Von NumPy zu JAX: was die Google-Bibliothek anders macht

Von NumPy zu JAX: was die Google-Bibliothek anders macht

Unveränderliche Arrays, automatische Ableitungen und Kompilierung für GPU und TPU – mit Codebeispielen und einer ehrlichen Einordnung gegenüber PyTorch

Aktualisiert:

Abstract

JAX erweitert die NumPy-Schnittstelle um automatische Differenzierung und Kompilierung für GPU und TPU. Wie das funktioniert und wann sich der Umstieg lohnt.
  • #Jax
  • #NumPy
  • #maschinelles Lernen
  • #KI-Entwicklung
  • #wissenschaftliches Rechnen
  • #Python
  • #Automatische Differenzierung
  • #GPU

JAX sieht aus wie NumPy, rechnet aber nach anderen Regeln. Für wen sich der Umstieg lohnt und für wen nicht

Wer in Python rechnet, rechnet fast immer mit NumPy. Die Bibliothek ist seit Jahren das Fundament für Datenanalyse, Simulation und Statistik, und ihre Schreibweise kennen praktisch alle, die mit Daten arbeiten. Genau diese Schreibweise hat Google für JAX übernommen. Auf den ersten Blick sieht ein JAX-Programm daher fast aus wie NumPy-Code, nur dass statt import numpy as np die Zeile import jax.numpy as jnp oben steht.

Unter der Oberfläche arbeitet JAX aber grundlegend anders. Es kann Funktionen automatisch ableiten, sie für Grafikkarten (GPU) und Googles KI-Beschleuniger (TPU) kompilieren und sie ohne Umbau auf ganze Datenstapel anwenden. Diese Fähigkeiten machen JAX für Forschungsteams und große KI-Projekte interessant. Sie verlangen aber auch, dass man sich an einige Regeln hält, die NumPy-Nutzer nicht gewohnt sind. Wer diese Regeln kennt, kann gut entscheiden, ob JAX ins eigene Projekt passt.

Was JAX ist und woher es kommt

JAX ist eine Open-Source-Bibliothek, die bei Google Research entstanden ist und seit 2018 öffentlich entwickelt wird. Sie verbindet die Idee von Autograd, einer älteren Bibliothek für automatische Ableitungen, mit XLA, einem Compiler für lineare Algebra, den Google ursprünglich für TensorFlow entwickelt hat.

Das Grundprinzip lässt sich in einem Satz fassen: JAX nimmt gewöhnliche Python-Funktionen, die mit Arrays rechnen, und transformiert sie. Eine Transformation macht aus einer Funktion eine neue Funktion, etwa eine, die die Ableitung berechnet, eine kompilierte und damit schnellere Fassung oder eine, die gleich hundert Eingaben auf einmal verarbeitet. Diese Transformationen lassen sich beliebig kombinieren. Das ist der eigentliche Unterschied zu NumPy, nicht die Geschwindigkeit an sich.

JAX selbst ist bewusst schlank gehalten. Es liefert Arrays, Transformationen und Zufallszahlen, aber keine fertigen Bausteine für neuronale Netze. Dafür gibt es ein eigenes Ökosystem: Flax für Netzarchitekturen, Optax für Optimierungsverfahren und Orbax zum Speichern von Trainingsständen. Laut Google wird JAX intern für das Training großer Modelle eingesetzt, darunter die Gemini-Familie.

Installation und erste Schritte

JAX wird über pip installiert. Für den Einstieg genügt die CPU-Fassung, für Nvidia-Grafikkarten unter Linux gibt es eine Variante mit passenden CUDA-Bibliotheken:

# CPU-Fassung, für Experimente auf dem eigenen Rechner
pip install -U jax

# Variante für Nvidia-GPUs unter Linux (CUDA 13)
pip install -U "jax[cuda13]"

Unter Windows läuft die GPU-Unterstützung nach Angaben des Projekts nur experimentell über das Windows-Subsystem für Linux (WSL2). Auf Google Colab ist JAX bereits vorinstalliert, dort lässt sich ohne eigene Einrichtung auch mit GPU oder TPU experimentieren.

Gleiche Schreibweise, andere Regeln

Die meisten NumPy-Funktionen gibt es in jax.numpy unter demselben Namen. Matrixmultiplikation, Summen, Mittelwerte oder trigonometrische Funktionen schreiben sich identisch. Drei Unterschiede fallen aber schnell auf.

