Pondhouse Data Blog

Wie NVIDIA Auto Ontology Text-to-SQL mit einer automatisch erzeugten semantischen Schicht absichert, was im Test funktioniert hat und wo es noch hakt.

Wie wir 310 Confluence-Seiten in ein Firmenwiki auf Git-Basis umgezogen haben, das ein LLM-Agent pflegt, verlinkt und prüft. Jede Änderung gibt ein Mensch frei.

Copilot Studio lädt SharePoint-Listen nur komplett. Zwei Agent-Flows lösen das: Einer liest die Spaltennamen, der andere holt per OData nur passende Einträge.

GLM-4.7-Flash, ein 30B-MoE-Coding-Modell, auf einer 16-GB-GPU: llama.cpp für NVIDIA oder AMD bauen, das Q4-GGUF bereitstellen und mit OpenCode verbinden.

Graphbasierte Workflows im Microsoft Agent Framework mit Python: eine vierstufige IT-Ticket-Pipeline, die DevUI und bedingte Kanten für dringende Tickets.

So funktioniert das Microsoft Agent Framework: Tools, Workflows, Zustand und Checkpointing. Dazu ein IT-Helpdesk-Agent in Python mit Dev UI, FastAPI und Docker.

KI-Agenten per MCP mit BigQuery verbinden: Googles Remote-Server und MCP Toolbox 1.16 im Vergleich, mit Einrichtung, Schutzmechanismen, Kosten und Agenten-Test.

RAGFlow 1.0 mit Docker installiert und mit einem 147-seitigen PDF getestet: Einrichtung, OpenAI-Modelle, DeepDoc gegen Vision-LLM, RAM-Bedarf, Antworten.

So erzeugen Sie mit FastMCP einen MCP-Server aus einer OpenAPI-Spezifikation oder FastAPI-App: Route-Mapping, Timeouts, Parameter und Codebeispiele.

Was ein MCP-Server ist, worin er sich von einer API unterscheidet und wie Sie mit FastMCP in Python einen bauen: Resources, Tools, Fortschritt und Client.