Neo4j erklärt: Wie Graphdatenbanken die Datenwelt verändern

Neo4j erklärt: Wie Graphdatenbanken die Datenwelt verändern

Knoten, Kanten, Cypher: wie die Graphdatenbank Neo4j arbeitet und für welche Aufgaben sie sich eignet

Aktualisiert:

Abstract

Neo4j speichert Daten als Graph aus Knoten und Beziehungen. Sie erfahren, wie Cypher funktioniert, wo Graphdatenbanken glänzen und wo nicht.
  • #Neo4j
  • #Graphdatenbank
  • #Datenbank
  • #Graphen
  • #Datenmodellierung
  • #Cypher
  • #NoSQL
  • #Wissensgraph

Wenn die Beziehungen zwischen Daten wichtiger sind als die Daten selbst

Ein Versicherer prüft eine Schadensmeldung. Für sich genommen ist sie unauffällig. Auffällig wird sie erst, wenn man sieht, dass der Geschädigte dieselbe Telefonnummer angegeben hat wie ein Zeuge aus einem anderen Fall, dessen Werkstatt wiederum in drei weiteren Fällen auftaucht. Solche Muster stecken nicht in den einzelnen Datensätzen, sondern in den Verbindungen zwischen ihnen. Genau für diese Art von Fragen sind Graphdatenbanken gebaut, und Neo4j ist die bekannteste von ihnen.

Graphdatenbanken haben keine bestehende Datenbanktechnik abgelöst. Sie haben sich aber einen festen Platz erarbeitet: bei Betrugserkennung, Empfehlungen, Netzwerk- und Lieferkettenanalysen und zuletzt verstärkt als Wissensspeicher für KI-Anwendungen. Wie Neo4j funktioniert, wie die Abfragesprache Cypher aussieht und wann sich der Einsatz lohnt, erklären die folgenden Abschnitte.

Was ist Neo4j?

Neo4j ist eine Graphdatenbank: Sie speichert Daten nicht in Tabellen, sondern als Netz aus Knoten und Beziehungen. Hinter Neo4j steht das gleichnamige Unternehmen, das unter anderem von Emil Eifrem gegründet wurde und seinen Ursprung in Schweden hat. Als Open-Source-Software erschien Neo4j erstmals 2007, Version 1.0 folgte 2010; Neo4j ist in Java geschrieben und läuft auf der Java Virtual Machine.

Neo4j unterstützt Transaktionen mit ACID-Eigenschaften. Das bedeutet, dass Änderungen ganz oder gar nicht ausgeführt werden, die Daten konsistent bleiben, parallele Transaktionen sich nicht in die Quere kommen und bestätigte Änderungen einen Absturz überstehen. Für geschäftskritische Daten ist das eine wichtige Eigenschaft, die nicht alle NoSQL-Systeme in dieser Form bieten. Wie sich Graphdatenbanken in die übrige NoSQL-Familie einordnen, zeigt der Beitrag NoSQL-Datenbanken: Flexibilität und Skalierbarkeit für moderne Anwendungen.

Das Property-Graph-Modell

Neo4j arbeitet mit dem sogenannten Property-Graph-Modell, das das Unternehmen maßgeblich geprägt hat. Es besteht aus drei Bausteinen:

  • Knoten stehen für Dinge, etwa eine Person, ein Produkt oder eine Rechnung. Jeder Knoten trägt ein oder mehrere Labels wie Kunde oder Produkt.
  • Beziehungen verbinden zwei Knoten. Sie haben immer eine Richtung und einen Typ, zum Beispiel KAUFTE oder ARBEITET_BEI.
  • Eigenschaften sind Schlüssel-Wert-Paare an Knoten und Beziehungen, etwa ein Name, ein Preis oder das Datum eines Kaufs.

Der Vorteil zeigt sich am Whiteboard. Angenommen, ein Team skizziert, wie Kunden, Bestellungen und Produkte in einem Webshop zusammenhängen. Es malt Kreise für die Dinge und Pfeile für die Verbindungen. In einer relationalen Datenbank muss diese Skizze in Tabellen, Fremdschlüssel und Verknüpfungstabellen übersetzt werden. In Neo4j lässt sie sich nahezu eins zu eins übernehmen. Fachabteilung und Entwicklung reden dadurch leichter über dasselbe Modell.