Arrays sind unveränderlich

In NumPy lässt sich ein einzelner Wert in einem Array direkt überschreiben. In JAX geht das nicht, Arrays sind unveränderlich (immutable). Stattdessen erzeugt man eine geänderte Kopie:

import numpy as np
import jax.numpy as jnp

np_array = np.array([1, 2, 3])
np_array[0] = 5  # in NumPy erlaubt

jax_array = jnp.array([1, 2, 3])
# jax_array[0] = 5  # löst in JAX einen TypeError aus
neues_array = jax_array.at[0].set(5)  # liefert ein neues Array [5, 2, 3]

Das wirkt zunächst umständlich und nach Speicherverschwendung. Innerhalb kompilierter Funktionen erkennt der Compiler solche Kopien aber meist und rechnet trotzdem an Ort und Stelle. Der eigentliche Grund für die Regel liegt tiefer: Transformationen wie Ableiten oder Kompilieren funktionieren nur zuverlässig, wenn eine Funktion keine versteckten Nebenwirkungen hat.

Funktionen sollen „rein“ sein

JAX erwartet sogenannte reine Funktionen. Gemeint sind Funktionen, deren Ergebnis nur von ihren Eingaben abhängt und die nichts außerhalb von sich verändern, also keine globalen Variablen beschreiben, keine Dateien öffnen und nicht heimlich etwas zählen. Ein print() innerhalb einer kompilierten Funktion wird zum Beispiel nur beim ersten Durchlauf ausgeführt und erst wieder, wenn sich Form oder Typ der Eingaben ändern, was Einsteiger regelmäßig verwirrt.

Zufallszahlen brauchen einen Schlüssel

NumPy verwaltet den Zustand seines Zufallszahlengenerators im Hintergrund. JAX verlangt, dass Sie einen Schlüssel ausdrücklich übergeben und für jede neue Zufallszahl aufteilen. Das macht Experimente reproduzierbar, auch wenn sie parallel auf vielen Rechenkernen laufen:

import jax

schluessel = jax.random.key(42)
schluessel, teil = jax.random.split(schluessel)
werte = jax.random.normal(teil, shape=(3,))

Die vier Transformationen, auf die es ankommt

grad: Ableitungen ohne Formelsammlung

Viele Verfahren des maschinellen Lernens beruhen darauf, eine Fehlerfunktion schrittweise zu verkleinern. Dafür muss man wissen, in welche Richtung sich die Parameter ändern sollen, und genau das sagt die Ableitung, bei mehreren Parametern der Gradient. jax.grad berechnet ihn automatisch, ohne dass jemand eine Formel herleiten muss.

Angenommen, ein Webshop modelliert seinen Umsatz in Abhängigkeit vom Preis, wobei die Nachfrage mit steigendem Preis sinkt. Die Ableitung zeigt, ob eine kleine Preiserhöhung den Umsatz steigern oder senken würde:

import jax
import jax.numpy as jnp

def umsatz(preis):
    nachfrage = 1000.0 * jnp.exp(-0.05 * preis)  # vereinfachtes Modell
    return preis * nachfrage

grenzumsatz = jax.grad(umsatz)

print(grenzumsatz(15.0))  # positiv: Preiserhöhung steigert den Umsatz
print(grenzumsatz(25.0))  # negativ: Preiserhöhung senkt den Umsatz

Diese automatische Differenzierung ist kein numerisches Annähern und kein Formelumformen wie in einem Computeralgebrasystem. JAX verfolgt die Rechenschritte der Funktion und wendet darauf die Kettenregel an. Das funktioniert auch mit Schleifen und Verzweigungen in Python.

jit: kompilieren statt interpretieren

jax.jit übersetzt eine Funktion mit dem XLA-Compiler in optimierten Maschinencode für CPU, GPU oder TPU. Dabei fasst der Compiler mehrere Rechenschritte zusammen und vermeidet Zwischenergebnisse im Speicher. Der erste Aufruf dauert länger, weil kompiliert wird, alle weiteren Aufrufe mit gleich geformten Eingaben sind dann schnell.

Wie groß der Gewinn ist, hängt stark von der Aufgabe ab. Bei großen Matrizen und vielen verketteten Operationen auf einer GPU kann JAX um ein Vielfaches schneller sein als NumPy auf der CPU. Bei kleinen Arrays auf der CPU ist NumPy oft genauso schnell oder schneller, weil der Aufwand für Kompilierung und Datenübergabe überwiegt. Pauschale Versprechen wie „zehnmal schneller“ sollten Sie daher mit eigenen Messungen überprüfen. Weil JAX asynchron rechnet, gehört zu jeder Zeitmessung ein block_until_ready(), sonst misst man nur den Start der Berechnung.

vmap: Stapelverarbeitung ohne Schleifen

jax.vmap macht aus einer Funktion für eine einzelne Eingabe eine Funktion für einen ganzen Stapel. Angenommen, Sie haben eine Funktion geschrieben, die für einen einzelnen Kunden einen Score berechnet. Mit vmap wenden Sie sie auf 100.000 Kunden gleichzeitig an, ohne Python-Schleife und ohne die Funktion umzuschreiben:

import jax
import jax.numpy as jnp

def score(gewichte, merkmale):
    return jnp.tanh(jnp.dot(gewichte, merkmale))

gewichte = jnp.array([0.4, -0.2, 0.7])
kunden = jnp.ones((100_000, 3))  # Platzhalter für echte Kundendaten

