Edge0-145B: was es ist, was es braucht und wie man es betreibt (2026)

Kira
Geschrieben von

Kira

Katelin Teen
Geprüft von

Katelin Teen

Zuletzt bearbeitet 13. November 2026

Expertengeprüft
Handgezeichnete Illustration eines Entwicklers am Schreibtisch mit einem Gaming-PC-Tower, der ein neuronales Netz betreibt, neben dem Edge0-Logo auf einer fetten schwarzen Form
TL;DR

Edge0-145B ist ein kostenloses, offenes 145B-Coding- und Agentenmodell, das auf einer einzelnen NVIDIA-GPU mit 16 GiB Speicher plus 20 GiB System-RAM läuft, indem es heiße Experten auf der Karte hält und den Rest aus RAM und SSD liest. Es ist eine stark überarbeitete Version von Qwen3.8-Flash-Next, und in Edge0s eigenen Tests schlägt es diese Basis beim Coding. Zwei Dinge, über die der Launch-Post hinweggeht: macOS wird noch nicht unterstützt, und die Lizenz blockiert kommerzielle Modell-Dienste ohne separate Vereinbarung. Wenn dein Ziel KI auf Support-Tickets ist statt einer lokalen GPU, macht eesel das mit gehosteten Modellen, und die eesel CLI lässt einen Coding-Agenten freigegebene Hilfeartikel hochladen und die Antworten testen, bevor irgendetwas live geht.

Was ist Edge0-145B?

Edge0-145B ist ein offenes Sprachmodell von Edge0, angekündigt am 12. November 2026 zusammen mit einem kleineren Geschwistermodell, Edge0-120B. Edge0s Launch-Post stellt es als das erste Modell mit 145 Milliarden Parametern vor, das für den Betrieb auf einem privaten Computer gebaut wurde, mit Coding-, Reasoning- und Agentenfähigkeiten nahe an Cloud-Modellen.

Der Header des Edge0-145B-Launch-Posts und seine Grenzwert-Tabelle, entnommen aus Edge0s Blog
Der Header des Edge0-145B-Launch-Posts und seine Grenzwert-Tabelle, entnommen aus Edge0s Blog

Ich baue die KI-Agenten in eesels Produkt, deshalb lese ich solche Launches zuerst auf den Mechanismus und erst danach auf das Marketing. Das hat sich hier als wichtig erwiesen, denn die Hugging-Face-Model-Card und das GitHub-Repo erzählen eine genauere Geschichte als der Launch-Post. Ich habe keine RTX-Karte auf meinem Schreibtisch, also stammt alles Folgende aus diesen Dokumenten und den Release Notes, nicht aus einem eigenen Lauf. Für ein Urteil zur Qualität geht die Edge0-145B-Review meines Kollegen separat darauf ein.

Hier ist, was Edge0 selbst über das Modell veröffentlicht hat:

SpezifikationEdge0-145B
Gesamtparameter145B, davon etwa 10.12B aktiv pro Token
BasismodellAbgeleitet von Qwen3.8-Flash-Next
ArchitekturLatentes Sparse-Mixture-of-Experts, 48 Layer, 512 Experten pro Layer
Experten pro Token10 geroutet plus 1 geteilt
Kontext256K Token (int8-KV-Cache, 32K auf der GPU gehalten)
BuildsQ3_K mit 40.81 GiB, NVFP4 mit 47.79 GiB
Spekulatives DecodingEingebauter 1.26B-Draft-Head
Engineedge0-strata, ausgeführt über edge0-infer
Plattformen heuteLinux und Windows, NVIDIA-GPU mit CUDA 13
LizenzEdge0 Community Model License 1.0 plus Qwen Community License

Das Basismodell ist der Teil, den der Launch-Post vergräbt. Die Model Card listet Qwen/Qwen3.8-Flash-Next als Basis, und die Danksagungen nennen sowohl Qwen als auch die offene Strata-Inference-Engine. Das ist bei offenen Gewichten normale Praxis, und es ist nützlich zu wissen: Wenn du bereits Qwen3.8-Flash-Next betreibst, ist Edge0-145B eine neu architektierte, neu trainierte Version eines Modells, das du kennst, nicht eine fremde Familie.

Wie passt ein 145B-Modell auf eine GPU?

Es passt nicht, nicht alles auf einmal. Der Trick ist, dass bei jedem Token nur etwa 10B der 145B Parameter arbeiten, sodass die Engine nur diese nah an der GPU braucht. Edge0 kombiniert vier Ideen, um das umzusetzen:

  1. Geteilte Experten-Matrizen. In einem normalen Mixture-of-Experts-Modell speichert jeder Experte seinen eigenen vollständigen Satz an Gewichten. Edge0 projiziert jedes Token auf eine kleinere „latente" Breite herunter, und die großen Projektionsmatrizen werden von den Experten gemeinsam genutzt. Jeder Experte behält nur einen kleinen Eintrag (etwa 1.6 MB), sodass Tausende davon im GPU-Speicher Platz finden.
  2. Drei Speicherebenen. Häufig genutzte Experten liegen auf der GPU. Der Rest liegt im System-RAM. Eine Lookup-Tabelle mit 51.2B Parametern, die das Modell nur sparsam liest, bleibt auf der SSD und wird bei Bedarf gelesen.
  3. CPU und GPU zusammen. Die GPU berechnet die Experten, die sie bereits hält, während die CPU die anderen parallel übernimmt.
  4. Spekulatives Decoding. Ein kleiner 1.26B-Draft-Head schlägt mehrere Token vor, und das Hauptmodell prüft sie in einem Durchgang, was die Kosten des Gewichte-Lesens über mehr Output verteilt.

Edge0 hat das Modell außerdem von Anfang an in dieser Form trainiert, statt nachträglich ein Cloud-Modell zusammenzupressen. Die Architektur erklärt sowohl die gute Nachricht (es läuft auf einer Gaming-Karte) als auch den Haken (es ist stark auf System-RAM- und SSD-Geschwindigkeit angewiesen), worum es im nächsten Abschnitt geht.

Welche Hardware brauchst du wirklich?

Hier widersprechen sich der Launch-Post und die Release-Dateien. Die Schlagzeile des Launch-Posts lautet „29 GB Spitzenspeicher" auf „einem kompatiblen privaten Laptop, etwa einem MacBook Pro". Die Dateien geben ein vollständigeres Bild.

Handgezeichnetes Diagramm, das die 29-GB-Behauptung des Launch-Posts mit den gemessenen 23 GiB GPU plus 38 GiB RAM und dem Minimum von 16 GiB plus 20 GiB vergleicht
Handgezeichnetes Diagramm, das die 29-GB-Behauptung des Launch-Posts mit den gemessenen 23 GiB GPU plus 38 GiB RAM und dem Minimum von 16 GiB plus 20 GiB vergleicht

Die Release Notes zu v0.2.0 legen das Minimum für Windows x64 fest: eine NVIDIA-GPU mit Compute Capability 7.5 oder neuer (RTX-20er-, 30er-, 40er- oder 50er-Serie), mindestens 16 GiB GPU-Speicher, 20 GiB Arbeitsspeicher und das CUDA Toolkit 13. Auf Windows Arm64 ist das Ziel der RTX Spark N1X.

Die Edge0-v0.2.0-Release-Notes mit den GPU-, Speicher- und CUDA-Anforderungen für Edge0 145B und 120B, entnommen aus GitHub
Die Edge0-v0.2.0-Release-Notes mit den GPU-, Speicher- und CUDA-Anforderungen für Edge0 145B und 120B, entnommen aus GitHub

Bei voller Geschwindigkeit braucht es mehr. Die Model Card sagt, dass der NVFP4-Build mit aktivierter Residency 23.25 GiB VRAM plus 38.27 GiB Host-RAM auf einer RTX 5090 D 24 GB nutzte, und der Q3_K-Build 23.14 GiB plus 31.28 GiB. Die Werte von 16 GiB plus 20 GiB stammen von derselben Karte mit angewendeten Limits, bei niedrigerer Geschwindigkeit.

Die Mac-Behauptung ist die größere Lücke. Die Plattform-Tabelle im GitHub-README markiert macOS für die 145B- und 120B-Modelle als nicht unterstützt, und die Model Card sagt, ihr Apple-M2-Ultra-Benchmark "does not establish macOS release availability". Leser auf Hacker News haben das am ersten Tag bemerkt:

Hacker News

"The blog post mentions Mac repeatedly, saying things like 'day-one support covers macOS'. But the released stuff so far seems to be CUDA only."

Wenn du also auf Apple Silicon bist, ist das kleinere Edge0-35B das Edge0-Modell, das heute läuft. Für alles Größere auf einem Mac ist ein gehostetes Modell wie Qwen 3.8 Max oder DeepSeek V4.1 Flash vorerst der praktische Weg.

Wähle deine Maschine, um zu sehen, wo du landest:

Kann meine Maschine Edge0-145B betreiben?

Ja, mit voller Geschwindigkeit. Das ist das Setup, das Edge0 benchmarkt hat: etwa 70 bis 120 Token pro Sekunde, je nach Build und Aufgabe. Erwarte etwa 23 GiB auf der Karte und 31 bis 38 GiB im RAM.
Ja, langsamer. Du erfüllst das offizielle Minimum von 16 GiB GPU und 20 GiB RAM. Edge0s gedrosselter Test mit diesem Budget decodierte mit etwa 37 bis 45 Token pro Sekunde, wobei ungecachte Experten von der SSD gelesen werden, also zählt eine schnelle NVMe-SSD.
Nicht offiziell. Das Release verlangt 16 GiB GPU-Speicher. Ein Drittanbieter-Build (cortiq) berichtet, ab 12-GB-Karten zu laufen, aber Edge0 stellt ihn nicht her und befürwortet ihn nicht.
Noch nicht. macOS wird heute für die 145B- oder 120B-Modelle nicht unterstützt. Edge0-35B läuft über Metal auf Apple Silicon.
Nein. Edge0-145B braucht CUDA 13 auf einer NVIDIA-GPU. Ein gehostetes Modell ist die realistische Option.

Wie schnell ist Edge0-145B?

Schnell auf der richtigen Karte. Die Geschwindigkeitstabelle der Model Card, alles aus Edge0s eigenen Messungen, in Token pro Sekunde:

MaschineBuild16K-PrefillChat-DecodeAgent-Decode
RTX 5090 D 24 GBQ3_K3,554.999.7121.2
RTX 5090 D 24 GBNVFP43,165.779.698.3
RTX 4090 24 GBQ3_K3,179.469.991.7
RTX Spark N1X 60 GiBNVFP4922.440.146.0
Apple M2 Ultra (Metal)Q3_K800.360.957.0
16 GiB VRAM + 20 GiB RAMQ3_K33536.844.9

„Agent Decode" läuft schneller als Chat, weil der Agenten-Output (Code, Tool-Calls) vorhersagbarer ist, sodass die Vermutungen des Draft-Heads öfter treffen. Zwei praktische Hinweise: Der Q3_K-Build ist auf derselben Karte kleiner und schneller als NVFP4, und die RTX 5090 D ist eine China-Marktvariante der 5090, sodass eine Standard-5090 mindestens genauso schnell sein sollte.

Die Edge0-145B-NVFP4-Model-Card auf Hugging Face, mit dem Lizenz-Tag und Qwen3.8-Flash-Next als Basismodell, entnommen aus Hugging Face
Die Edge0-145B-NVFP4-Model-Card auf Hugging Face, mit dem Lizenz-Tag und Qwen3.8-Flash-Next als Basismodell, entnommen aus Hugging Face

Wie gut ist es, laut Edge0?

In Edge0s internen Auswertungen führt Edge0-145B bei den beiden Agenten- und Coding-Tests vor seiner Qwen-Basis und liegt bei Wissen leicht dahinter:

ModellDeepSWE 1.1Terminal-Bench 2.1GPQA-DiamondIFBenchHLEAA-LCR
Edge0-145B64.686.590.480.635.479.3
Qwen3.8-Flash-Next58.783.391.781.335.979.1
DeepSeek-V4-Flash-073154.482.790.879.233.879.7
Qwen3.8-27B42.273.089.279.530.882.0
Claude-Opus-4.6 (Max)n/a78.291.362.540.078.0

Drei Vorbehalte, bevor du dich auf diese Zahlen stützt. Erstens hat Edge0 diese selbst durchgeführt, und ein vollständiger technischer Bericht mit Reproduktionsschritten ist versprochen, aber noch nicht erschienen. Zweitens ist der Cloud-Vergleich Claude Opus 4.6, zwei Generationen hinter dem aktuellen Claude Opus 5.5 und Claude Fable 5.2. Drittens widersprechen sich Edge0s eigene Seiten beim 120B: Der Launch-Post gibt ihm 53.6 bei DeepSWE und 81.3 bei Terminal-Bench, während das GitHub-README 51.3 und 75.3 nennt.

Terminal-Bench ist trotzdem ein nützliches Signal für Agentenarbeit, wie ein Entwickler anmerkte:

Hacker News

"TerminalBench scores often correspond to real world performance for coding agents that rely heavily on bash."

Wenn du einen breiteren Weg suchst, um Modelle an deinen eigenen Aufgaben zu beurteilen, behandeln meine Notizen zum Benchmarking von KI-Support-Agenten und die Übersicht zu LLM-Tracking-Tools die Methode.

Wie installierst und betreibst du Edge0-145B?

Es gibt zwei Wege, und beide brauchen das NVIDIA-Setup von oben.

Die Desktop-App (nur Windows). Lade edge0-chat-0.2.0-windows-x64.zip von der Releases-Seite herunter, lade einen Modellordner von Hugging Face herunter, öffne Edge0 Chat und wähle den Ordner. Edge0 sagt, die Kernfunktionen der App funktionieren offline ohne Konto oder Nutzungslimit.

Die Kommandozeile (Linux oder Windows). Klone das Repo, baue die edge0-strata-Engine und edge0-infer nach den Anweisungen im Repo, und zeige dann auf einen Modellordner:

Bash
git clone https://github.com/Edge0-AI/Edge0.git edge0
build/cpu/bin/edge0-infer serve --model /path/to/Edge0-145B-Q3_K

Sobald die Gewichte geladen sind, gibt es Listening: http://127.0.0.1:8000 aus und stellt OpenAI- und Anthropic-kompatible Endpunkte unter dem Modellnamen edge0_145b bereit. edge0-infer chat öffnet stattdessen eine interaktive Sitzung.

Das README des Edge0-GitHub-Repositorys, entnommen aus GitHub
Das README des Edge0-GitHub-Repositorys, entnommen aus GitHub

Zwei Einstellungen zählen am meisten, wenn der Speicher knapp ist. --mmap-experts liest ungecachte Experten von der SSD, statt sie im RAM zu halten, und --resident-budget-gib 20 begrenzt den RAM-Experten-Cache auf 20 GiB, was eine statische Experten-Profildatei braucht. Beide liegen in der model.json des Modellordners, sodass die App und die CLI sie übernehmen.

Nutzung aus einem Coding-Agenten

Weil der lokale Server das Anthropic-Messages-Format spricht, können Tools, die eine eigene Base-URL akzeptieren, im Prinzip darauf zeigen. Für Claude Code bedeutet das, ANTHROPIC_BASE_URL auf http://127.0.0.1:8000 zu setzen und edge0_145b als Modell zu wählen, das gleiche Muster wie für jeden eigenen Endpunkt. Meine Leitfäden zu Claude-Code-Umgebungsvariablen und Modellauswahl behandeln die Variablen.

OpenClaw und andere OpenAI-kompatible Tools können den /v1/chat/completions-Endpunkt nutzen. Ich habe keinen der beiden Wege selbst getestet, also behandle das als den dokumentierten, nicht als den geprüften Weg.

Was erlaubt die Lizenz?

Der Launch-Post nennt Edge0-145B „open-source". Die Lizenz ist enger, als dieses Wort nahelegt, ein Punkt, der innerhalb von Minuten auf Hacker News aufkam:

Hacker News

"This is not open source, this is open weights"

Laut der Model Card erlaubt die Edge0 Community Model License 1.0:

  • Private Nutzung, Forschung und Veränderung
  • Nicht-kommerzielles Teilen und interne Nutzung in einem Unternehmen
  • Kommerzielle Nutzung der vom Modell erzeugten Ausgaben

Sie verlangt eine separate schriftliche Lizenz von Edge0 für:

  • Den Verkauf oder die kommerzielle Bündelung des Modells
  • Den Betrieb eines kommerziellen Modell-Dienstes
  • Einen eigenständigen kommerziellen Coding- oder Office-Assistenten, der darauf aufbaut

Qwens Community-Lizenz gilt zusätzlich, da das Modell von Qwen-Material abgeleitet ist. Der Engine-Code selbst ist Apache-2.0. In der Praxis: in Ordnung für die eigene Maschine eines Entwicklers oder ein internes Tool, nicht in Ordnung als Engine eines Produkts, das du verkaufst, ohne vorher mit Edge0 zu sprechen. Meine Übersicht zu Open-Source-KI-Agenten listet Tools mit lockereren Bedingungen, falls das ein Hindernis ist.

Was bedeutet Edge0-145B für Support-Teams?

Der Reiz für den Support ist offensichtlich: Kundendaten, die deine Hardware nie verlassen, und keine Token-Rechnung. Das ist ein echtes Anliegen, von dem ich höre. In einem eesel-Sales-Call wollte ein technischer Prüfer bei einem Hardware-Unternehmen die Zusicherung, dass die KI nur aus freigegebenem Wissen antwortet, nicht aus dem Web oder allgemeinen Trainingsdaten, bevor es weiterging.

Aber ein lokales Modell beantwortet eine andere Frage. Wo das Modell läuft, entscheidet, wo Daten verarbeitet werden. Was es einem Kunden sagt, hängt von der Schicht darum ab: welche Hilfeartikel und früheren Tickets es lesen kann, was es tut, wenn es keine Antwort findet, wann es an einen Menschen übergibt, und ob jemand es vorher an echten Unterhaltungen getestet hat. Ein 145B-Modell auf einer RTX-Karte kommt mit nichts davon, und die Lizenz schließt aus, es ohne Vereinbarung zu einem kommerziellen Support-Assistenten zu machen.

Diese Schicht ist die Aufgabe von eesels KI-Helpdesk-Teammitglied. Es tritt der Queue bei, die du bereits in Zendesk oder Freshdesk betreibst, antwortet aus deinem eigenen Wissen und wird an früheren Tickets simuliert, bevor es live geht.

SE Ranking betreibt einen eesel-Agenten pro Produkt auf Zendesk über drei Produkte hinweg, bearbeitet 4,650 Unterhaltungen im Monat aus etwa 16,800 Seiten Wissen, wobei Rückerstattungen und Anfragen nach einem Menschen an das Team übergeben werden. Innr, ein niederländisches Smart-Lighting-Unternehmen, lässt eesel Freshdesk-Antworten in der eigenen Sprache des Kunden aus 1,500 Hilfeartikeln und früheren Tickets entwerfen.

Wenn du Modelle für deine eigenen Support-Inhalte abwägst, gehen meine Leitfäden zum Verbinden von Claude mit deinem Helpdesk, zu MCP für Kundensupport und zu KI-Agenten-Übergaben weiter, als eine Model Card kann.

Solltest du Edge0-145B ausprobieren?

Ja, wenn du eine RTX-Karte mit 16 GiB oder mehr, 32 GiB oder mehr RAM und eine schnelle SSD hast, und ein starkes lokales Coding-Modell ohne Token-Rechnung willst. Nutze den Q3_K-Build, führe ihn in Claude Code oder deinem üblichen Agenten an einer Aufgabe aus, die du schon gelöst hast, und vergleiche mit deinem Cloud-Modell.

Warte, wenn du auf einem Mac, auf AMD bist, oder planst, es in einem kommerziellen Produkt auszuliefern. Die ersten beiden brauchen Plattform-Support, der nicht erschienen ist, und das dritte braucht ein Lizenzgespräch. In der Zwischenzeit ist Qwen3.8-Flash-Next die Basis, die man beobachten sollte, und meine Beiträge zu Qwen im Überblick und Kimi K3 behandeln die nächstgelegenen offenen Alternativen.

eesel für KI in deiner Support-Queue ausprobieren

Wenn der Grund, warum du dir Edge0-145B angesehen hast, KI war, die deine Kunden beantwortet, bringt dich eesel dorthin, ohne eine GPU zu kaufen. Es ist ein KI-Helpdesk-Teammitglied, das sich in Zendesk, Freshdesk und andere Helpdesks einbindet, nur aus deinem Helpcenter und früheren Tickets antwortet und an historischen Unterhaltungen getestet wird, bevor es eine Live-Unterhaltung berührt, so wie SE Ranking es über drei Produkte hinweg betreibt. Sieh dir die Preise an oder probiere eesel kostenlos aus.

eesels KI-Agent bei der Arbeit an Zendesk-Tickets, entwirft und sendet Antworten aus dem eigenen Hilfe-Content des Teams

Häufig gestellte Fragen

Was ist Edge0-145B?
Edge0-145B ist ein offenes Modell mit 145 Milliarden Parametern von Edge0, angekündigt am 12. November 2026. Es ist ein spärliches Mixture-of-Experts-Modell, abgeleitet von Qwen3.8-Flash-Next, mit etwa 10 Milliarden aktiven Parametern pro Token, gebaut, um auf einer einzelnen NVIDIA-GPU mit Unterstützung von System-RAM und einer SSD zu laufen.
Welche Hardware braucht Edge0-145B?
Die Release Notes zu v0.2.0 verlangen eine NVIDIA-GPU mit Compute Capability 7.5 oder neuer (RTX-20er-, 30er-, 40er- oder 50er-Serie) mit mindestens 16 GiB GPU-Speicher, 20 GiB Arbeitsspeicher und dem CUDA Toolkit 13. Linux und Windows werden für Edge0-145B heute unterstützt, macOS nicht, trotz des Launch-Posts. Mein Leitfaden zu eigenen KI-Modellen behandelt, wann Self-Hosting sich lohnt.
Kann ich Edge0-145B auf einem Mac betreiben?
Mit dem offiziellen Release noch nicht. Das Edge0-GitHub-README listet macOS für die 145B- und 120B-Modelle als nicht unterstützt, und die Model Card sagt, dass ihre Geschwindigkeitswerte auf dem Apple M2 Ultra keinen macOS-Release belegen. Das ältere Edge0-35B läuft über Metal auf Apple Silicon. Bis sich das ändert, ist ein gehostetes Modell wie Qwen 3.8 Max der einfachere Weg auf einem Mac.
Ist Edge0-145B Open Source?
Es sind offene Gewichte, nicht Open Source im üblichen Lizenzsinn. Die Edge0 Community Model License erlaubt private Nutzung, Forschung, Veränderung und interne Nutzung, aber der Verkauf des Modells, der Betrieb eines kommerziellen Modell-Dienstes oder ein darauf aufgebauter kommerzieller Coding- oder Office-Assistent brauchen eine separate schriftliche Lizenz. Qwens eigene Community-Lizenz gilt zusätzlich. Meine Übersicht zu Open-Source-KI-Agenten behandelt Tools mit lockereren Bedingungen.
Was kostet Edge0-145B?
Die Gewichte, die Inference-Engine und die Edge0-Chat-App sind kostenlos herunterladbar. Es gibt keine Token-Gebühren für die lokale Nutzung, aber du zahlst für Hardware und Strom, und kommerzielle Dienste brauchen eine kostenpflichtige Lizenz von Edge0. Zum Vergleich siehe meine Aufschlüsselung zu DeepSeek V4 Flash-Preisen, einer günstigen gehosteten Option.
Wie schneidet Edge0-145B im Vergleich zu Qwen3.8-Flash-Next ab?
In Edge0s eigenen Auswertungen erreicht Edge0-145B 64.6 bei DeepSWE 1.1 und 86.5 bei Terminal-Bench 2.1, gegenüber 58.7 und 83.3 für Qwen3.8-Flash-Next, während Qwen bei GPQA-Diamond, IFBench und HLE leicht vorne bleibt. Der größere Unterschied ist der Speicher: Edge0 läuft mit einem viel kleineren Footprint. Meine Qwen3.8-Flash-Next-Review gibt das unabhängige Bild zum Basismodell.
Kann ich Edge0-145B mit Claude Code nutzen?
Die Model Card sagt, dass edge0-infer serve OpenAI- und Anthropic-kompatible Endpunkte auf 127.0.0.1:8000 mit dem Modellnamen edge0_145b bereitstellt, sodass Tools, die eine eigene Base-URL akzeptieren, darauf zeigen können. Setze ANTHROPIC_BASE_URL auf den lokalen Server und wähle das Modell, wie in meinem Leitfaden zu Claude-Code-Umgebungsvariablen. Prüfe die Lizenz, bevor du es in einem kommerziellen Produkt einsetzt.
Sollte ich Edge0-145B für den Kundensupport nutzen?
Wahrscheinlich nicht als die ganze Antwort. Ein lokales Modell hält die Daten auf deiner Maschine, aber ein Support-Agent braucht auch dein Helpcenter, frühere Tickets, Übergaberegeln und Tests an echten Unterhaltungen. Diese Schicht übernimmt ein KI-Agent, der für den Helpdesk gebaut ist, und mein Leitfaden zum Verhindern von Halluzinationen erklärt, warum.

Share this article