Glossar

KI-Glossar auf Deutsch

Alle Fachbegriffe, die in den Artikeln von christianohle.de vorkommen — knapp und auf Deutsch erklärt. 92 Einträge in 6 Bereichen, sortiert nach Themenblock statt alphabetisch, damit verwandte Konzepte nebeneinander stehen.

Begriff fehlt? Schreib mir an info@christianohle.de.

23 Einträge

KI & LLMs

Grundbegriffe rund um Sprachmodelle und Künstliche Intelligenz.

LLM — Large Language Model: Ein großes Sprachmodell, das Texte vorhersagt — z.B. Claude, GPT-4, Llama. „Groß" heißt: Milliarden Parameter, trainiert auf riesigen Textmengen. Was du im Alltag „KI" nennst, ist meistens ein LLM.
Token: Die kleinste Einheit, mit der ein LLM rechnet — meistens etwa 4 Buchstaben oder ein halbes Wort. Wichtig fürs Verständnis: API-Kosten und Context-Window-Größen werden in Tokens gerechnet, nicht in Wörtern. 1.000 Tokens ≈ 750 Wörter Deutsch.
Context Window: Wie viel Text ein Modell gleichzeitig „sehen" kann. Claude Sonnet 4.6 hat z.B. ein 200.000-Token-Kontextfenster — das sind ~150.000 Wörter, also ein Roman. Reicht das nicht, muss man Inhalte chunkeln oder mit RAG arbeiten.
Inference: Der eigentliche Vorgang, wenn ein bereits trainiertes Modell antwortet. „Inference-Kosten" sind die Kosten pro API-Call. Bei lokalem Hosting bedeutet Inference: dein Rechner rechnet.
Prompt: Die Anweisung, die du dem Modell gibst. „Prompt Engineering" heißt: präzise formulieren, strukturieren und Beispiele geben, damit das Modell das tut, was du willst.
System-Prompt: Eine Anweisung, die vor jedem User-Prompt mitgeschickt wird und den Charakter, die Rolle oder die Format-Regeln des Modells definiert. „Du bist ein technischer Lektor und antwortest in JSON" wäre ein System-Prompt.
Embedding: Eine Zahlenrepräsentation eines Textstücks (typisch 1.024–4.096 Dimensionen). Texte, die thematisch ähnlich sind, haben mathematisch ähnliche Embeddings — Basis für semantische Suche und RAG.
RAG — Retrieval-Augmented Generation: Vor dem LLM-Call wird relevantes Material aus einer Datenbank gezogen (per Embedding-Suche) und mit in den Prompt gegeben. Lösung gegen Halluzinationen und für Zugriff auf eigenes Wissen, ohne das Modell zu re-trainieren.
Halluzination: Wenn das Modell selbstbewusst etwas Falsches behauptet. Hat zwei Ursachen: das Wissen war im Training nicht oder falsch enthalten, oder das Modell extrapoliert plausibel-aber-erfunden. Hauptgrund, warum Fakten-Check in jeder Pipeline gehört.
Vector Database: Spezialdatenbank für Embeddings — z.B. Pinecone, Chroma, Qdrant, pgvector. Findet ähnliche Vektoren in Millisekunden. Voraussetzung für skalierbares RAG.
Fine-Tuning: Ein vortrainiertes Modell wird mit eigenen Daten weitertrainiert, um Ton, Stil oder Domänenwissen zu adaptieren. Teurer und aufwendiger als RAG — meistens nur sinnvoll, wenn du sehr viel domänenspezifisches Material hast und gleichbleibende Output-Qualität brauchst.