# in_axes: Gewichte für alle gleich, Kunden zeilenweise
alle_scores = jax.vmap(score, in_axes=(None, 0))(gewichte, kunden)
print(alle_scores.shape)  # (100000,)

Verteilung auf mehrere Beschleuniger

Für Rechnungen, die nicht mehr auf eine einzelne GPU passen, bietet JAX Werkzeuge, um Arrays über mehrere Geräte zu verteilen. Frühere Tutorials nutzten dafür meist pmap. Inzwischen empfiehlt das Projekt stattdessen Sharding-Angaben, bei denen der Compiler die Arbeit auf die Geräte aufteilt, oder shard_map für die Aufteilung von Hand. Für Einsteiger ist das selten relevant, für das Training großer Modelle aber einer der wichtigsten Gründe, JAX zu wählen.

Ein lineares Modell in reinem JAX

Wie die Transformationen zusammenspielen, zeigt ein kleines Beispiel: Ein lineares Modell soll aus Datenpunkten die Steigung und den Achsenabschnitt einer Geraden lernen. value_and_grad liefert Fehler und Gradient in einem Schritt, jit kompiliert den gesamten Trainingsschritt:

import jax
import jax.numpy as jnp

def vorhersage(params, x):
    steigung, achse = params
    return steigung * x + achse

def verlust(params, x, y):
    return jnp.mean((vorhersage(params, x) - y) ** 2)

@jax.jit
def trainingsschritt(params, x, y, lernrate=0.02):
    wert, gradient = jax.value_and_grad(verlust)(params, x, y)
    return params - lernrate * gradient, wert

# Beispieldaten: y = 2x + 1
x = jnp.array([1.0, 2.0, 3.0, 4.0, 5.0])
y = 2.0 * x + 1.0

params = jnp.zeros(2)
for _ in range(2000):
    params, wert = trainingsschritt(params, x, y)

print(f"Steigung: {params[0]:.3f}, Achse: {params[1]:.3f}, Fehler: {wert:.5f}")

Bemerkenswert ist, was fehlt: Es gibt keine Klasse für das Modell, keinen versteckten Zustand und keinen Optimierer-Baustein. Die Parameter sind ein gewöhnliches Array, das in die Funktion hinein- und wieder herausgegeben wird. Dieser funktionale Stil macht JAX-Code gut überprüfbar, ist für Teams aus der objektorientierten Welt aber eine Umstellung. In echten Projekten übernehmen Flax den Modellaufbau und Optax das Optimierungsverfahren. Flax empfiehlt neuen Nutzern inzwischen die NNX-Schnittstelle, in der Modelle wie in PyTorch gewöhnliche Python-Objekte sind.

JAX, PyTorch oder TensorFlow?

Die Frage stellt sich in fast jedem KI-Projekt, das eigene Modelle trainiert. Eine grobe Orientierung:

KriteriumJAXPyTorchTensorFlow
Programmierstilfunktional, Transformationenobjektorientiert, direkt ausgeführtKeras-Schichten, Graphen
StärkenForschung, TPUs, große verteilte Trainings, Simulationbreitestes Ökosystem, viele vortrainierte Modelleetablierte Produktionswerkzeuge, Mobilgeräte
Einstiegmittel, eigene Denkweisevergleichsweise leichtleicht mit Keras
Verbreitungvor allem Forschung und große KI-LaboreStandard in Forschung und Industrievor allem in bestehenden Systemen

PyTorch ist heute für die meisten Teams die naheliegende Wahl, weil sich fast jedes veröffentlichte Modell und jedes Tutorial darauf bezieht. JAX spielt seine Stärken aus, wenn sehr viel Rechenleistung gebündelt werden muss, wenn TPUs zum Einsatz kommen oder wenn ungewöhnliche Ableitungen gebraucht werden, etwa in der physikalischen Simulation, der Optimierung oder der Statistik. Eine Brücke bildet Keras 3, das JAX, PyTorch und TensorFlow als austauschbare Rechen-Backends unterstützt. Einen breiteren Vergleich der Frameworks bietet der Infothek-Beitrag Deep-Learning-Frameworks im Vergleich.

Für reine Datenanalyse ist JAX meist die falsche Wahl. Wer Tabellen auswertet, Statistiken berechnet oder Daten bereinigt, ist mit NumPy, pandas oder Polars besser bedient. JAX lohnt sich dort, wo abgeleitet, wiederholt gerechnet oder auf Beschleunigern skaliert wird.

