die Bereitschaft des Modells, weniger wahrscheinliche Optionen auszuwählen, was zu frischeren Formulierungen oder einfach mehr Fehlern führen kann.

Wie eine Probenahme aussieht

Wahrscheinlichkeiten sind abstrakt, daher haben wir 1.000 Proben bei drei Temperaturen gezogen und dabei einen festen Zufallsstartwert verwendet:

T=0.2  {'Paris': 1000, 'Lyon': 0,   'London': 0,   'banana': 0}
T=1.0  {'Paris': 810,  'Lyon': 117, 'London': 70,  'banana': 3}
T=2.0  {'Paris': 607,  'Lyon': 202, 'London': 146, 'banana': 45}

Bei einer Temperatur von 2,0 nannten etwa 4 von 10 Antworten die falsche Stadt und 45 von 1.000 gaben „Banane“ an. Bedenken Sie nun, dass eine echte Antwort Hunderte von Token lang ist. Eine kleine Chance, bei jedem Schritt eine ungerade Wahl zu treffen, summiert sich, und ein schlechtes Zeichen zu Beginn eines Satzes kann den Rest der Antwort in die falsche Richtung lenken. Dies ist einer der Gründe, warum hohe Temperaturen Halluzinationen wahrscheinlicher machen.

Temperatur 0 und Determinismus

Bei einer Temperatur von 0 würde die Mathematik durch Null dividieren, sodass APIs dies so behandeln, dass „immer das wahrscheinlichste Token ausgewählt wird“, was als gierige Dekodierung bezeichnet wird. Dadurch ist die Ausgabe weitaus reproduzierbarer, aber in der Praxis nicht jedes Mal vollkommen identisch. Gehostete Modelle können leicht variieren, da die Berechnungen auf der Hardware des Anbieters gestapelt und parallelisiert werden und die Modelle im Laufe der Zeit aktualisiert werden. Einige APIs bieten einen Seed-Parameter für eine bessere Wiederholbarkeit. Behandeln Sie die Temperatur 0 als „sehr konstant“ und nicht als Garantie.

Tipp: Greedy-Dekodierung ist nicht immer die beste Lösung, selbst für sachliche Aufgaben. Es kann beim Wiederholen von Phrasen in langen Ausgaben stecken bleiben. Bei langen Texten lässt sich eine niedrige Temperatur ungleich Null (z. B. 0,2 bis 0,4) oft natürlicher lesen und gleichzeitig die Konzentration bewahren.

Top-p (Kernprobenahme)

Top-p verfolgt einen anderen Ansatz. Es sortiert die Token vom wahrscheinlichsten zum am wenigsten wahrscheinlichen, behält die kleinste Gruppe, deren Wahrscheinlichkeiten sich auf mindestens p summieren, verwirft den Rest und führt eine Renormalisierung durch. Auf unsere Temperatur-1,0-Wahrscheinlichkeiten angewendet:

top_p=0.5   {'Paris': 1.0}
top_p=0.9   {'Paris': 0.881, 'Lyon': 0.119}
top_p=0.99  {'Paris': 0.821, 'Lyon': 0.111, 'London': 0.067}

Mit 0,5 deckte Paris allein bereits mehr als die Hälfte der Wahrscheinlichkeit ab, es war also die einzige Option. Mit 0,9 schloss sich Lyon an. Selbst bei 0,99 wurde die Banane abgeschnitten. Das ist die Stärke von top-p: Es entfernt den langen Schwanz unwahrscheinlicher Token, die Unsinn verursachen, und passt sich gleichzeitig der Situation an. Wenn das Modell sicher ist, überleben nur wenige Token. Wenn viele Fortsetzungen sinnvoll sind, überleben mehr.

Top-k und Min-p

  • Top-k behält eine feste Anzahl der wahrscheinlichsten Token, beispielsweise 40, unabhängig von ihrer Wahrscheinlichkeit. Es ist einfach, passt sich aber nicht an: 40 kann zu viel sein, wenn das Modell sicher ist, und zu wenig, wenn dies nicht der Fall ist.
  • Min-p behält Token, deren Wahrscheinlichkeit mindestens einen Bruchteil der Wahrscheinlichkeit des obersten Tokens beträgt. Es ist in Open-Source-Modellierungstools beliebt und soll bei höheren Temperaturen gut funktionieren, obwohl die Forschung neuer ist.

Nicht jede API stellt jede Option zur Verfügung. Sehen Sie in der Dokumentation Ihres Anbieters nach, welche Parameter verfügbar sind und welche Standardeinstellungen sie haben.

Temperatur und Top-P zusammen verwenden

Beide Einstellungen prägen die gleiche Verteilung. Wenn Sie also beide gleichzeitig ändern, ist das Verhalten schwer vorherzusagen. Mehrere Anbieter empfehlen, das eine anzupassen und das andere auf den Standardwerten zu belassen. Ein vernünftiger Ansatz besteht darin, zuerst die Temperatur einzustellen, da es einfacher ist, darüber nachzudenken, und nur dann nach Top-P zu greifen, wenn Sie seltene Kuriositäten bei einer höheren Temperatur abschneiden müssen.

