🔬 · Labor

Digitale Experimente: Technologie als Spielwiese

Nicht alles muss produktiv sein. Manchmal reicht die Neugier: Was passiert wenn ich das tue? Kann das funktionieren? Digitale Experimente sind mein Weg, neue Technologien wirklich zu verstehen – nicht durch Tutorials, sondern durch Scheitern und Lernen.

RAG Prototyping Open Source Tinkering Learning

Warum experimentieren? Weil Lernen durch Machen funktioniert

Tutorials zeigen den aufgeräumten Weg. Experimente zeigen den echten. Wenn ich ein Tutorial durcharbeite, verstehe ich den Weg. Wenn ich ein Experiment baue, verstehe ich das Ding.

Der Unterschied: Bei einem Tutorial folge ich Anweisungen und es klappt. Bei einem Experiment stoße ich auf unvorhergesehene Probleme, die mich zwingen zu verstehen warum etwas so funktioniert wie es funktioniert. Das Scheitern ist nicht Versagen – es ist der eigentliche Lernmoment.

Woraus gute digitale Experimente entstehen:

Echte Neugier: „Ich will wissen ob X funktioniert" ist besser als „ich muss Y lernen"
Klare (minimale) Hypothese: Was will ich herausfinden? Was ist Erfolg?
Zeitlimit: 2 Stunden – wenn es dann nicht funktioniert, liegt es an der Hypothese, nicht an mir
Dokumentation: Was habe ich gelernt? Auch wenn das Experiment gescheitert ist

Aktuelle Experimente aus dem Labor

Was gerade auf meinen Servern läuft oder kürzlich gelaufen ist:

RAG-System mit lokalen LLMs: Eigene Wissensbasis (Dokumente, Notizen, Bookmarks) per Vektordatenbank (Chroma) durchsuchbar und vom Modell interpretierbar. Das lokale Modell antwortet auf Basis eigener Dokumente – kein Halluzinieren von fremden Fakten.
Browser-Erweiterung mit KI-Annotation: Markierte Textstellen werden per Kontextmenü an ein lokales Modell geschickt und zusammengefasst – ohne dass der Text irgendwo hochgeladen wird.
Automatisierter Code-Review: Git-Hooks, die bei jedem Commit eine kurze KI-Analyse des Diffs per n8n-Workflow ausführen und als Kommentar zurückgeben.
Smarter Einkaufszettel: Home Assistant erkennt wenn bestimmte Verbrauchsgüter (per Barcode-Scanner am Kühlschrank) aufgebraucht werden – LLM erstellt Einkaufsliste mit Priorisierung.
Persönlicher Wissens-Agent: Ein lokales Sprachmodell das meine Notizen, Lesezeichen und gespeicherten Artikel kennt und mir hilft, Zusammenhänge zu finden.

Vom Experiment zum echten Tool – mein Prozess

Nicht jedes Experiment wird zu einem echten Tool. Aber wenn etwas funktioniert und ich es regelmäßig nutzen will, folge ich einem einfachen Prozess:

Minimalprototyp: Alles hardcoded, nichts konfigurierbar, kein Error-Handling. Hauptsache es funktioniert einmal.
Nutzungstest: Benutze es 2–3 Wochen wie ein echter User. Was nervt? Was fehlt? Was ist unnötig?
Iteration: Nur die Reibungspunkte lösen die aufgefallen sind. Keine Features hinzufügen die vielleicht nützlich wären.
Zuverlässig machen: Fehlerbehandlung, Logging, ggf. als Skript oder Docker-Container verpacken.

Was ich dabei über Prompt Engineering, Workflow-Aufbau und die Grenzen von KI-Systemen gelernt habe, ist mehr wert als jedes Buch darüber.

Häufige Fragen zu digitalen Experimenten

Wo fange ich mit digitalen Experimenten an?

Beim kleinsten Problem das dich nervt. Nicht beim großen Projekt. „Ich muss jeden Morgen X manuell machen" ist ein perfekter Ausgangspunkt. Die erste Automatisierung die wirklich hilft, ist motivierender als jedes Tutorial. Ein guter Einstieg: ein kleines n8n-Workflow oder ein Bash-Skript für eine täglich nervige Aufgabe.

Was ist ein RAG-System und wie funktioniert es?

RAG steht für Retrieval Augmented Generation. Das Prinzip: Statt das LLM aus dem Gedächtnis antworten zu lassen, sucht man zuerst relevante Dokumente aus einer eigenen Wissensbasis und gibt sie als Kontext mit. Das Modell antwortet dann auf Basis dieser echten Dokumente – präziser, aktueller und ohne Halluzinationen. Mit Ollama und Chroma lässt sich das komplett lokal aufbauen.

Wie dokumentiere ich Experimente sinnvoll?

Ich halte es simpel: ein kurzes Markdown-File pro Experiment. Drei Fragen: Was wollte ich herausfinden? Was habe ich gebaut? Was hat funktioniert / nicht funktioniert / überrascht? Keine perfekten Texte – Stichpunkte reichen. Das Wichtige ist das Festhalten von Learnings, nicht die Dokumentation für andere.

Muss ich Programmierer sein um digitale Experimente zu machen?

Nein – aber Neugier und Bereitschaft zum Lesen von Fehlermeldungen schon. Mit Tools wie n8n (visuell), Home Assistant (UI-geführt) und Ollama (3 Terminal-Befehle) kommt man ohne Code sehr weit. Grundlegendes Verständnis von APIs und JSON hilft, ist aber kein Muss zum Start.