Tools on Pfisterer Consulting

Meine LinkedIn-Strategie als Code: Warum ich eine 11-Datei-Pipeline baue

Tue, 19 May 2026 15:00:00 +0200

Letzten Sonntag, 22:00. Vor mir auf dem Schreibtisch liegen elf Markdown-Dateien, daneben eine offene Tabelle mit 90 Tagen LinkedIn-Analytics. Mate im Glas, ehrliche Frage im Hinterkopf, warum ich gerade eine Pipeline baue, statt einen Post zu schreiben.

Die Tabelle gibt eine klare Antwort. Mein Profil hat 511 Follower und kam in den letzten 90 Tagen auf 44.483 Impressions bei einer Engagement-Rate von 0,18 Prozent. Das liegt um den Faktor 11 bis 16 unter dem LinkedIn-Benchmark von zwei bis drei Prozent. An 52 von 90 Tagen blieb es vollständig still, ohne eine einzige Reaktion auf irgendeinen Post.

Context Rot bei KI-Agenten: Warum die Qualität sinkt

Tue, 31 Mar 2026 14:30:00 +0200

Wer mit Claude Code, Cursor oder Copilot arbeitet, kennt das Muster. Das Problem hat einen Namen: Context Rot. Die ersten Ergebnisse sind brillant, der Code präzise und die Architektur sauber. Dann kippt die Qualität. Nach 20, 30 Minuten fangen die Antworten an, sich zu wiederholen. Der KI-Agent vergisst Kontext. Er erzeugt Code, der dem widerspricht, was er fünf Prompts vorher geschrieben hat.

Kein Nutzerfehler, sondern ein Architekturproblem. Die Lösung liegt im Context Engineering: dem gezielten Management von Kontextfenstern durch Multi-Agent Orchestrierung. Genau solche Praxisprobleme adressiere ich in meiner KI & Automatisierungs-Beratung.

Inside OpenClaw #5: Production-Ready KI auf WSL2

Thu, 05 Mar 2026 09:00:00 +0100

“Läuft doch” — bis Montagmorgen

Sie haben vLLM installiert, das Modell geladen, die richtigen Flags gesetzt. Der Agent antwortet, die Tool-Calls funktionieren. Sie gehen freitags aus dem Büro. Am Montag ist der Inference-Server tot.

Keine Fehlermeldung. Kein Crash-Log. WSL2 hat einfach aufgehört zu laufen. Produktionsstabilität von KI-Systemen ist ein Aspekt meiner KI & Automatisierungs-Beratung.

In der OpenClaw-Serie haben wir beschrieben, wie unser KI-Agent lokal auf einer einzelnen GPU arbeitet. Dieser Artikel beschreibt, was nötig war, um das System von “funktioniert auf meinem Rechner” zu “läuft 24/7 ohne Eingriff” zu bringen.

Inside OpenClaw #4: Warum KI-Agenten eine Persönlichkeit brauchen

Tue, 03 Mar 2026 10:00:00 +0100

Jeden Tag ein anderer Agent

Fragen Sie ein nacktes Sprachmodell zweimal dieselbe Frage — und Sie bekommen zwei verschiedene Persönlichkeiten. Einmal förmlich, einmal lässig. Einmal ausschweifend, einmal einsilbig. Ohne Kontext, ohne Rollenverständnis, ohne Gedächtnis dafür, wer es ist und was es tun soll.

Für ein Experiment ist das akzeptabel. Für den produktiven Einsatz in einem Unternehmen ist es ein Dealbreaker — genau deshalb ist Konfiguration ein zentraler Aspekt meiner KI & Automatisierungs-Beratung. Wenn Ihr KI-Agent bei jeder Sitzung anders reagiert, verlieren Nutzer das Vertrauen — und zwar schnell.

Inside OpenClaw #3: Warum wir unser KI-Modell ersetzt haben — und 6x weniger Speicher brauchen

Fri, 27 Feb 2026 07:00:00 +0100

Ein Modell, das die Spielregeln ändert

Solche Modellwechsel und ihre Implikationen fließen direkt in meine KI & Automatisierungs-Beratung ein. Unser bisheriges Setup lief stabil: Mistral Small 24B auf vLLM, AWQ-quantisiert, die richtigen Flags gesetzt, Tool-Calling funktionierte zuverlässig. Aber zwei Grenzen blieben: 32.000 Token Context und 14 GB VRAM allein für die Modell-Weights — auf einer GPU mit 24 GB.

Dann erschien Qwen3.5-35B-A3B. Ein Modell, das auf dem Papier unmöglich klingt: 35 Milliarden Parameter, aber nur 3 Milliarden davon gleichzeitig aktiv. 262.000 Token Context-Fenster. Und schneller als unser bisheriges, kleineres Modell.

Inside OpenClaw #2: Die versteckten vLLM-Flags für Mistral

Thu, 26 Feb 2026 10:00:00 +0100

“Es funktioniert” ist nicht genug

Wenn Sie ein Open-Source-Modell wie Mistral Small 24B auf vLLM starten, passiert auf den ersten Blick alles Richtige: Der Server läuft, die API antwortet, Text wird generiert. Alles grün. Solche technischen Details sind Teil meiner KI & Automatisierungs-Beratung.

Bis Sie Tool-Calling aktivieren.

In der OpenClaw-Serie haben wir beschrieben, wie unser KI-Agent auf einer einzelnen GPU lokal läuft. Dieser Artikel beschreibt die technischen Stolpersteine, die zwischen “Modell läuft” und “Agent funktioniert produktiv” liegen.

Inside OpenClaw #1: Web-Suche ohne Halluzination

Wed, 25 Feb 2026 10:00:00 +0100

Das Problem: Ihr KI-Agent lügt Sie an

Stellen Sie sich vor: Sie fragen Ihren KI-Agenten nach aktuellen Lieferketten-Risiken. Er antwortet mit drei Quellen, konkreten Zahlen und plausiblen URLs. Alles klingt professionell — bis Sie die Links öffnen. Keiner funktioniert. Die URLs existieren nicht. Die Zahlen sind erfunden.

Das ist kein Randproblem. Es ist der Normalfall, wenn lokale Sprachmodelle auf Web-Suche treffen. Solche Herausforderungen adressiere ich in meiner KI & Automatisierungs-Beratung.

In der OpenClaw-Serie haben wir bereits beschrieben, wie unser KI-Agent funktioniert. In diesem Artikel geht es um das technisch anspruchsvollste Problem, das wir lösen mussten: Halluzination bei der Web-Suche.

0 Euro API-Kosten: Wie wir einen KI-Agenten auf einer einzigen GPU betreiben

Tue, 24 Feb 2026 16:00:00 +0100

Wir haben unser OpenAI-Abo gekündigt. Nicht aus Protest, nicht aus Prinzip — sondern weil wir es nicht mehr brauchen.

Unser KI-Agent OpenClaw läuft seit Wochen produktiv auf einem lokalen Open-Source-Modell. Lokale KI-Lösungen sind ein Schwerpunkt meiner KI & Automatisierungs-Beratung. Auf einer einzigen Grafikkarte. Ohne Cloud, ohne API-Schlüssel, ohne monatliche Rechnung. Und ja — er kann Tool-Calling, Web-Suche und Multi-Agent-Debatten.

Warum lokal statt Cloud?

Die meisten KI-Agenten nutzen APIs von OpenAI, Anthropic oder Google. Das funktioniert — aber es hat drei Probleme, die bei intensiver Nutzung schnell relevant werden.

OpenClaw: Wie wir drei KI-Agenten dazu gebracht haben, miteinander zu debattieren

Wed, 18 Feb 2026 14:00:00 +0100

Im ersten Beitrag zu OpenClaw ging es um die Grundidee: Ein KI-Assistent, der auf eigener Hardware läuft und per WhatsApp steuerbar ist. Seitdem haben wir weiter experimentiert — und etwas gebaut, das zeigt, wohin sich KI-Automatisierung gerade entwickelt. Solche Experimente fließen direkt in meine KI & Automatisierungs-Beratung ein.

Wir haben drei KI-Agenten dazu gebracht, in separaten Terminal-Sessions miteinander zu debattieren — bis sie sich auf eine Lösung geeinigt haben.

Das Problem: Ein einzelner Agent reicht nicht

Jeder, der mit ChatGPT oder Claude arbeitet, kennt das: Die erste Antwort klingt gut. Aber wenn man nachhakt, zeigen sich Lücken. Das Modell bestätigt sich selbst, übersieht Risiken, bleibt in seiner eigenen Logik gefangen.

Website-Relaunch mit KI statt Agentur: Was früher 15.000 € kostete, geht jetzt in 2 Tagen

Fri, 13 Feb 2026 10:00:00 +0100

Anfang Februar 2026 stand ich vor einer Entscheidung: Meine Website brauchte einen Relaunch. Neues Design, bessere Struktur, professionellere Darstellung. Die klassische Route wäre gewesen: Agentur briefen, Angebote einholen, 4–8 Wochen warten, 10.000–20.000 € investieren.

Ich habe einen anderen Weg gewählt. Und dieser Artikel beschreibt ehrlich, wie das gelaufen ist. Er ist ein praktisches Beispiel für meine KI & Automatisierungs-Beratung — nur diesmal für mich selbst.

Der Tech-Stack: Hugo, Claude und OpenCode

Hugo – der Static Site Generator

Hugo ist ein Open-Source-Framework, das Websites aus Markdown-Dateien generiert. Keine Datenbank, kein WordPress, kein PHP. Nur HTML, CSS und JavaScript – blitzschnell, sicher und einfach zu hosten.

OpenClaw: Der Personal AI Assistant, der Siri hätte sein sollen

Thu, 12 Feb 2026 14:00:00 +0100

Seit Jahren verspricht uns die Tech-Branche den perfekten persönlichen Assistenten. Siri, Alexa, Google Assistant — alle enttäuschend, sobald die Anforderungen über „Timer stellen" hinausgehen. Jetzt gibt es ein Open-Source-Projekt, das dieses Versprechen tatsächlich einlöst: OpenClaw. Die Bewertung solcher Lösungen gehört zu meiner KI & Automatisierungs-Beratung.

Was ist OpenClaw?

OpenClaw ist ein KI-Assistent, der auf dem eigenen Computer (oder Server) läuft — nicht in der Cloud eines Tech-Konzerns. Man kommuniziert mit ihm über WhatsApp, Telegram, Discord oder iMessage — also genau dort, wo man ohnehin den ganzen Tag schreibt.