<?xml version="1.0" encoding="utf-8" standalone="yes"?><rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom"><channel><title>Blog on Hans Jürgen Stark</title><link>https://hnsstrk.de/blog/</link><description>Recent content in Blog on Hans Jürgen Stark</description><generator>Hugo</generator><language>de</language><atom:link href="https://hnsstrk.de/blog/index.xml" rel="self" type="application/rss+xml"/><item><title>Research-Pipeline härten — drei Patterns aus einem Hype-Skill</title><link>https://hnsstrk.de/blog/research-pipeline-hardening/</link><pubDate>Sat, 23 May 2026 00:00:00 +0000</pubDate><guid>https://hnsstrk.de/blog/research-pipeline-hardening/</guid><description>&lt;p&gt;Ein Trending-Repo mit Academic-Research-Skills landet auf der Pflichtlektüre-Liste und liest sich nach zwei Stunden Audit wie eine Anleitung, die eigene Pipeline doppelt so groß zu machen. Material Passports, PRISMA-Modi, LaTeX-Konvertierungen, Devil's-Advocate-Subagenten — beeindruckend zu zeigen, in einem Recherche-Workflow für ein persönliches Wiki größtenteils überflüssig. Was bleibt nach dem Cherry-Pick: drei Patterns, die ohne Strukturumbau übernehmbar sind und drei konkrete Schwachstellen der bestehenden Pipeline schließen.&lt;/p&gt;</description></item><item><title>Vergissmeinnicht — eine native macOS-Oberfläche für Taskwarrior</title><link>https://hnsstrk.de/blog/vergissmeinnicht/</link><pubDate>Fri, 22 May 2026 00:00:00 +0000</pubDate><guid>https://hnsstrk.de/blog/vergissmeinnicht/</guid><description>&lt;p&gt;&lt;strong&gt;Vergissmeinnicht&lt;/strong&gt; ist eine native macOS-App für Taskwarrior 3.x. Sie verzichtet auf den klassischen Weg, die &lt;code&gt;task&lt;/code&gt;-CLI per Subprocess aufzurufen, und bindet stattdessen die Rust-Bibliothek &lt;strong&gt;TaskChampion&lt;/strong&gt; direkt in den App-Prozess ein. Die Brücke zwischen Rust und SwiftUI baut UniFFI, die Datenhaltung liegt im sandbox-eigenen App-Container, der Sync läuft gegen einen selbst gehosteten TaskChampion-Server.&lt;/p&gt;</description></item><item><title>Prompt Injection abwehren — Subagent-Härtung in drei Schritten</title><link>https://hnsstrk.de/blog/subagent-inject-false-positive/</link><pubDate>Fri, 08 May 2026 00:00:00 +0000</pubDate><guid>https://hnsstrk.de/blog/subagent-inject-false-positive/</guid><description>&lt;p&gt;Prompt Injection ist die OWASP-Top-1-Schwachstelle für LLM-Anwendungen — und besonders gefährlich, sobald Subagents autonom Tools aufrufen, externe Quellen lesen und Folgeaktionen ableiten. Ein gut platziertes Inject in einem Blog-Post, einer E-Mail oder einem PDF kann einen Subagent dazu bringen, Daten zu exfiltrieren, falsche Tool-Aufrufe auszuführen oder seine Aufgabe zu kapern. Filter und Schwarzlistungen wirken oberflächlich, schwächen den Schutz aber bei genauer Betrachtung. Drei Schritte in der Agent-Definition machen den Subagenten urteilsfähig — der fertige Prompt-Block am Ende lässt sich direkt in eigene Agents kopieren.&lt;/p&gt;</description></item><item><title>Vom Prototyp zur Pipeline — Evolution eines YouTube-Analyse-Skills</title><link>https://hnsstrk.de/blog/youtube-skill-evolution/</link><pubDate>Thu, 30 Apr 2026 00:00:00 +0000</pubDate><guid>https://hnsstrk.de/blog/youtube-skill-evolution/</guid><description>&lt;p&gt;Ein 37-Minuten-Video, ein VTT-Transkript mit 19.701 Wörtern, am Ende eine Recherche-Notiz mit 7.092 Wörtern — bei identischer Inhaltsabdeckung. Der Hebel war kein neues LLM, sondern ein gehärtetes Skill-Setup, das aus dem Auto-Sub-Müll ein analysefähiges Transkript macht und parallel Quellbewertung sowie Vault-Pflege orchestriert. Dieser Artikel beschreibt, wie aus einem rudimentären YouTube-Skill eine zwölfstufige Pipeline wurde — und welche Architektur-Entscheidungen dabei aus dem Open-Source-Projekt &lt;a href="https://github.com/bradautomates/claude-video" rel="noopener noreferrer" target="_blank"&gt;claude-video&lt;/a&gt;