Was anders ist als in relationalen Datenbanken

Relationale Datenbanken speichern Beziehungen indirekt. Ob Kunde A Produkt B gekauft hat, ergibt sich erst, wenn die Datenbank zur Abfragezeit Tabellen per Join zusammenführt und dabei Indizes durchsucht. Bei einer oder zwei Verknüpfungen ist das kein Problem. Fragt man aber über viele Stufen hinweg – Freunde von Freunden von Freunden, Lieferanten von Lieferanten, Bauteile in Baugruppen in Maschinen –, wachsen Abfragen und Rechenaufwand stark an.

Neo4j speichert Beziehungen dagegen als eigene Datensätze, die direkt auf ihre Knoten verweisen. Der Hersteller nennt das „index-free adjacency“: Um von einem Knoten zum Nachbarn zu gelangen, folgt die Datenbank einem Zeiger, statt einen Index zu durchsuchen. Der Aufwand einer Abfrage hängt deshalb vor allem davon ab, wie viel des Graphen sie tatsächlich durchläuft, und weniger davon, wie groß die Datenbank insgesamt ist.

Das heißt nicht, dass Neo4j generell schneller ist. Für Summen über Millionen von Zeilen, klassische Berichte oder einfache Nachschlagezugriffe sind relationale oder spaltenorientierte Systeme meist im Vorteil. Die Stärke von Graphdatenbanken liegt in Abfragen, die Beziehungen über mehrere Stufen verfolgen.

Cypher: Abfragen, die wie Skizzen aussehen

Neo4j wird über Cypher angesprochen, eine deklarative Abfragesprache. Deklarativ heißt: Sie beschreiben, welches Muster Sie suchen, und die Datenbank entscheidet, wie sie es findet. Die Syntax ist an ASCII-Zeichnungen angelehnt. Knoten stehen in runden Klammern, Beziehungen in eckigen Klammern mit Pfeil, Eigenschaften in geschweiften Klammern.

Ein vereinfachtes soziales Netzwerk lässt sich so anlegen:

// Zwei Nutzer anlegen (falls noch nicht vorhanden) und eine Folge-Beziehung erstellen
MERGE (bob:User {username: 'bob'})
MERGE (alice:User {username: 'alice'})
MERGE (bob)-[:FOLLOWS {seit: date('2026-10-01')}]->(alice);

MERGE legt Knoten und Beziehungen nur an, wenn sie noch nicht existieren. Damit Benutzernamen eindeutig bleiben, definiert man eine Constraint. Die Syntax hat sich mit Neo4j 5 geändert; die frühere Form mit ON … ASSERT funktioniert nicht mehr:

// Eindeutige Benutzernamen erzwingen (Syntax ab Neo4j 5)
CREATE CONSTRAINT user_username_unique IF NOT EXISTS
FOR (u:User) REQUIRE u.username IS UNIQUE;

Die Constraint legt zugleich einen Index an, sodass Suchen nach dem Benutzernamen schnell bleiben. Interessant wird Cypher bei Abfragen über mehrere Stufen. Die folgende Abfrage liefert die Beiträge der letzten 24 Stunden von allen Nutzern, denen Bob folgt, und lässt stummgeschaltete Konten aus:

// Timeline: Beiträge gefolgter Nutzer aus den letzten 24 Stunden
MATCH (me:User {username: 'bob'})-[:FOLLOWS]->(author:User)-[:POSTED]->(p:Post)
WHERE p.createdAt > datetime() - duration('P1D')
  AND NOT (me)-[:MUTED]->(author)
RETURN author.username, p.text, p.createdAt
ORDER BY p.createdAt DESC
LIMIT 50;

In SQL wäre dafür eine Abfrage mit mehreren Joins und einer Unterabfrage nötig. Machbar ist das, aber die Absicht ist in Cypher deutlich besser zu lesen. Noch größer wird der Unterschied bei variablen Pfadlängen, etwa der Frage, über wie viele Ecken zwei Personen miteinander verbunden sind.

Cypher, openCypher und der ISO-Standard GQL

Lange war Cypher eine Sprache eines einzelnen Herstellers. 2015 öffnete Neo4j sie im Projekt openCypher, sodass auch andere Graphdatenbanken sie übernehmen konnten. Den nächsten Schritt machte die Normung: 2024 veröffentlichte die ISO mit GQL (Graph Query Language) erstmals eine standardisierte Abfragesprache für Property-Graphen. GQL baut stark auf Cypher auf. Bereits 2023 hatte der SQL-Standard mit SQL/PGQ eine Erweiterung erhalten, mit der sich Graphmuster auch in relationalen Datenbanken abfragen lassen.