Temperature: Parameter zwischen 0 und 2, der die Zufälligkeit der Antworten steuert. 0 = deterministisch (immer dieselbe Antwort), 0.7 = kreativ-aber-kontrolliert, 1.5+ = wild. Für Code und Fakten niedrig, für Brainstorming hoch.
Top-P — Nucleus Sampling: Alternative zu Temperature: das Modell wählt nur aus den wahrscheinlichsten Tokens, deren Summe `p` ergibt (z.B. 0.9 = top 90%). Schneidet absurde Optionen ab, ohne die Antwort zu erstarren. Meistens reicht Temperature ODER Top-P, nicht beides.
Streaming: API-Modus, bei dem die Antwort Token-für-Token zurückkommt statt erst am Ende. Für Chat-UIs Pflicht — sonst guckt der User 5 Sekunden auf einen Spinner. Bei Anthropic via `stream: true` im Request.
Chain-of-Thought — CoT: Prompting-Technik, bei der das Modell explizit Zwischenschritte ausschreibt („Lass uns Schritt für Schritt denken"). Verbessert Genauigkeit bei Logik- und Mathe-Aufgaben drastisch. Bei modernen Modellen oft schon implizit eingebaut (Reasoning-Modelle).
Few-Shot: Im Prompt gibst du dem Modell zwei bis fünf Beispiele für das gewünschte Output-Format, bevor du die echte Aufgabe stellst. Funktioniert oft besser als detaillierte Anweisungen — Beispiele schlagen Erklärung.
Zero-Shot: Aufgabe stellen ohne Beispiele — nur die Anweisung. Funktioniert bei modernen Modellen für Standard-Tasks (Übersetzen, Zusammenfassen) gut, bei spezialisierten Formaten ist Few-Shot meist robuster.
RLHF — Reinforcement Learning from Human Feedback: Trainings-Phase, in der Menschen Antworten bewerten und das Modell darauf optimiert wird, hilfreich-und-harmlos zu antworten. Grund, warum ChatGPT brauchbarer wirkt als ein rohes GPT-Base-Modell. Anthropics Variante heißt Constitutional AI.
Parameter: Die einzelnen „Stellschrauben" eines Modells, die beim Training justiert werden. Llama 3 70B hat 70 Milliarden Parameter, GPT-4 schätzungsweise 1,7 Billionen. Mehr Parameter ≠ automatisch besser, aber starke Korrelation mit Fähigkeit.
Mixture of Experts — MoE: Architektur, bei der nicht alle Parameter pro Token aktiviert werden, sondern nur ein Subset („Experten"). Mixtral 8x7B hat insgesamt 47B Parameter, aktiviert aber nur 13B pro Token — billiger und schneller bei vergleichbarer Qualität.
Distillation: Großes Modell („Lehrer") trainiert kleines Modell („Schüler"), das ähnliche Antworten geben lernt. So entstehen Modelle wie Claude Haiku oder GPT-4o-mini — kleiner, schneller, billiger als die Flagships, oft erstaunlich nah dran.
Multimodal: Modell, das mehrere Eingabe-Typen versteht — meist Text + Bild, neuerdings auch Audio und Video. Claude Sonnet 4.6, GPT-4o, Gemini Pro sind multimodal. Praktisch für Screenshots analysieren, Diagramme erklären, Bilder beschreiben.
Reasoning-Modell: Spezialisierte Variante (z.B. OpenAI o1, Claude mit Extended Thinking, DeepSeek-R1), die intern länger „denkt" und Zwischenschritte plant, bevor sie antwortet. Teurer und langsamer, aber bei Mathe, Code-Refactoring und Logik deutlich präziser.

