tlg/bewerb
SHA256
1
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity

Erste Bewerbungs-Session: SÜ2-K.o.-Regel, Agentur-Schreibregeln, Entwurf FindYou

Browse Source 
- rahmenbedingungen.md + Skill projekt-anlegen: Sicherheitsüberprüfung (SÜ/SÜ2)
  immer ❌ (Dauer ≥ 3 Monate, K.-o.-Kriterium)
- gedaechtnis/stil.md: Agentur-Anschreiben-Regeln (Teaser, kein Techno-Blabla,
  keine falschen Behauptungen, Lücken nicht erwähnen, Absatz-Aufbau, Header,
  feste Grußformel)
- gedaechtnis/schwerpunkte.md: Fachthemen + Querschnitts-Schlagworte ergänzt
- gedaechtnis/inhalte.md: geprüfte Fakten und Nicht-Behauptungen
- bewerbungen/: Entwurf FindYou (Data Scientist/MLOps) + Register-Eintrag
- gedaechtnis/log.md: datierter Eintrag

Co-Authored-By: Claude Opus 4.8 (1M context) <noreply@anthropic.com>
This commit is contained in:
tlg
2026-06-12 18:14:13 +02:00
parent ca98243659
commit 16156db5c8
8 changed files with 131 additions and 12 deletions
Download Patch File Download Diff File Expand all files Collapse all files

14
gedaechtnis/schwerpunkte.md
View File

@@ -8,4 +8,16 @@ Commit begründen. Ziel: gleiche Schwerpunkte immer gleich benennen
| Schlagwort | Definition |
|---|---|
| _(wächst mit der Zeit)_ | |
| Agentic AI | Autonome KI-Agenten, Tool Use / Function Calling, Coding-Agent-Umgebungen (Claude Code/Cowork, Cline) |
| MCP | Model Context Protocol; Anbindung externer Systeme/Tools an LLMs |
| RAG | Retrieval Augmented Generation inkl. Chunking, Embeddings, Vektordatenbanken |
| LLM | Large Language Models: Auswahl, Betrieb, Evaluierung, Fine-Tuning, On-Premise |
| Vektordatenbanken | Pinecone, Qdrant und vergleichbare Vektorspeicher für semantische Suche |
| On-Premise KI | Eigenbetrieb von KI-Inferenz auf eigener Hardware (GPU-Inference, Quantisierung) |
| MLOps | Aufbau und produktiver Betrieb von ML-/LLM-Infrastruktur, Deployment, Monitoring |
| Container | Containerisierung und Deployment mit Docker/Podman |
| Python | Python-Entwicklung im Produktionskontext (FastAPI, Tooling, Datenverarbeitung) |
| Event-Streaming | Verarbeitung kontinuierlicher Daten-/Nachrichtenströme, Message-Middleware (DDS, SOME/IP) |
| Öffentlicher Sektor | Endkunde aus Verwaltung/Behörden/öffentlicher Hand (oft mit Sicherheitsanforderungen) |
| Produktiver Einsatz | Tätigkeit zielt auf produktiven Wirkbetrieb, nicht nur Prototyp/PoC |
| Produktiver KI-Betrieb | Betrieb von KI-/LLM-Systemen im laufenden produktiven Wirkbetrieb (MLOps, Deployment, Monitoring) |