Für Teams ist das eine gute Nachricht. Wissen über Cypher veraltet nicht, und die Gefahr, sich mit einer Graphdatenbank an eine proprietäre Sprache zu binden, sinkt. Wie weit einzelne Produkte GQL bereits unterstützen, ist allerdings unterschiedlich und sollte im Einzelfall geprüft werden.

Wofür Unternehmen Graphdatenbanken einsetzen

Graphdatenbanken lohnen sich überall dort, wo die Fragen „Wer hängt mit wem zusammen?“ und „Über welchen Weg?“ im Mittelpunkt stehen:

  1. Betrugserkennung: Ringe aus Konten, Adressen, Geräten und Telefonnummern werden sichtbar, wenn man die gemeinsamen Verbindungen betrachtet, wie im Beispiel des Versicherers oben.
  2. Empfehlungen: „Kunden, die dieses Produkt gekauft haben, kauften auch …“ ist im Kern eine Graphabfrage über Kunden, Käufe und Produkte.
  3. Netzwerke und Abhängigkeiten: IT-Infrastruktur, Stromnetze oder Lieferketten lassen sich als Graph modellieren. Fällt ein Bauteil oder Lieferant aus, zeigt eine Abfrage, was alles betroffen ist.
  4. Berechtigungen und Identitäten: Wer über welche Gruppen und Rollen indirekt auf welche Daten zugreifen darf, ist ebenfalls eine Pfadfrage.
  5. Wissensgraphen und KI: Begriffe, Dokumente, Personen und Produkte werden mit ihren Beziehungen erfasst. In Verbindung mit großen Sprachmodellen spricht man von GraphRAG: Das Modell erhält nicht nur ähnliche Textstellen, sondern auch strukturierte Zusammenhänge als Kontext. Neo4j bietet dafür inzwischen auch einen Vektorindex für semantische Suche an.

Für die Analyse ganzer Graphen, etwa um Gemeinschaften zu erkennen oder besonders zentrale Knoten zu finden, stellt Neo4j zusätzlich eine Bibliothek mit Graphalgorithmen bereit.

Betrieb, Editionen und Alternativen

Neo4j gibt es in mehreren Varianten. Die Community Edition ist quelloffen unter der GPLv3 und für Entwicklung und kleinere Anwendungen geeignet. Die Enterprise Edition ist kommerziell und bringt unter anderem Clusterbetrieb, Online-Backups und feinere Rechteverwaltung mit. Als Clouddienst bietet der Hersteller Neo4j Aura an, inklusive einer kostenlosen Einstiegsstufe zum Ausprobieren. Für den lokalen Start eignet sich das offizielle Docker-Image oder die Desktop-Anwendung.

Neo4j ist nicht die einzige Option. Amazon Neptune ist ein verwalteter Graphdienst in AWS, Memgraph setzt auf In-Memory-Verarbeitung und spricht ebenfalls Cypher. Multi-Model-Datenbanken wie ArangoDB oder SurrealDB kombinieren Dokumente und Graphen. Und wer bereits PostgreSQL betreibt, kann mit der Erweiterung Apache AGE Graphabfragen ergänzen, ohne ein weiteres System einzuführen – ein Ansatz, den der Beitrag PostgreSQL als vollständige Backend-Lösung allgemein beschreibt.

Wann sich Neo4j lohnt – und wann nicht

Graphdatenbanken sind ein Spezialwerkzeug, und das ist keine Abwertung. Für die richtigen Aufgaben machen sie Abfragen möglich, die in relationalen Systemen umständlich oder langsam wären. Für die falschen Aufgaben bringen sie vor allem ein weiteres System, das betrieben, gesichert und verstanden werden muss.

Ein guter Prüfstein: Schreiben Sie die zehn wichtigsten Fragen auf, die Ihre Anwendung an die Daten stellt. Wenn viele davon Beziehungen über mehrere Stufen verfolgen oder Pfade suchen, ist Neo4j einen Versuch wert. Wenn es überwiegend um Listen, Filter und Summen geht, bleiben Sie bei einer relationalen Datenbank oder einem Dokumentenspeicher wie MongoDB.