 übernommen wurden.&lt;/p&gt;</description></item><item><title>Mermaid-Diagramme im Ayu-Theme: Praxisleitfaden für den Blog</title><link>https://hnsstrk.de/blog/mermaid-test/</link><pubDate>Thu, 09 Apr 2026 00:00:00 +0000</pubDate><guid>https://hnsstrk.de/blog/mermaid-test/</guid><description>&lt;p&gt;Mermaid ist eine textbasierte Diagrammsprache, mit der sich technische Zusammenhänge direkt in Markdown dokumentieren lassen. Für den Blog ist das besonders nützlich, weil Diagramme versionierbar bleiben, sich in Pull Requests prüfen lassen und im gleichen redaktionellen Workflow entstehen wie der restliche Inhalt.&lt;/p&gt;</description></item><item><title>Ein Hugo-Theme von Grund auf — mit Split-Flap-Display als Herzstück</title><link>https://hnsstrk.de/blog/split-flap-landing-page/</link><pubDate>Sun, 05 Apr 2026 00:00:00 +0000</pubDate><guid>https://hnsstrk.de/blog/split-flap-landing-page/</guid><description>&lt;p&gt;Eine persönliche Website braucht nicht zwangsläufig ein fertiges Theme von der Stange. Wenn die Vorstellungen spezifisch genug sind — eine mechanische Anzeigetafel als Startseite, ein bestimmtes Farbschema, eine durchgängige Monospace-Typografie — lohnt es sich, das Theme selbst zu bauen. So entstand parallel zur Website hnsstrk.de ein eigenständiges Hugo-Theme, das sich um ein zentrales visuelles Element dreht: ein Split-Flap-Display als Landing Page.&lt;/p&gt;</description></item><item><title>Obsidian als KI-gestützte Wissensdatenbank — Vom Karpathy-Konzept zur vollständigen Automatisierung</title><link>https://hnsstrk.de/blog/obsidian-llm-wiki/</link><pubDate>Sun, 05 Apr 2026 00:00:00 +0000</pubDate><guid>https://hnsstrk.de/blog/obsidian-llm-wiki/</guid><description>&lt;p&gt;Anfang April 2026 hat Andrej Karpathy — Ex-Tesla-KI-Chef, OpenAI-Mitgründer und einer der einflussreichsten Köpfe im Machine-Learning-Bereich — eine bemerkenswerte Idee geteilt: Statt aufwendiger RAG-Pipelines einfach eine Markdown-Wiki aufbauen, die ein LLM selbst pflegt. Kein Vektorstore, keine Embedding-Pipeline, keine zusätzliche Infrastruktur. Nur Obsidian, Markdown-Dateien und ein LLM als Bibliothekar.&lt;/p&gt;
&lt;p&gt;Sein &lt;a href="https://gist.github.com/karpathy/442a6bf555914893e9891c11519de94f" rel="noopener noreferrer" target="_blank"&gt;GitHub Gist&lt;/a&gt;
 beschreibt einen Ansatz, der sich in ähnlicher Form auch in der Praxis bewährt hat — und der es wert ist, genauer betrachtet zu werden. Dieser Artikel zeigt, wie aus Karpathys Grundidee ein vollständig automatisiertes System werden kann: mit spezialisierten Agenten, die Recherchen verarbeiten, Journals führen, Trainingsdaten analysieren und Aufgaben verwalten.&lt;/p&gt;</description></item><item><title>Lokale KI mit Ollama — Praxis, Grenzen und was YouTube verschweigt</title><link>https://hnsstrk.de/blog/local-ai-ollama/</link><pubDate>Thu, 02 Apr 2026 00:00:00 +0000</pubDate><guid>https://hnsstrk.de/blog/local-ai-ollama/</guid><description>&lt;p&gt;Lokale KI-Modelle haben sich von einem Nischenprojekt zu einer ernst zu nehmenden Alternative zu Cloud-Diensten entwickelt. &lt;a href="https://ollama.com/" rel="noopener noreferrer" target="_blank"&gt;Ollama&lt;/a&gt;
 macht den Einstieg niedrigschwellig — ein einzelner Befehl genügt, um ein Sprachmodell auf der eigenen Hardware zu starten. Was in den meisten YouTube-Tutorials fehlt, ist eine ehrliche Einordnung der Grenzen. Dieser Artikel verbindet beides: einen praktischen Einstieg und eine nüchterne Perspektive.&lt;/p&gt;</description></item><item><title>KI-Assistenten im Terminal — Ein Einsteigerleitfaden</title><link>https://hnsstrk.de/blog/ai-cli-comparison/</link><pubDate>Wed, 01 Apr 2026 00:00:00 +0000</pubDate><guid>https://hnsstrk.de/blog/ai-cli-comparison/</guid><description>&lt;p&gt;Wer Software entwickelt, Systeme administriert oder viel in der Kommandozeile arbeitet, kennt den üblichen Ablauf: Editor öffnen, Code schreiben, in den Browser wechseln, eine KI-Chat-Oberfläche befragen, zurück zum Editor, Antwort einarbeiten. Seit 2025 gibt es dafür eine deutlich direktere Alternative: KI-Assistenten, die direkt im Terminal laufen, Dateien lesen, Code schreiben, Befehle ausführen und den Arbeitsfluss nicht ständig unterbrechen.&lt;/p&gt;
&lt;p&gt;Dieser Artikel stellt die drei derzeit wichtigsten Vertreter vor — Claude Code, Gemini CLI und Codex CLI — und zeigt Schritt für Schritt, was sie können, was sie kosten und für wen welches Tool sinnvoll ist.&lt;/p&gt;</description></item><item><title>Hugo auf dem eigenen Server</title><link>https://hnsstrk.de/blog/hugo-self-hosting/</link><pubDate>Sat, 28 Mar 2026 00:00:00 +0000</pubDate><guid>https://hnsstrk.de/blog/hugo-self-hosting/</guid><description>&lt;p&gt;Wer heute eine Website aufsetzen möchte, steht schnell vor einer Grundsatzfrage: ein dynamisches CMS wie WordPress oder ein Static Site Generator wie Hugo? Beide Ansätze haben ihre Berechtigung. Dieser Artikel beleuchtet die technischen Unterschiede, erklärt die Vorteile statischer Seiten und beschreibt ein konkretes Self-Hosting-Setup mit Hugo, Nginx und einer CI/CD-Pipeline über GitHub Actions.&lt;/p&gt;</description></item><item><title>CLAUDE.md richtig schreiben</title><link>https://hnsstrk.de/blog/claude-code-configuration/</link><pubDate>Thu, 26 Mar 2026 00:00:00 +0000</pubDate><guid>https://hnsstrk.de/blog/claude-code-configuration/</guid><description>&lt;p&gt;Die &lt;code&gt;CLAUDE.md&lt;/code&gt; ist weder Bedienungsanleitung noch Dokumentation noch Ablage für projektbezogene Notizen. Sie ist ein präzises Werkzeug — und funktioniert nur, wenn man sie auch so behandelt. Wer Claude Code wirksam konfigurieren will, profitiert von ein paar klaren Grundprinzipien.&lt;/p&gt;
&lt;p&gt;Die &lt;code&gt;CLAUDE.md&lt;/code&gt; allein erzählt allerdings nur die halbe Geschichte. Seit Anfang 2026 bietet Claude Code ein ganzes Ökosystem aus Konfigurationsdateien, von dem die &lt;code&gt;CLAUDE.md&lt;/code&gt; nur eine Ebene ist: Rules-Dateien für modulare Instruktionen, &lt;code&gt;settings.json&lt;/code&gt; für technische Berechtigungen, Hooks für deterministische Automatisierung und ein Memory-System für lernende Kontexte. Wer alles in eine einzige Datei packt, verschenkt nicht nur Übersicht, sondern auch Wirksamkeit.&lt;/p&gt;</description></item><item><title>Ein RSS-Reader mit lokaler KI-Pipeline</title><link>https://hnsstrk.de/blog/rss-reader-ai-pipeline/</link><pubDate>Fri, 20 Mar 2026 00:00:00 +0000</pubDate><guid>https://hnsstrk.de/blog/rss-reader-ai-pipeline/</guid><description>&lt;p&gt;&lt;strong&gt;fuckupRSS&lt;/strong&gt; ist ein RSS-Aggregator mit einer 8-stufigen KI-Analyse-Pipeline, die vollständig lokal läuft — gebaut mit Rust, Svelte und Ollama, ohne Cloud, ohne API-Keys, ohne geteilte Daten. Der Ansatz: das klassische RSS-Problem mit lokaler KI spürbar zu entschärfen.&lt;/p&gt;</description></item></channel></rss>