Wie Claude tickt – und was es nicht kann
Was ein KI-Sprachmodell wirklich ist: Wahrscheinlichkeiten statt Wissensdatenbank, warum Halluzinationen entstehen und wo die Grenzen liegen.
◇ Knowledge base · AI · Automation · RAG
Schulungen zu Claude, n8n und RAG — einmal geschrieben, dann als readable Docs, Slide-Decks und PDFs ausgespielt.
Die komplette Claude-Schulung — von „wie Claude tickt" über Prompts und Workflows bis Tooling, Skills & Sicherheit.
Was ein KI-Sprachmodell wirklich ist: Wahrscheinlichkeiten statt Wissensdatenbank, warum Halluzinationen entstehen und wo die Grenzen liegen.
Modell-Generationen (Haiku, Sonnet, Opus 4.8, Fable 5), Knowledge-Cutoff, Komplexität vs. Aktualität – und die Faustregel fürs Team.
Wo Claude wirklich Mehrwert bringt: Texte, Recherche, Tabellen, Mockups, Code-Verstehen, Datei-Uploads & Artifacts – plus die wichtigste Datenschutz-Regel.
Die Anatomie eines guten Prompts (Rolle·Kontext·Aufgabe·Format·Beispiele), Few-Shot, iteratives Verfeinern und die häufigsten Anti-Patterns.
Vom Einmal-Prompt zum wiederholbaren Workflow: gespeicherte Templates, Claude Projects als Wissens-Container, mehrstufige Ketten und Team-Workflows.
Über die Web-Oberfläche hinaus: claude.ai vs Claude Code vs API, Skills, Browser-Erweiterungen – und der verantwortungsvolle, sichere Umgang damit.
Die goldenen Regeln auf einen Blick, eine kurze Modell-Übersicht und ein Glossar der wichtigsten Begriffe – zum Nachschlagen.
Was Claude-Skills sind, wie sie aufgebaut sind, wo man sie ablegt und wie man sie installiert – im Terminal (Claude Code) und in Claude Desktop. Mit eigenem Beispiel.
Wie man Claude erweitert: MCP-Connectors zu externen Tools, Subagents, Hooks und Plugins – was wo liegt und wie man es installiert (Claude Desktop & Terminal).
Visuelle Workflow-Automation mit KI — Grundlagen, Nodes, LLMs und AI-Agenten.
What n8n is, how its node-based workflows actually work, how to wire in LLMs and AI agents, and why teams self-host it.
Wissensbasierte KI verständlich: Retrieval-Augmented Generation, Schritt für Schritt.
What RAG is, why it beats fine-tuning for knowledge tasks, and how retrieval and generation fit together.