Überschätzt wird oft der Wunsch, alle Unternehmensdaten in einen großen Graphen zu überführen. In der Praxis bewährt sich eher ein schrittweiser Weg: Neo4j ergänzt die bestehende Datenbank für einen klar umrissenen Anwendungsfall, etwa Betrugsprüfung oder Empfehlungen, und wird aus dem führenden System befüllt. Unterschätzt wird die Datenmodellierung. Welche Dinge Knoten, welche Beziehungen und welche bloß Eigenschaften sind, entscheidet über Lesbarkeit und Geschwindigkeit der Abfragen.

Wenn Sie prüfen möchten, welche Datenbank zu Ihrem Vorhaben passt, oder Ihr Team in Datenmodellierung schulen wollen, finden Sie auf unserer Themenseite Datenbanken – Beratung, Coaching, Seminare und Support die passenden Angebote.

Häufige Fragen zu Neo4j

Ist Neo4j kostenlos?

Die Community Edition ist kostenlos und quelloffen. Für Clusterbetrieb und einige Betriebsfunktionen ist die kommerzielle Enterprise Edition nötig. Neo4j Aura hat eine kostenlose Einstiegsstufe mit begrenzter Größe; produktive Instanzen sind kostenpflichtig.

Muss die bestehende Datenbank ersetzt werden?

Nein. Neo4j wird häufig neben einer relationalen Datenbank betrieben und nur für die Abfragen genutzt, bei denen Beziehungen im Vordergrund stehen. Die Daten werden dazu regelmäßig oder ereignisgesteuert aus dem führenden System übernommen.

Wie schwer ist der Einstieg in Cypher?

Wer SQL kennt, findet sich schnell zurecht, denn viele Schlüsselwörter wie WHERE, ORDER BY oder LIMIT sind vertraut. Ungewohnt ist vor allem das Denken in Mustern statt in Tabellen. Mit kleinen Beispieldaten und der grafischen Darstellung im Neo4j Browser gelingt der Einstieg meist zügig.

Mehr aus „Datenbanken & Daten“

PostgreSQL als Backend: Queue, Suche, Cache und Vektorsuche in einem

PostgreSQL kann Job-Queue, Volltextsuche, Cache, Vektorsuche und Zeitpläne übernehmen. Was mit Bordmitteln und Erweiterungen geht und wo die Grenzen liegen.

mehr erfahren

NoSQL-Datenbanken: Flexibilität und Skalierbarkeit richtig nutzen

NoSQL-Datenbanken speichern Daten flexibel und skalieren horizontal. Lesen Sie, wann sich das lohnt und wie Sie Dokumente nach Zugriffsmustern modellieren.

mehr erfahren

Excel-Funktionen: von SUMME und WENN bis XVERWEIS, FILTER und LAMBDA

Die wichtigsten Excel-Funktionen für den Büroalltag: Bezüge, Text, Statistik, Bedingungen, XVERWEIS, dynamische Arrays und LAMBDA, mit Hinweisen zur Version.

mehr erfahren

Express und Sequelize: Relationale Datenbanken in Node.js

Sequelize in Express 5 einsetzen: Modelle, Validierung, Beziehungen, Migrationen, Transaktionen und N+1-Abfragen, dazu ein Blick auf Prisma und Drizzle.

mehr erfahren

Apache Spark erklärt: große Datenmengen verteilt verarbeiten

Apache Spark verteilt Datenanalysen auf viele Rechner. Wie DataFrames, Spark SQL und Structured Streaming funktionieren und wann sich Spark lohnt.

mehr erfahren

TimescaleDB: Zeitreihen in PostgreSQL speichern und auswerten

TimescaleDB erweitert PostgreSQL um Funktionen für Zeitreihendaten. Wie Hypertables, Kompression und Aggregate arbeiten und für wen sich das lohnt.

mehr erfahren

Weitere Blog-Artikel

JavaScript-Funktionen gut gestalten: Best Practices für lesbaren Code

Gute JavaScript-Funktionen: reine Funktionen, Parameter-Objekte mit Defaults, Rest und Spread, frühe Rückgabe, klare Namen sowie this und Arrow Functions.

mehr erfahren

Apache Kafka erklärt: Event-Streaming für große Datenmengen

Apache Kafka speichert Ereignisse als dauerhaftes Log und verteilt sie in Echtzeit an viele Systeme. Wie das funktioniert und wann sich Kafka lohnt.

mehr erfahren

Transpiling und Polyfills in JavaScript: was heute noch nötig ist

Transpiling übersetzt neue Syntax, Polyfills rüsten fehlende Funktionen nach. Wie Sie Zielbrowser festlegen, Babel und core-js einsetzen und Risiken vermeiden.

mehr erfahren

REST-API mit Express und OpenAPI dokumentieren und versionieren

Wie Sie eine Express-API mit OpenAPI 3.1 beschreiben, kompatibel weiterentwickeln, alte Versionen per Deprecation- und Sunset-Header abkündigen und testen.

mehr erfahren

React im Praxischeck: Wann sich die Bibliothek lohnt und wann nicht

Wann sich React lohnt und wann nicht: Stärken und Grenzen der Bibliothek, Server Components, Folgekosten und Alternativen wie Vue, Angular und Svelte.

mehr erfahren

Arduino für Einsteiger: Mikrocontroller verstehen und programmieren

Arduino macht Mikrocontroller für Einsteiger zugänglich. Wie Board, IDE und Sketch zusammenspielen und wann ESP32 oder Raspberry Pi besser passen.

mehr erfahren

Aktuelle Blog-Artikel

PHP-Migration nach PHP2Shell: Upgrade oder Sprachwechsel?

PHP2Shell und das Support-Ende von PHP 8.2: Was Sie jetzt patchen sollten, wie ein Upgrade auf 8.4 oder 8.5 gelingt und wann ein Sprachwechsel sinnvoll ist.

mehr erfahren

Jev: Was ein KI-Modell für schnelles Denken anders macht als ChatGPT

Das System-1-KI-Modell Jev schreibt keinen Text, sondern beantwortet Fragen mit kalibrierten Wahrscheinlichkeiten. Wie das funktioniert und wofür es taugt.

mehr erfahren

Node.js ohne Ballast: 12 Bordmittel, die npm-Pakete ersetzen

Von fetch() über node:test bis Type Stripping: zwölf Node.js-Funktionen, die axios, dotenv, Jest und Co. ersetzen, mit Status in Node 24 und 26 und Grenzen.

mehr erfahren

KI-Agenten verstehen: MCP, A2A, AG-UI und A2UI einfach erklärt

MCP, A2A, AG-UI und A2UI verständlich erklärt: Wie KI-Agenten Werkzeuge nutzen, miteinander arbeiten und Oberflächen erzeugen – und wer die Standards betreut.

mehr erfahren

Rusts Lieferkette unter Beschuss: Warum ein Angriff nur der Anfang war

Ein Angriff auf Rust-Pakete war im August 2026 schnell gestoppt, das Grundproblem bleibt. Wie crates.io angreifbar ist und was Sie heute dagegen tun können.

mehr erfahren

Webentwicklung ohne SPA: Eine Web-App mit V, Veb, SQLite und htmx

Am Beispiel der Meetup-Plattform Clash zeigt sich, wie eine Web-App mit V, Veb, SQLite und htmx ohne SPA-Framework entsteht und wo der Ansatz an Grenzen stößt.

mehr erfahren

React-Performance: Warum weniger Optimierung mehr Tempo bringt

React-Performance heute: Wie Sie mit State am richtigen Ort, dem React Compiler, Transitions, Virtualisierung und Messung Ihre Anwendung spürbar beschleunigen.

mehr erfahren

React-Komponenten verbinden: Welcher Weg passt wann?

Props, Context, Zustand, TanStack Query, URL-Parameter oder Ereignisse: So wählen Sie den passenden Weg, damit zwei React-Komponenten Daten austauschen.

mehr erfahren

KI-Agenten in der Schleife: Loops in Claude Code und Codex

Was ein Loop bei KI-Agenten ist, welche Auslöser es gibt und wie Sie geplante Aufgaben in Claude Code und Codex mit Kostenkontrolle einrichten.

mehr erfahren

JavaScript 2026: Bun, Deno und TypeScript 7 läuten eine neue Ära ein

Node.js, Bun und Deno im Wettbewerb, TypeScript 7 mit Compiler in Go, Build-Werkzeuge in Rust: Was sich 2026 bei JavaScript ändert und was Sie davon übernehmen.