10 Einträge

Agents & Protokolle

Begriffe rund um Agents, Tool-Use, MCP und autonome Workflows.

Agent: Ein LLM, das nicht nur antwortet, sondern auch Tools aufruft, um Aufgaben in der Welt zu erledigen — z.B. eine Datei lesen, eine API abfragen, einen Befehl ausführen. Agentic Loop: Plan → Tool-Call → Resultat → Re-Plan.
Tool-Use: Das Format, mit dem ein LLM Funktionen aufrufen kann (Function Calling). Anthropic, OpenAI und Google haben ihre eigenen Varianten — alle laufen auf dasselbe hinaus: das Modell erkennt, dass es etwas nicht weiß, und ruft eine vordefinierte Funktion auf.
MCP — Model Context Protocol: Offener Standard von Anthropic (2024), mit dem LLMs Tools, Daten und Umgebungen einheitlich anbinden können. Ein MCP-Server stellt Werkzeuge bereit (Datei lesen, DB abfragen, API call), Claude Desktop oder ein Agent-Client nutzen sie. Aktuell der pragmatischste Standard für Tool-Integration.
Cowork-Modus: Modus von Claude Desktop, in dem Claude direkten Zugriff auf einen vom User ausgewählten Ordner bekommt — kann lesen, schreiben, Befehle ausführen. Praktisch ein „Pair Programmer" mit Datei-Rechten. Anders als die normale Web-Chat-Variante.
Function Calling: Synonym zu Tool-Use bei OpenAI. Das Modell antwortet nicht in Text, sondern in einem strukturierten JSON-Aufruf einer Funktion, die du im Request mitdefiniert hast.
Subagent: Ein Agent, der von einem Master-Agent für eine Teilaufgabe gespawnt wird — z.B. „delegiere Recherche an einen spezialisierten Web-Agent". Verteilt Komplexität und schont das Context-Window des Haupt-Agents. In Claude Code via Task-Tool, in Cowork via Agent-Tool.
Agentic Loop: Die Grundschleife eines Agents: 1) Plan, 2) Tool-Call, 3) Resultat lesen, 4) Plan anpassen, 5) wiederholen bis Ziel erreicht. Wichtigster Unterschied zu klassischen Chatbots — der Agent gibt sich nicht mit der ersten Antwort zufrieden.
Memory: Persistenter Speicher, den ein Agent zwischen Sessions behält — z.B. „User mag knappe Antworten" oder „Projekt XY ist in Phase 2". Implementiert meist als JSON-File oder Vector-DB. Macht aus einem Bot einen Assistenten, der dich kennt.
Slash Command: Vordefinierter Befehl in Claude Code oder Cowork, der mit `/` startet — z.B. `/init`, `/review`. Ruft eine Skill oder ein Custom-Workflow-Skript auf. Tab-Completion zeigt verfügbare Commands.
Skill: Eine Bündelung von Anweisungen, Beispielen und optionalen Scripts, die einem Agent beibringen, eine bestimmte Klasse von Aufgaben gut zu erledigen — z.B. „Word-Dokumente erstellen". Anthropic-Konzept; Skills werden über `SKILL.md`-Files geladen.

16 Einträge

Bild- & Videogenerierung

Stable Diffusion, Flux, ComfyUI, Sampler — Begriffe rund um generative Bild-KI.