Was JAX für Ihr Team bedeutet

JAX ist kein Ersatz für NumPy, sondern eine Erweiterung für einen bestimmten Zweck: numerische Programme, die abgeleitet, kompiliert und auf viel Hardware verteilt werden sollen. In diesem Bereich gehört es zu den leistungsfähigsten Werkzeugen, die es in Python gibt. Überschätzt wird dagegen der Geschwindigkeitsvorteil im Alltag. Ohne GPU, ohne große Datenmengen und ohne wiederholte Berechnungen bleibt davon wenig übrig.

Unsere Empfehlung: Wer bereits NumPy beherrscht und mit Optimierung, Simulation oder dem Training eigener Modelle zu tun hat, sollte JAX in einem kleinen Experiment ausprobieren. Die Hürde liegt weniger in der Syntax als in der funktionalen Denkweise. Teams, die vor allem vorhandene Modelle anpassen oder produktiv betreiben, bleiben mit PyTorch und seinem Ökosystem in der Regel schneller.

Wer wissenschaftliche Berechnungen oder Simulationen in Python aufbauen oder beschleunigen möchte, findet auf unserer Seite zu Python in der Wissenschaft Beratung und Seminare. Für die Frage, welches Framework zu einem konkreten KI-Vorhaben passt, gibt es Angebote rund um maschinelles Lernen und künstliche Intelligenz.

Häufige Fragen zu JAX

Ist JAX schwer zu lernen, wenn man NumPy kennt?

Die Syntax ist schnell gelernt, weil jax.numpy die meisten NumPy-Funktionen unter gleichem Namen anbietet. Ungewohnt sind die unveränderlichen Arrays, die ausdrücklichen Zufallsschlüssel und die Regel, dass kompilierte Funktionen keine Nebenwirkungen haben sollen. Wer diese drei Punkte verinnerlicht hat, kommt meist zügig voran.

Läuft vorhandener NumPy-Code einfach mit JAX?

Teilweise. Reine Rechenfunktionen lassen sich oft durch Austausch des Imports übernehmen. Code, der Arrays an Ort und Stelle verändert, Zufallszahlen über np.random erzeugt oder von der Datengröße abhängige Verzweigungen enthält, muss umgeschrieben werden, bevor er sich kompilieren lässt.

Braucht man für JAX eine GPU?

Nein. JAX läuft auch auf der CPU und ist dort für Lernzwecke und kleinere Aufgaben gut nutzbar. Die großen Geschwindigkeitsvorteile zeigen sich aber erst auf GPU oder TPU und bei umfangreichen Berechnungen.

Ist JAX ein offizielles Google-Produkt?

JAX wird hauptsächlich von Google entwickelt und steht unter der Apache-2.0-Lizenz. Nach eigener Angabe ist es ein Forschungsprojekt und kein offizielles Google-Produkt, entwickelt wird öffentlich auf GitHub, einen Supportvertrag gibt es nicht. Für Unternehmen bedeutet das: freie Nutzung, aber kein garantierter Support außer über die Community und Cloud-Anbieter.

Mehr aus „KI & Machine Learning“

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

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

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

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

Weitere Blog-Artikel

Angular-Authentifizierung und Autorisierung: ein Sicherheitskonzept

Login und Zugriffsschutz in Angular: warum ein Backend for Frontend mit Session-Cookie sicherer ist und wie Guards, Interceptors und Rollen zusammenspielen.

mehr erfahren

Verkettete Listen in JavaScript: Linked Lists verstehen und umsetzen

Verkettete Listen in JavaScript erklärt: Aufbau, moderner Code für drei Varianten und ein Laufzeitvergleich mit Arrays, der Ihnen bei der Wahl hilft.

mehr erfahren

JavaScript-Entwicklungsumgebung im Workshop: Schritt für Schritt

Eine JavaScript-Entwicklungsumgebung Schritt für Schritt einrichten: Node.js per Versionsmanager, npm, Prettier, ESLint, erste Tests und Skripte.

mehr erfahren

Unit-Tests für JavaScript mit Jest: Einstieg und Praxis

Unit-Tests mit Jest für JavaScript-Projekte: Einrichtung mit ES-Modulen, Matcher, Mocks und Spies, Fake Timers, asynchrone Tests und Coverage mit Jest 30.

mehr erfahren

Angular Services und Dependency Injection: Best Practices

Angular Services und Dependency Injection in der Praxis: inject(), Provider auf Root-, Routen- und Komponentenebene, InjectionToken, Signals und Tests.

mehr erfahren

TypeScript debuggen: Source Maps, VS Code, Node.js und Browser

TypeScript debuggen: Source Maps verstehen, Node.js mit --inspect und Type Stripping untersuchen, im Browser arbeiten und Fehler aus der Produktion zuordnen.

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: