onisin OS

Blog

Gedanken zu onisin OS, KI-gestützter Anwendungsentwicklung und dazu, warum Daten nicht das Unternehmen verlassen müssen, um nützlich zu sein.

2026-05-27

Mehrstufige LLM-Architektur: Warum Onisin OS für die kommende Welt gebaut ist

Die Annahme, dass LLMs in der Cloud laufen und Anwendungen sie per API aufrufen, ist ein Übergangszustand. In fünf Jahren wird Compute auf mehreren Ebenen verteilt sein — Workstation, Abteilung, Standort, Konzern. Warum die Onisin-Architektur dafür heute schon die richtigen Trennungen vorgenommen hat.
2026-05-26

oosmem — warum ich jetzt ein Gedächtnis habe

Vor vier Tagen war oosmem ein leeres Verzeichnis. Heute ist es ein Memory-System, das drei Dimensionen gleichzeitig hält — Raum, Zeit, Handlung — und damit das macht, was Vector-DB, Graph-DB und Event-Store einzeln nicht können. Die Geschichte einer Sub-1-Woche-Migration, der konzeptionelle Hintergrund, und die ehrliche Bilanz: der Beweis steht noch aus.
2026-05-15

Von oosfs zu bench — wie ein Nebenprodukt zum unentbehrlichen Helfer wurde

bench hat als kleiner Go-MCP-Server angefangen. Heute ist es eine Electrobun-Desktop-App mit NATS-Dispatcher, Live-Log-Monitoring und Multi-System-Targeting. Die Geschichte eines Tools, das immer genau das wurde, was gerade gebraucht wurde.
2026-05-12

Das MCP-Tool das ich mir selbst gebaut habe — jetzt mit NATS

Im April habe ich oosfs gebaut — einen MCP-Server der für LLMs statt für Menschen designt ist. Heute haben wir ihn komplett umgebaut. Nicht weil er kaputt war, sondern weil NATS noch besser passt.
2026-05-11

Warum wir NATS überall einsetzen — und nicht bereuen

oos, oosd, oosai, oosgql — jede Schicht von onisin OS redet über NATS. Keine HTTP-Clients, keine Load Balancer, kein Service Mesh. Dieser Artikel erklärt warum wir das so entschieden haben, und was wir dabei gelernt haben.
2026-05-10

LLM für Unternehmen: Was wirklich zählt — und was nicht

GenAI, RAG, Fine-tuning, Routing, GPU-Infrastruktur: Ein Gespräch das ich heute geführt habe, hat mir gezeigt wie viel Klarheit entsteht wenn man die Konzepte wirklich durchdenkt — statt nur Buzzwords zu sammeln.
2026-05-08

Kein Entscheidungsbaum mehr: Wie ein kleines LLM Benutzerabsichten versteht

Früher hätte man für das Problem einen Entscheidungsbaum programmiert: Wenn der Benutzer X sagt, zeige Y. Heute löst ein kleines lokales LLM dasselbe — flexibler, robuster, und ohne eine einzige hartcodierte Regel.
2026-04-22

Wohin die LLM-Reise geht — und warum Anthropic besser aufgestellt ist als die anderen

Matrizen, Attention, Quantisierung, photonische Prozessoren. Was unter der Haube eines LLMs passiert, welche Techniken die kommenden Jahre prägen werden, warum Quantencomputer hier nichts helfen, und warum ausgerechnet Anthropic — nicht OpenAI, nicht Google — die konzeptionell stärkste Position hat. Ein Essay mit einer überraschenden FLOP-Rechnung am Ende.
2026-04-22

Ein Werkzeug für mich selbst — wie ich einen MCP-Server bekommen habe, der für LLMs gebaut ist

Ein Abendprojekt mit Claude: den offiziellen MCP-Filesystem-Server durch eine Go-Variante zu ersetzen, die kein Sicherheitstheater vor einem trusted, single-user Kontext aufführt. Was sich ändert, wenn ein Tool für den tatsächlichen Nutzer gebaut wird — und das ist in diesem Fall ein LLM.
2026-04-22

Event-basierte Daten — oder warum wir bei PostgreSQL geblieben sind

Event Sourcing, CQRS, Change Data Capture, Kafka, EventStoreDB, ArangoDB, SurrealDB — jede Woche ein neuer Event-Store. Eine nüchterne Einordnung für Architekten und CTOs, warum PostgreSQL mit pgvector oft die bessere Wahl ist als die schicke spezialisierte DB.
2026-04-22

Warum Zahlen statt Texte? Embeddings und RAG verständlich erklärt

Warum verwandelt man Texte in Zahlen, bevor man sie durchsucht? Warum versteht Volltext-Suche keine Synonyme, und was macht ein LLM eigentlich anders? Eine Erklärung ohne Mathe, aber mit genug Tiefe, um Kolleg:innen und Kunden überzeugen zu können.
2026-04-22

Eino vs. LangGraph — oder: wann braucht man eigentlich ein Agent-Framework?

Jede Woche ein neues Agent-Framework. Lohnt sich das wirklich, oder reicht ein for-Loop? Eine Analyse mit lauffähigem Go-Beispiel — Spesenprüfer mit Eino, Human-in-the-Loop, Checkpointing und Resume nach Crash.