mehr erfahren

npm-Pakete sicher prüfen: So bewerten Sie ein Paket vor dem Einbau

npm-Pakete sicher prüfen: wie Sie Name, Wartung, Provenance, Install-Skripte, bekannte Lücken und Lizenz bewerten, bevor ein Paket in Ihr Projekt kommt.

mehr erfahren

npm install unter der Lupe: Wie Angreifer die Lieferkette kapern

Was npm install technisch tut, welche Angriffsmuster von Typosquatting bis Dependency Confusion es ausnutzen und wie Sie das Installieren absichern.

mehr erfahren

Programmiersprachen und KI: Warum Rust für Code-Agenten so gut passt

KI-Agenten schreiben in Rust oft verlässlicheren Code, weil der Compiler viele Fehler sofort meldet. Was dahinter steckt und wo das Argument endet.

mehr erfahren

Pi Agent vs. Claude Code: minimaler Open-Source-Agent im Vergleich

Pi Agent und Claude Code im Vergleich: Architektur, Erweiterungen, Modellwahl, Lizenz, Kosten und Sicherheit. Für wen sich der Open-Source-Agent lohnt.

mehr erfahren

Agentic Engine Optimization: Websites für KI-Agenten lesbar machen

Agentic Engine Optimization: Wie KI-Assistenten Ihre Website abrufen, welche Rolle robots.txt, llms.txt und strukturierte Daten spielen – und was belegt ist.

mehr erfahren

Claude Skills für Einsteiger: eigene KI-Workflows aufbauen

Claude Skills bündeln wiederkehrende Anweisungen in einer SKILL.md-Datei. So bauen Sie Skills auf und installieren sie in Claude und Claude Code.

mehr erfahren

Claude Code richtig nutzen: 15 Funktionen, die Profis kennen sollten

Claude Code kann mehr als chatten: So setzen Sie CLAUDE.md, Subagenten, Hooks, Skills, MCP und den Headless-Modus gezielt im Entwickleralltag ein.

mehr erfahren

Claude Code für Einsteiger: vom Terminal zur fertigen Anwendung

Claude Code arbeitet im Terminal direkt mit Ihren Dateien. So gelingen Installation, erste Aufträge, Planmodus, Skills und MCP auch ohne Programmiererfahrung.

mehr erfahren

OpenClaw im Praxistest: vom Chatbot zum digitalen Assistenten

OpenClaw macht ein Sprachmodell zum selbst gehosteten Agenten mit Zugriff auf Rechner und Messenger. Aufbau, Einrichtung, Skills und Sicherheitsregeln.

mehr erfahren

Das Ende der Menüs: Wie KI die digitale Arbeitsumgebung verändert

Seit Jahrzehnten bedienen wir Computer über Fenster, Menüs und Ordner. KI-Agenten verschieben das zu Aufträgen in Alltagssprache. Was sich ändert und was nicht.

mehr erfahren

Microsoft und Rust: Was hinter dem Ziel „C und C++ bis 2030“ steckt

Microsoft nutzt Rust im Windows-Kernel, der Ersatz von C und C++ bis 2030 ist aber ein Forschungsziel. Was belegt ist und was es für Entwickler bedeutet.

mehr erfahren

TanStack Start: Das React-Framework als Alternative zu Next.js

TanStack Start ist ein Fullstack-Framework für React auf Basis von TanStack Router und Vite. Was es kann und wann es eine Alternative zu Next.js ist.

mehr erfahren

Die Ralph-Wiggum-Technik: KI-Coding-Agenten, die nicht aufgeben

Die Ralph-Wiggum-Technik lässt einen Coding-Agenten denselben Auftrag wiederholen, bis die Tests bestehen. Wie sie funktioniert und worauf Sie achten sollten.

mehr erfahren

Warum KI Entwickler nicht ersetzt, aber ihre Rolle verändert

KI-Assistenten schreiben heute viel Code. Warum Fachwissen trotzdem wichtiger wird und welche Fähigkeiten Entwickler:innen jetzt gezielt ausbauen sollten.

mehr erfahren

Von Node.js zu Bun: Next.js-Projekte schrittweise umstellen

Wie Sie Bun in Next.js einsetzen: von bun install über bun --bun next dev bis zum Deployment. Was dabei schneller wird, was nicht und was Sie vorher prüfen.