Stable Diffusion — SD: Open-Source-Bildgenerierungsmodell (2022, Stability AI). Versionen: SD 1.5 (klassisch, schnell), SDXL (höhere Auflösung), SD 3.5 (neuere Architektur). Läuft lokal auf 6+ GB VRAM. Basis von ComfyUI, Automatic1111 und vielen kommerziellen Diensten.
Flux: Bildmodell von Black Forest Labs (2024) — viele halten es für besser als Midjourney. Drei Varianten: Flux Schnell (schnell, Apache-Lizenz), Flux Dev (höhere Qualität, Non-Commercial), Flux Pro (API-only). Braucht ~24 GB VRAM lokal oder Replicate für 0,003 $/Bild.
ComfyUI: Node-basiertes Frontend für Stable Diffusion und Flux. Statt einer simplen GUI baust du den Image-Pipeline-Graphen visuell zusammen. Steile Lernkurve, aber maximale Flexibilität — z.B. Multi-LoRA-Stacks, ControlNet-Ketten oder Workflow-Automation.
Checkpoint: Komplettes vortrainiertes Modell-File (oft 2–7 GB), das den gesamten Stil definiert. Realistic Vision, DreamShaper, JuggernautXL sind bekannte Checkpoints. Lädst du in ComfyUI oder Automatic1111 und generierst direkt damit.
LoRA — Low-Rank Adaptation: Mini-Modell-Anpassung (typ. 50–200 MB), die einem Checkpoint einen bestimmten Stil, Charakter oder Konzept beibringt — ohne den ganzen Checkpoint neu zu trainieren. Kombinierbar: 2–3 LoRAs gleichzeitig laden, Gewichte einzeln steuern.
ControlNet: Erweiterung, die Stable Diffusion zwingt, sich an eine Vorlage zu halten — z.B. Pose-Skelett, Canny-Edge-Map oder Tiefen-Map. Macht aus „würfle ein Bild" → „mach genau dieses Bild, aber im Stil X". Pflicht für jede ernsthafte Bild-Pipeline.
Sampler: Algorithmus, mit dem das Modell vom Rauschen zum fertigen Bild kommt. Gängige: Euler, DPM++ 2M Karras, UniPC. Unterschiede: Geschwindigkeit, Konvergenz, Detail-Charakter. DPM++ 2M Karras ist ein verbreiteter Default.
Steps: Anzahl der Iterationen, in denen der Sampler vom Rauschen zum Bild rechnet. 20–30 reicht meistens, mehr bringt selten Verbesserung, kostet aber linear Zeit. Schnelle Modelle wie Flux Schnell brauchen nur 4 Steps.
CFG — Classifier-Free Guidance: Wie streng das Modell deinem Prompt folgt. 1 = ignoriert weitgehend, 7–9 = klassischer Sweet-Spot, 15+ = übertrieben (verbrannte Farben, Artefakte). Flux braucht andere Werte (1–3) als SD (5–9).
Seed: Zufallszahl, die den Start-Rauschen-Zustand definiert. Gleicher Seed + gleicher Prompt + gleiche Settings = identisches Bild. Wichtig für Reproduzierbarkeit und A/B-Vergleiche zwischen Prompts.
Negative Prompt: Was das Bild NICHT enthalten soll: „ugly, blurry, extra fingers, watermark". Wirkt als Gegenkraft zum normalen Prompt. Bei Flux weniger relevant als bei klassischem SD, da Flux das interne Negative-Handling übernimmt.
Inpainting: Nur einen markierten Bildbereich neu generieren, Rest behalten. Klassischer Use-Case: „den Hintergrund austauschen" oder „die Hand fixen". In Photoshop seit 2024 als „Generative Fill", in ComfyUI über Mask-Workflows.
Upscaling: Bild von z.B. 1024×1024 auf 4096×4096 hochskalieren — ohne Pixel-Matsch. Modelle: Real-ESRGAN (klassisch), 4xUltraSharp (fotorealistisch), SwinIR. Tile-basiert, damit auch riesige Bilder durchpassen.
VAE — Variational Autoencoder: Komponente in SD/Flux, die zwischen Pixel-Raum und latentem Raum übersetzt. Falscher VAE = blasse Farben oder weiße Flecken. Fast alle Checkpoints kommen mit eingebautem VAE, aber ein externes `vae-ft-mse-840000` rettet manchmal Output-Qualität.
Img2Img: Statt aus reinem Rauschen zu starten, gibst du dem Modell ein Eingabebild und lässt es transformieren („mach aus dieser Skizze ein Foto"). Strength-Parameter steuert, wie weit es vom Original abweichen darf.
Sora / Veo / Kling: Aktuelle Video-Generierungsmodelle (2025): Sora (OpenAI), Veo 3 (Google), Kling 2.0 (Kuaishou). Erzeugen 5–60 Sekunden Clips aus Text- oder Bild-Prompts. State-of-the-Art ändert sich monatlich — zur Recherche immer aktuelle Tests checken.

16 Einträge

Lokale KI & Hardware

Self-Hosting, GPU-Begriffe, Inference-Server.

VRAM — Video RAM: Speicher auf deiner Grafikkarte. Faustregel: ein 7B-Modell braucht ~5 GB VRAM in 4-bit-Quantisierung, ein 70B-Modell ~40 GB. VRAM ist die wichtigste Spec, wenn du lokal LLMs hosten willst — wichtiger als reine GPU-Rechenleistung.
GPU — Graphics Processing Unit: Im KI-Kontext nicht zum Zocken da, sondern zum schnellen Multiplizieren großer Matrizen. NVIDIA dominiert wegen CUDA, AMD holt mit ROCm langsam auf. Apple-Silicon (M-Chips) hat eigene Wege via Metal/MLX.
CUDA: NVIDIAs Programmierplattform für GPU-Rechnen. Das meiste KI-Framework-Ökosystem läuft auf CUDA. Wenn du dir eine NVIDIA-Karte kaufst, bekommst du das Ökosystem quasi geschenkt — bei AMD musst du aufpassen, was unterstützt wird.
ROCm: AMDs Antwort auf CUDA. Funktioniert für viele KI-Workloads, aber Treiber-Stabilität und Tool-Support hinken NVIDIA hinterher. Für Stable Diffusion und ein paar LLMs okay, für State-of-the-Art-Forschung eher nicht.
Quantisierung: Komprimierung eines Modells: 16-bit-Gewichte werden auf 8, 4 oder sogar 2 Bit reduziert. Trade-Off: weniger VRAM, leichter Qualitätsverlust. Für lokale Deployments fast immer Pflicht. Q4_K_M ist ein gängiger Sweet-Spot in der GGUF-Welt.
GGUF: Dateiformat für quantisierte Modelle (Nachfolger von GGML). Wird von llama.cpp, Ollama und LM Studio gelesen. Wenn du auf HuggingFace ein Modell mit `Q4_K_M.gguf` siehst — das ist eine 4-bit-quantisierte Version, die auf normaler Hardware läuft.
Ollama: Ein-Befehl-Tool, um lokale LLMs zu betreiben. `ollama run llama3` und du chattest im Terminal. Eingebauter Modell-Download, REST-API auf Port 11434 — perfekt als lokaler Drop-In für ChatGPT-Kompatibilität.
LM Studio: GUI-Alternative zu Ollama: lädt GGUF-Modelle, bietet Chat-Interface und einen lokalen API-Server. Komfortabler als Ollama, aber Closed-Source.
Inference-Server: Ein Server, der ein LLM lädt und API-Anfragen entgegennimmt. Bekannte Optionen: vLLM (Python, schnell), llama.cpp (C++, low-overhead), Text Generation Inference (HuggingFace). Wer nicht selbst hosten will: Replicate, Together, Fireworks.
llama.cpp: C++-Inference-Engine für GGUF-Modelle. Ursprung von Georgi Gerganov, ohne den der gesamte Lokal-LLM-Boom nicht denkbar wäre. Läuft auf praktisch jeder Hardware — CPU, NVIDIA, AMD, Apple Silicon. Basis von Ollama, LM Studio und vielen anderen.
vLLM: High-Throughput-Inference-Server in Python. Optimiert mit PagedAttention für massive Parallelität — wer 1000 Requests/Min auf einer A100 will, nimmt vLLM. Komplexer als llama.cpp, aber state-of-the-art bei Latenz und Durchsatz.
KV-Cache: Zwischenspeicher für Key/Value-Tensoren der bisherigen Tokens — sodass bei jedem neuen Token nicht der ganze Context neu berechnet werden muss. Größter VRAM-Fresser bei langen Contexten. Quantisierter KV-Cache spart bei langen Sessions Gigabytes.
FP16 / BF16: 16-bit-Gleitkomma-Formate für Modell-Gewichte. FP16 hat mehr Präzision, aber kleineren Wertebereich; BF16 umgekehrt — Standard im Training. Halbiert VRAM gegenüber FP32 ohne nennenswerten Qualitätsverlust.
Apple Silicon: Apples M-Chip-Reihe (M1 bis M4). Unified Memory bedeutet: RAM = VRAM. Ein MacBook mit 64 GB RAM kann 70B-Modelle laufen lassen, was auf NVIDIA-Karten 2× 4090 erfordern würde. Trade-off: langsamer pro Token als dedizierte GPUs.
Replicate: Hosting-Plattform für Open-Source-ML-Modelle. Pay-per-Second, keine Server-Verwaltung. Praktisch für Image-Generation (Flux, SDXL) und Audio (Whisper, MusicGen) — wenn lokales VRAM nicht reicht oder gar nicht existiert.
HuggingFace: Das GitHub für ML-Modelle. Lädst Modelle, Datasets und Tokenizer von dort runter. Mit `transformers`-Library wird das in 5 Zeilen Python zum lauffähigen Inference-Setup. Plus: Spaces (gehostete Demos) und Inference-Endpoints (Pay-per-Use).

8 Einträge

Datenschutz & Recht

DSGVO-Begriffe, die für KI-Nutzung im DACH-Raum wichtig sind.

DSGVO — Datenschutz-Grundverordnung: EU-Verordnung, die regelt, wie personenbezogene Daten verarbeitet werden dürfen. Im KI-Kontext relevant, weil viele Tools Daten in die USA schicken — was nur unter bestimmten Bedingungen erlaubt ist (Standardvertragsklauseln, AVV, Data Privacy Framework).
AVV — Auftragsverarbeitungsvertrag: Vertrag zwischen dir (als Verantwortlichem) und einem Anbieter (z.B. OpenAI, Anthropic), der regelt, wie deine Kundendaten verarbeitet werden. Für KI-Tools, die personenbezogene Daten verarbeiten, in Deutschland Pflicht.
DPA — Data Processing Agreement: Englische Bezeichnung für AVV. Steht meistens im Anbieter-Portal als „Sign DPA" — bei US-Anbietern oft nur in den höheren Tarifen verfügbar.
DPF — Data Privacy Framework: Nachfolger des EU-US-Privacy-Shield (2023). Erlaubt Datenübermittlungen an zertifizierte US-Unternehmen. Anbieter wie Anthropic und OpenAI sind im DPF gelistet, aber das hilft nur, wenn der jeweilige Tarif den DPF-Schutz auch wirklich anwendet.
Double-Opt-In: Newsletter-Anmeldung mit zweistufiger Bestätigung: User trägt sich ein, kriegt eine Bestätigungsmail, klickt den Link. Ohne den Klick kein Eintrag in die Liste. In Deutschland faktisch Pflicht — sonst drohen Abmahnungen.
EU AI Act: EU-Verordnung (in Kraft seit 2024, schrittweise Anwendung bis 2027), die KI-Systeme nach Risikoklassen reguliert. Für Solo-Builder vor allem relevant: Transparenzpflicht bei generierten Inhalten und das Verbot bestimmter Hochrisiko-Anwendungen (Biometrie, Social-Scoring).
TOM — Technisch-Organisatorische Maßnahmen: Verpflichtender Anhang zum AVV: Liste, wie ein Auftragsverarbeiter deine Daten konkret schützt — Verschlüsselung, Zugriffskontrolle, Backups, Mitarbeiter-Schulungen. Ohne TOM kein gültiger AVV.
On-Premise: Software läuft auf eigenen Servern (oder lokal), nicht in der Cloud. Im KI-Kontext: dein LLM oder Bild-Modell läuft auf deiner Hardware, keine Daten verlassen das Haus. Maximale Datensicherheit, höchste Setup-Kosten.

19 Einträge

Build & Deploy

Web-Begriffe, die im christianohle-Stack vorkommen.

Astro: JavaScript-Framework für Content-fokussierte Sites. Generiert HTML zur Build-Zeit (SSG), kann aber auch SSR. christianohle.de läuft auf Astro 6. Stärke: minimaler JS-Footprint und hervorragender MDX-Support.
MDX: Markdown mit JSX-Erweiterung. Du schreibst normalen Markdown-Text, kannst aber Komponenten direkt im Artikel verwenden — z.B. <NewsletterBox /> mitten im Absatz. Genial für Content-Sites, die mehr als nur Text brauchen.
SSG — Static Site Generation: Komplette Website wird zur Build-Zeit als statisches HTML gerendert. Vorteil: superschnell, billig zu hosten, sicher. Nachteil: Content-Updates brauchen einen Re-Build. Cloudflare Pages und Vercel sind klassische SSG-Hosts.
Content Collection: Astros Mechanismus für typsichere Content-Verwaltung. Du definierst ein Zod-Schema für jeden Artikel-Typ, Astro validiert die Frontmatter beim Build. Wenn jemand `pubDate` falsch tippt, scheitert der Build statt eine kaputte Seite zu deployen.
Frontmatter: Der YAML-Block am Anfang eines Markdown-Files (zwischen `---`-Zeilen) mit Metadaten — Titel, Datum, Tags. Wird von Astro gelesen und in der Seite ausgewertet.
API — Application Programming Interface: Die Schnittstelle, über die zwei Programme reden. Bei KI-Anbietern: HTTP-Endpoints, an die du JSON schickst und JSON zurückbekommst. Kommt mit API-Keys (Authentifizierung) und Rate-Limits.
API-Key: Geheimer Token, der dich gegenüber einer API authentifiziert. Niemals ins Git-Repo committen — gehört in `.env` und nur dort. Wer einen API-Key in den öffentlichen Code schiebt, riskiert binnen Stunden eine fünfstellige Cloud-Rechnung.
Cloudflare Pages: Hosting-Service von Cloudflare für statische Sites. Free-Tier reicht für die meisten Solo-Projekte: unlimitierte Bandwidth, automatische HTTPS, Git-Integration. christianohle.de läuft hier.
Edge Function: Stück Server-Code, das nicht in einer zentralen Region läuft, sondern an hunderten Cloudflare-/Vercel-Standorten weltweit. Latenz unter 50 ms überall. Nützlich für Auth, A/B-Tests, oder LLM-Proxies, die API-Keys verstecken sollen.
Webhook: URL, die ein externer Service aufruft, wenn ein Event passiert — „neue Newsletter-Anmeldung" → POST an deine URL. Pull-statt-Polling-Pattern. Pflicht für Brevo↔Site-Integration und Replicate-Async-Bildgenerierung.
Tailwind CSS: Utility-First-CSS-Framework. Statt eigene Klassen zu schreiben, kombinierst du Tausende vordefinierte Atome (`p-4`, `text-lg`, `flex`). Tailwind v4 (2024) hat keine Config-Datei mehr — alles via `@theme` in CSS.
Pagefind: Statische Volltextsuche. Generiert beim Build einen durchsuchbaren Index, der komplett im Browser läuft — kein Server, keine externe API. Perfekt für SSG-Sites mit ein paar hundert Artikeln.
Schema.org: Vokabular für strukturierte Daten, die du Google in JSON-LD mitschickst. Article, FAQPage, HowTo, SoftwareApplication — Rich Snippets in den Suchergebnissen, höhere CTR. Auf christianohle.de überall verbaut.
JSON-LD — JSON for Linked Data: Format, in dem Schema.org-Daten in deine HTML-Seite eingebettet werden — als <script type="application/ld+json">-Block im Head. Google bevorzugt JSON-LD über Microdata oder RDFa.
Rich Snippet: Erweiterte Google-Suchergebnisanzeige mit Bewertung, FAQ-Aufklappern, Bildern oder How-To-Schritten. Voraussetzung: passendes Schema.org-Markup im HTML. Steigert CTR oft um 20–40%.
Canonical URL: Kanonische Variante einer Seite, falls mehrere URLs denselben Inhalt zeigen. <link rel="canonical" href="..."> sagt Google: „diese URL ist die echte". Verhindert Duplicate-Content-Strafen.
Open Graph — OG: Meta-Tag-Set (Facebook 2010), das definiert, wie ein Link in Social-Networks aussieht — Titel, Bild, Beschreibung. `og:image` mit 1200×630 Pixeln ist Pflicht. christianohle.de generiert pro Artikel ein eigenes OG-Bild via Satori.
Core Web Vitals: Googles Performance-Metriken-Trio: LCP (Largest Contentful Paint, < 2.5s), INP (Interaction to Next Paint, < 200ms), CLS (Cumulative Layout Shift, < 0.1). Direkter Ranking-Faktor seit 2021. SSG-Sites haben hier strukturelle Vorteile.
Lighthouse: Googles Performance-Tool — entweder im Chrome DevTools („Lighthouse"-Tab) oder via CLI. Misst Core Web Vitals, Accessibility, SEO und PWA-Score. Score über 90 ist gut, über 95 exzellent.