Vorgeschlagene Einstellungen nach Aufgabe

Aufgabe Temperatur Warum
Datenextraktion, Klassifizierung 0 bis 0,2 Eine richtige Antwort; Konsistenz ist wichtig
Codegenerierung 0 bis 0,3 Kleine Abweichungen brechen den Code
Beantwortung von Fragen mit Quellenangabe 0,1 bis 0,4 Bleiben Sie nah am bereitgestellten Text
Allgemeiner Chat, Zusammenfassungen 0,5 bis 0,8 Natürlicher Ton mit angemessenem Fokus
Brainstorming, kreatives Schreiben 0,8 bis 1,2 Abwechslung ist das Ziel

Dabei handelt es sich um Ausgangspunkte aus der gängigen Praxis, nicht um Regeln. Modellfamilien unterscheiden sich, Standardeinstellungen unterscheiden sich je nach Anbieter und einige neuere Argumentationsmodelle korrigieren oder ignorieren diese Einstellungen vollständig. Testen Sie mit Ihren eigenen Eingabeaufforderungen. Klare Anweisungen, die in unserem Prompt-Engineering-Leitfaden behandelt werden, sind in der Regel wichtiger als die Feinabstimmung dieser Zahlen.

Gemeinsame Mythen

  • „Eine höhere Temperatur macht das Modell intelligenter oder kreativer.“ Weniger wahrscheinliche Token werden dadurch nur wahrscheinlicher. Manchmal ist das eine willkommene Abwechslung; oft ist es nur Lärm.
  • „Temperatur 0 bedeutet, dass die Antwort richtig ist.“ Dies bedeutet die wahrscheinlichste Antwort. Wenn das Modell sicher falsch ist, führt die Temperatur 0 dazu, dass es dauerhaft falsch ist.
  • „Die Temperatur steuert die Länge.“ Die Länge wird durch die Eingabeaufforderung und die maximale Token-Einstellung gesteuert, nicht durch die Temperatur.
  • „Niedriger ist immer sicherer.“ Sehr niedrige Einstellungen können in langen Ausgaben zu sich wiederholendem oder gestelztem Text führen.

Testen von KI-Funktionen

Durch das Sampling werden KI-Funktionen nicht deterministisch, was sich auf die Art und Weise ändert, wie Sie sie testen:

  • Führen Sie jeden Testfall mehrmals aus und messen Sie die Erfolgsquote, anstatt sich auf einen Durchgang zu verlassen.
  • Überprüfen Sie Eigenschaften, keine genauen Zeichenfolgen: gültiges JSON, erforderliche Felder vorhanden, Zahlen entsprechen der Quelle, kein verbotener Inhalt. Dies ist die gleiche Idee wie eigenschaftenbasiertes Testen.
  • Legen Sie die Temperatur in Tests fest, um sie an die Produktion anzupassen, und protokollieren Sie sie mit den Ergebnissen.
  • Führen Sie Ihren Evaluierungssatz erneut aus, wann immer Sie das Modell, die Eingabeaufforderung oder die Stichprobeneinstellungen ändern.

Festlegen in einem API-Aufruf

Die meisten Chat-APIs akzeptieren diese Einstellungen als Felder im Anfragetext. Eine typische Anfrage für eine Extraktionsaufgabe sieht etwa so aus (eine Illustration, die für diesen Artikel nicht ausgeführt wird, und Feldnamen variieren je nach Anbieter):

{
  "model": "your-model-name",
  "temperature": 0.1,
  "max_tokens": 300,
  "messages": [
    {"role": "user", "content": "Extract the invoice date and total as JSON: ..."}
  ]
}

Behalten Sie diese Werte in der Konfiguration bei, nicht im Code verstreut, und protokollieren Sie sie bei jeder Anfrage zusammen mit dem Modellnamen. Wenn eine Antwort Wochen später seltsam aussieht, erspart die Kenntnis der genauen Einstellungen, die sie erzeugt haben, viel Rätselraten. Wenn Sie mehrere Funktionen von einem Modell aus bedienen, geben Sie jeder Funktion ihre eigenen Einstellungen: Der Summierer und der Code-Assistent möchten selten die gleiche Temperatur.

Fazit

Temperatur und Top-P ändern nichts an dem, was ein Modell weiß; Sie verändern, wie abenteuerlich es ist, wenn sie jeden nächsten Spielstein auswählen. Unsere Spielzeugsimulation zeigte, wie die Temperatur in Paris von sicher auf 58 % abrutschte und Top-P den Nonsens-Schwanz abtrennte. Beginnen Sie bei Aufgaben mit einer richtigen Antwort niedrig, erhöhen Sie die Temperatur nur, wenn Sie Abwechslung wünschen, passen Sie jeweils eine Einstellung an und testen Sie mit wiederholten Durchläufen.

Häufige Fragen

Was bewirkt die Temperatur in einem LLM?

Es skaliert die Wahrscheinlichkeiten des Modells vor der Stichprobenentnahme neu. Niedrige Temperaturen lassen den wahrscheinlichsten Token dominieren; Hohe Temperaturen verbreiten die Wahrscheinlichkeit auf weniger wahrscheinliche Token und erhöhen so die Vielfalt und das Risiko.

Was ist Top-P-Sampling?

Top-p behält den kleinsten Satz der wahrscheinlichsten Token, deren kombinierte Wahrscheinlichkeit p erreicht, z. B. 0,9, und nimmt nur Stichproben von ihnen. Es entfernt den unwahrscheinlichen Schwanz.

Gibt die Temperatur 0 jedes Mal die gleiche Antwort?

Normalerweise sehr ähnliche Antworten, aber nicht garantiert. Gehostete Modelle können aufgrund ihrer Ausführung leicht variieren und Modelle werden im Laufe der Zeit aktualisiert.

Soll ich Temperatur und Top-P gleichzeitig ändern?

Generell nein. Da beide die gleiche Verteilung umgestalten, empfehlen viele Anbieter, das eine anzupassen und das andere auf den Standardwerten zu belassen.

Welche Temperatur sollte ich für Code verwenden?

Ein niedriger Wert, normalerweise 0 bis 0,3, da kleine zufällige Abweichungen den Code beschädigen können. Testen Sie unabhängig von der Einstellung immer den generierten Code.

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 →