mehr erfahren

Bun erklärt: JavaScript-Laufzeit, Paketmanager und Bundler in einem

Bun ist Laufzeitumgebung, Paketmanager, Bundler und Testrunner in einem. Wie es funktioniert, wie kompatibel es zu Node.js ist und für wen es sich lohnt.

mehr erfahren

KI-Agenten richtig anleiten: Spezifikationen, die funktionieren

Spezifikationen für KI-Coding-Agenten wie Claude Code oder GitHub Copilot: welche Angaben hineingehören, wie Sie Aufgaben aufteilen und Grenzen setzen.

mehr erfahren

Was ist .NET? Die Microsoft-Plattform einfach erklärt

.NET ist Microsofts quelloffene Entwicklungsplattform für Web, Cloud, Desktop und Apps. Sie erfahren, wie Laufzeit, SDK und Versionen zusammenhängen.

mehr erfahren

Künstliche Intelligenz 2026: Vom Chatbot zum digitalen Kollegen

Rückblick auf den KI-Ausblick vom Januar 2026: acht erwartete Trends von Multi-Agenten-Systemen über physische KI und EU AI Act bis zu Quanten-Utility.

mehr erfahren

KI-Jahr 2025: Vier Erkenntnisse und ein Ausblick auf 2026

Rückblick vom Januar 2026 auf das KI-Jahr 2025: vier Entwicklungen von unauffälligen Agenten bis zum Chipmangel und was sie damals für 2026 erwarten ließen.

mehr erfahren

REST und Event-Streams: Wann sich ereignisbasierte Backends lohnen

REST oder Event-Streams? Wie sich Request/Response und Publish/Subscribe unterscheiden, wann Kafka, SSE oder WebSockets passen und wo REST richtig bleibt.

mehr erfahren

Shai-Hulud 2.0: Wie sich ein Wurm im November 2025 durch npm fraß

Shai-Hulud 2.0 einfach erklärt: Rückblick auf den npm-Wurm vom November 2025, wie er Zugangsdaten stahl, sich selbst verbreitete und wie Sie sich schützten.

mehr erfahren

HTMX: Moderne Webanwendungen ohne JavaScript-Framework bauen

HTMX lädt Inhalte nach, sendet Formulare und tauscht Seitenteile per HTML-Attribut aus. Die Anleitung zeigt Browser- und Serverseite und den Stand von HTMX 4.

mehr erfahren

Electron vs. Tauri: Desktop-Apps mit Webtechnik im Vergleich

Electron bringt Chromium und Node.js mit, Tauri nutzt den Webview des Systems und einen Kern in Rust. Der Vergleich zeigt, wann sich welches Framework eignet.

mehr erfahren

Architekturkompetenz im KI-Zeitalter: Was Full-Stack heute heißt

Wenn KI-Werkzeuge Code schreiben, verschiebt sich die Arbeit zu Architekturentscheidungen. Welche Fähigkeiten zählen und wie Sie sie gezielt aufbauen.

mehr erfahren

Omarchy im Test: So macht Linux endlich wieder Spaß

Unser Test von Omarchy aus dem November 2025: Das Linux auf Basis von Arch und Hyprland setzt auf Tastatur, Kachelfenster und abgestimmte Themes.

mehr erfahren

JWT-Probleme: Warum Entwickler vor JSON Web Tokens warnen

JWT-Probleme im Überblick: Warum sich Tokens schwer widerrufen lassen, welche Prüffehler gefährlich sind und wann klassische Sessions die bessere Wahl sind.

mehr erfahren

7 KI-Begriffe erklärt: Von KI-Agenten bis Superintelligenz

Sieben KI-Begriffe von KI-Agenten über RAG und MCP bis Superintelligenz: was sie bedeuten, wie sie zusammenhängen und was davon für Unternehmen zählt.

mehr erfahren

Machine Learning verstehen: von den Grundlagen bis zu moderner KI

Machine Learning verständlich erklärt: welche Lernverfahren es gibt, wie Training mit Daten abläuft und wie Sie prüfen, ob ein Modell wirklich etwas taugt.

mehr erfahren

Scrum-Master-Rolle auf dem Prüfstand: ein Blick aus Architektursicht

Lohnt sich ein Scrum Master noch? Wir betrachten die Rolle aus Sicht der Softwarearchitektur, gleichen sie mit dem Scrum Guide 2020 ab und zeigen Alternativen.

mehr erfahren

Was dürfen wir für Sie tun?

So sind wir zu erreichen: