Eine deutsche Einordnung für die Entscheidung vor dem Download. Stand: 13. September 2026.
Die KI-Werkstatt wertet Projektbeschreibungen, Anleitungen und bei vielen Einträgen Beispielcode aus. Daraus entstehen die Hinweise zu benötigten Agenten, Modellzugängen und OpenRouter. Diese Quellenprüfung ist kein Funktionstest. Für die derzeitigen 167 Katalogeinträge liegt kein dokumentierter eigener Installationstest vor.
„Im Projekt vorgesehen“ bedeutet, dass eine Anbindung in der Quelle vorkommt. „Anpassung prüfen“ bedeutet, dass wir keine direkt nutzbare Konfiguration bestätigt haben. „Lokal möglich“ beschreibt die dokumentierte Variante und ist keine Garantie für deinen Computer. Ein künftiges Testlabel soll nur mit konkreter Version, Betriebssystem, Testaufgabe, Datum und Ergebnis vergeben werden.
Filtere zuerst nach Aufgabe und Projekttyp, dann nach Zugang und Prüfstatus. Markiere geeignete Projekte für die Merkliste. Der Download bündelt Anforderungen und Originalquellen, damit du vor einer Installation vergleichen kannst. Die Auswahl bleibt im aktuellen Browser und wird nicht zwischen Geräten synchronisiert.
Lokale Modelle sind eine Option, wenn du passende Hardware besitzt und Modellaufrufe auf deinem Gerät ausführen möchtest. Du musst Speicher, Einrichtung und Geschwindigkeit selbst berücksichtigen. Cloud-Modelle nehmen dir den lokalen Modellbetrieb ab, benötigen aber einen externen Zugang und können nutzungsabhängige Kosten verursachen.
Entscheidend ist der gesamte Datenweg: Eine lokal gestartete Oberfläche kann weiterhin Cloud-Modelle, Websuche oder externe Speicher verwenden. OpenRouter ist ein möglicher Modellzugang; er ersetzt nicht den ausführenden Agenten und nicht automatisch dessen übrige Dienste.
Agenten-Skills sind wiederverwendbare Arbeitsanleitungen für einen vorhandenen KI-Agenten. Manche enthalten zusätzlich Skripte und Referenzen. Ein Skill ist deshalb nicht automatisch eine fertige App: Entscheidend ist, ob dein Agent das Format und die benötigten Werkzeuge unterstützt.
Diese Beispiele konzentrieren sich auf eine einzelne Aufgabe wie Reiseplanung oder Datenanalyse. Sie eignen sich zum Kennenlernen eines Ablaufs. Auch ein kleines Beispiel kann externe Suchdienste oder kostenpflichtige Modellaufrufe benötigen; prüfe deshalb mehr als nur den Sprachmodellzugang.
Fortgeschrittene Assistenten kombinieren mehrere Arbeitsschritte, Werkzeuge und Datenquellen. Die Einrichtung erfordert häufig mehrere Zugänge. Beginne mit einer begrenzten Aufgabe und prüfe Zwischenresultate, bevor du längere Abläufe oder persönliche Daten verwendest.
Beobachter wiederholen eine Recherche oder Prüfung nach einem Zeitplan. Ihr Nutzen liegt im Erkennen von Veränderungen. Für den Betrieb müssen Ausführungszeiten, Datenzugriffe und Benachrichtigungen eingerichtet sein; ein heruntergeladenes Beispiel läuft nicht von selbst dauerhaft weiter.
Agententeams verteilen eine Aufgabe auf Rollen wie Recherche, Entwurf und Prüfung. Mehr Rollen bedeuten zusätzliche Modellaufrufe und Abstimmung. Ein Team lohnt sich vor allem dann, wenn seine Arbeitsteilung messbar bessere Ergebnisse liefert als ein einzelner Assistent.
Sprachassistenten verbinden Spracherkennung, Modellantworten und gegebenenfalls Sprachausgabe. Diese Teile können unterschiedliche Anbieter verwenden. Ein Zugang für Textmodelle ersetzt deshalb nicht zwangsläufig die Audio-Dienste oder eine spezielle Echtzeitverbindung.
Diese Anwendungen stellen Ergebnisse als bedienbare Elemente statt ausschliesslich als Chattext dar. Sie können etwa Formulare, Diagramme oder Karten erzeugen. Prüfe, welche Daten tatsächlich verarbeitet werden und welche Oberflächen nur Demonstrationen sind.
Spielbeispiele zeigen, wie Modelle Entscheidungen treffen und mit einer Umgebung interagieren. Sie sind besonders als Lernprojekte interessant. Ein funktionierender Spielzug ist jedoch kein Nachweis dafür, dass ein Agent andere Aufgaben zuverlässig oder kostengünstig erledigt.
Verbindungen geben einem Agenten Zugriff auf Funktionen anderer Programme. MCP ist ein Protokoll für solche Anbindungen; ein MCP-Server ist weder ein Sprachmodell noch automatisch eine eigenständige App. Du brauchst einen passenden Client und die Zugänge für den angebundenen Dienst.
Dokumentenassistenten suchen relevante Textstellen und geben sie einem Modell als Kontext. Dieses Verfahren wird häufig RAG genannt. Gute Ergebnisse hängen von Dokumentqualität, Suche und nachvollziehbaren Quellen ab; ein Upload allein garantiert keine korrekten Antworten.
Gedächtnisfunktionen speichern Informationen über mehrere Gespräche hinweg. Dabei lohnt sich die Frage, was gespeichert wird, wo es liegt und wie es gelöscht werden kann. Lokale Speicherung des Gedächtnisses bedeutet nicht automatisch, dass auch alle Modellaufrufe lokal bleiben.
Diese Beispiele erschliessen bestimmte Quellen wie PDFs, E-Mails oder Videos über einen Chat. Die Verbindung zur Quelle und die Antworterzeugung sind getrennte Komponenten. Prüfe sowohl die Zugriffsrechte als auch die Belegstellen, auf denen eine Antwort beruht.
Optimierungswerkzeuge versuchen, Kontext, Geschwindigkeit oder Modellkosten zu verbessern. Vergleiche sie mit einer unveränderten Ausgangslösung an denselben Aufgaben. Weniger übertragener Text ist nur dann ein Fortschritt, wenn die Antwortqualität für deinen Zweck erhalten bleibt.
Trainings-Tutorials verändern Modellgewichte anhand von Beispieldaten. Dafür werden Trainingsdaten und passende Rechenressourcen benötigt. Ein API-Zugang zum Abrufen eines fertigen Modells ersetzt diese Trainingsumgebung nicht.
Kurse erklären Frameworks und Modellfunktionen anhand einzelner Lektionen. Richte zunächst eine passende Lektion ein, statt alle Abhängigkeiten des Kurses gleichzeitig zu installieren. Modellversionen und Schnittstellen können sich seit Veröffentlichung eines Beispiels verändert haben.
Marketing-Skills geben einem Agenten Arbeitsabläufe für Texte, SEO, Kampagnen oder Kundenrecherche. Für einen Entwurf reichen häufig Produktinformationen und ein Modellzugang. Veröffentlichungen, Anzeigen, Tracking und Versand benötigen zusätzliche Werkzeuge, Konten und gegebenenfalls ein eigenes Budget.
Sammlungen helfen beim Entdecken, sind aber kein Nachweis für Wartung, Sicherheit oder Funktionsfähigkeit eines einzelnen Projekts. Die folgenden Quellen ergänzen die Perspektive des Katalogs; ihre Einträge wurden nicht pauschal importiert oder getestet.
Ein Framework ist ein Baukasten für Entwickler, keine fertige Alltagsanwendung. Bei einem GEO-Tracker sollte vor einer Aufnahme geklärt sein, welche Antwortdienste er abfragt, wie er Zitate misst, ob der Betrieb selbst gehostet werden kann und welche API-Kosten anfallen. Einzelne beobachtete Antworten belegen keine allgemeine Sichtbarkeit einer Marke.