llm

12 Artikel

19. Aug. 2026

Sentrys Seer kann Ihre Traces lesen. Das heißt nicht, dass es immer die Root Cause findet.

Seer verarbeitet Trace-Trees, verbundene Fehler und Profiling-Daten, um verteilte Probleme zu diagnostizieren. Hier ist, wie es tatsächlich funktioniert, wo es glänzt und wo es noch menschliche Hilfe braucht.

15. Aug. 2026

LLMs können Metamorphic Relations vorschlagen. Sie können sie nur nicht garantieren.

Große Sprachmodelle sind brauchbare Brainstorming-Partner für die Entdeckung von Test Oracles, halluzinieren aber Eigenschaften und übersehen Domänen-Einschränkungen. So verwendest du sie, ohne falsche Tests auszuliefern.

metamorphic-testing llm test-oracles ai-engineering

7. Aug. 2026

LLMs können Ihre Static-Analysis-Warnings ordnen. Sie können nur nicht erklären, warum.

Large Language Models können beim Triage von False Positives in der statischen Analyse helfen, aber sie verstehen Programmsemantik nicht so wie Abstract Interpretation. So kombinieren Sie beides.

abstract-interpretation llm static-analysis false-positives

28. Juli 2026

LLMs können nicht beweisen, dass Ihr Code korrekt ist, aber sie können das Boilerplate dafür schreiben

Die Cleanroom-Verifikation erfordert die Erzeugung und Erfüllung von Proof Obligations. So automatisieren LLMs die Annotation und die VC-Generierung, damit Sie sich auf die eigentlich schwierigen Beweise konzentrieren können.

cleanroom-correctness llm formal-proofs automation

21. Juli 2026

Erklärung von Code an ein LLM zuerst senkte meine Bug-Rate um 85%

Ich verbrachte 30 Tage damit, Design-Erklärungen zu schreiben, bevor ich ein LLM um Code bat. Die Ergebnisse veränderten meine Sicht auf Rubber-Ducking.

literate-programming llm code-quality rubber-ducking

19. Juli 2026

Ihr Claude-Thread ist bereits Dokumentation. Er stirbt nur in zwölf Stunden.

LLM-Konversationen enthalten Absicht, abgelehnte Alternativen und funktionierenden Code. Genau das sollte Dokumentation sein. So verwandeln Sie flüchtigen Chat in dauerhafte, durchsuchbare Docs, ohne die Erzählung zu verlieren.

literate-programming llm documentation ai-engineering

13. Juli 2026

Ein LLM kann Ihren Code vorab prüfen. Es kann aber nicht das Meeting leiten.

Fagan-Inspektionen benötigen vier bis sechs Personen und zwei Stunden, um 250 Zeilen zu reviewen. Ein LLM kann diese Kosten senken, indem es Vorbereitung und Checklisten-Überwachung übernimmt, aber es kann die menschlichen Rollen nicht ersetzen, die die teuersten Defekte finden.

fagan-inspections llm code-review ai-engineering

8. Juli 2026

LLMs können Rust-Code generieren. Formale Beweise sind ein ganz anderes Problem.

Große Sprachmodelle schreiben erstaunlich guten Rust-Code, aber wenn man sie um einen formalen Beweis bittet, halluzinieren sie Invarianten und erfinden Syntax, die kein Verifizierer akzeptiert. Hier ist, was sie tatsächlich richtig machen, wo sie scheitern und wie man sie dennoch nutzen kann.

model-checking llm rust formal-proofs

2. Juli 2026

Grammar-constrained decoding: Wie man LLMs zwingt, bei jedem Token valide Syntax auszugeben

LLMs halluzinieren Syntax, weil sie Tokens probabilistisch sampeln. Grammar-constrained decoding filtert das Vokabular in jedem Schritt, sodass nur Tokens emittiert werden, die die syntaktische Gültigkeit erhalten.

dsls-bounded-context llm constrained-generation grammar

1. Juli 2026

Vom Englischen ins Theme zu übersetzen ist einfach. Es deterministisch zu machen, ist das eigentliche Problem.

Du kannst Design-Tokens aus einfachen englischen Beschreibungen generieren, aber nur, wenn du die Beschreibung als DSL mit begrenztem Kontext, Schema-Vertrag und Snapshot-Tests behandelst.

dsls-bounded-context design-systems llm themes

13. Juni 2026

Was ist, wenn meine LLM-Varianten uneins sind? Welche hat recht?

Die parallele Ausführung mehrerer LLMs deckt Fehler auf, die jedes einzelne Modell selbstbewusst ausliefert. So baut man ein Disagreement-Resolution-System, das tatsächlich funktioniert.

n-version-programming llm differential-testing disagreement-resolution

11. Juni 2026

Das gleiche LLM kann fünf Versionen deiner Funktion schreiben. So machst du sie wirklich unterschiedlich.

N-Version-Programming mit LLMs erfordert keine mehreren Modelle. Du kannst vielfältige, korrekte Implementierungen aus einem einzigen Modell extrahieren, indem du Prompts, Personas und Reasoning-Constraints variierst.

n-version-programming llm diverse-implementations ai-engineering