Eine handkuratierte Sammlung von Ressourcen für Prompt Engineering und Context Engineering - mit Papieren, Tools, Modellen, APIs, Benchmarks, Kursen und Communities für die Arbeit mit großen Sprachmodellen.
https://promptslab.github.io
Master Prompt Engineering. Join the Course at https://promptslab.github.io
OPRO: Große Sprachmodelle als Optimierer [2023, NeurIPS 2024] - Verwendet LLMs als Optimierer über Meta-Prompts; optimierte Eingabeaufforderungen übertreffen die von Menschen entworfenen um bis zu 50% bei BBH.
Meta Promping für KI-Systeme [2023, ICLR 2024 Workshop] - Beispiel-agnostische Strukturvorlagen, die mit Hilfe der Kategorietheorie formalisiert wurden.
Prompt Engineering a Prompt Engineer (PE2) [2024, ACL Findings] - Verwendet LLMs, um sich selbst zu metaaufzufordern, indem sie Eingabeaufforderungen mit Schritt-für-Schritt-Vorlagen verfeinern, um die Argumentation signifikant zu verbessern.
Viele Schuss im Kontext Lernen [2024, NeurIPS 2024 Spotlight] — Erhebliche Gewinne bei der Skalierung von ICL auf Hunderte/Tausende von Beispielen; führt verstärkte und unbeaufsichtigte ICL ein.
Self-Hostable Plattform zur Verwaltung von AI IDE-Konfigdateien (.cursorrules, CLAUDE.md, copilot-instructions.md). Web-Benutzeroberfläche, REST-API, CLI und föderierter Blueprint-Marktplatz für über 30 KI-Codierungsassistenten.
Visual AI prompt builder, der Eingabeaufforderungen in 12 semantische Blöcke (Rolle, Kontext, Einschränkungen, Beispiele usw.) zerlegt und in optimiertes XML kompiliert. Browser-Erweiterung für ChatGPT/Claude/Gemini und MCP-Server für Claude Code-Agenten. Frei, Open Source.
MCP ist ein offener Standard, der von Anthropic (November 2024, gespendet an Linux Foundation Dezember 2025) für die Verbindung von KI-Assistenten mit externen Datenquellen und Tools über eine standardisierte Schnittstelle entwickelt wurde. Es hat 97M+ monatliche SDK Downloads und wurde von GitHub, Google und den meisten großen KI-Anbietern übernommen.
Full-Stack-Apps aus natürlicher Sprache mit eingebauter Supabase, Auth und One-Click-Bereitstellung; schnellstes europäisches Startup auf 20 Millionen US-Dollar.
CLI-Werkzeugnpx pawmode), die Claude Code in einen persönlichen Assistenten verwandelt, indem Systemaufforderungen (CLAUDE.md + SOUL.md) mit Persönlichkeit, Gedächtnis und 38 Skill-Routern generiert werden.
Hauptmerkmale: Extended Thinking mit Tool-Nutzung, Computer-Nutzung, MCP (hier entstanden), promptes Caching, Claude Code CLI, verfügbar bei AWS Bedrock und Google Vertex AI. API Docs
Das intelligenteste Google-Modell, das auf 2B+ bereitgestellt wird Suchbenutzer
Gemini 2.5 Pro
1M
$1.25 / $10
Am besten für Codierung /agentische Aufgaben, Denkmodell
Gemini 2.5 Flash / Flash-Lite
1M
$0.30/$1.50 · $0.10/$0.40
Preis-Leistungsführer
Hauptmerkmale: Denken (alle 2.5+ Modelle), Google Search Grounding, Codeausführung, Live API (Echtzeit-Audio / Video), Kontext-Caching. Google AI Studio
Entwickelt, aber noch experimentell ab 2025. Forschung zeigt Fragilität Bedenken.
Experimentell
Wichtiger Vorbehalt: Kein Detektor behauptet 100% Genauigkeit. Gemischter menschlicher / KI-Text bleibt am schwersten zu erkennen (50-70% Genauigkeit). Gegensätzliche Robustheit variiert stark. Der Markt für KI-Erkennung wird voraussichtlich von ~ 2,3 Mrd. USD (2025) auf 15 Mrd. USD bis 2035 wachsen.
Kayba-ai/rekursiv verbessern Rekursives Selbstverbesserungs-Framework, bei dem Agenten Ausführungsspuren erfassen, Fehlermuster analysieren und gezielte Korrekturen mit Keep-or-Revert-Bewertung anwenden.
vukros/auto-Forschung - Docs-only-Kontrollebene für ein offenes autonomes KI-Forschungslabor - dateibasiertes Betriebsmodell für die Ausführung menschlicher Anweisungen und Agenten.
uditgoenka/autoresearch Claude Code Skill, der die Autoresearch in eine wiederverwendbare Schleife für Software, Dokumente, Sicherheit, Versand, Debugging und andere messbare Ziele verallgemeinert.
leo-lilinxiao/codex-autoresearch Codex-native Autoresearch-Fähigkeiten mit Unterstützung von Lebensläufen, Lektionen über Läufe hinweg, optionale parallele Experimente und modusspezifische Workflows.
junjunjunbong/research loop Autoresearch-style Agent Skill für Codex und Claude Code mit einem deterministischen Läufer, Plan-Hash-Genehmigung, isolierten Git-Worktrees, autoritativer metrischer Auswertung und einem reinen Append-Experiment-Ledger.
Xieyulai/Steer - Reguliertes Experiment-Framework, in dem Codierungsagenten Trainingscode bearbeiten und Runden laufen, während die Aufgabe, der Scorer und die Beweise festgelegt bleiben.
SeeleAI/Thoth - Dashboard-erste Claude Code- und Codex-Laufzeit für Autoresearch mit dauerhaften Läufen, gesperrten Arbeitselementen, sichtbaren Ledgern und überprüfbaren Urteilen.
supratikpm/gemini-autoresearch Gemini CLI Fertigkeit, die Autoresearch auf jedes messbare Ziel verallgemeinert. Gemini-native: verwendet Google Search Grounding als Live-Verifizierungsquelle innerhalb der Schleife, den echten Headless-Night-Modus über —yolo —prompt und den 1M-Token-Kontext. Funktioniert auch in Antigravitations-IDE über .agents/skills/.
davebcn87/pi-autoresearch — pi Erweiterung plus Dashboard für persistente Experiment-Loops, Live-Metriken, Konfidenz-Tracking und resumierbare Autorecherche-Sitzungen.
drivelineresearch/autoresearch-claude-code — Claude Code Plugin/Skill Port von pi-autoresearch, mit einem sauberen Experiment-Loop-Workflow und einer konkreten Biomechanik Fallstudie.
greyhaven-ai/autocontext - Closed-Loop-Kontrollebene für wiederholte Agentenverbesserung mit Auswertung, anhaltendem Wissen, gestufter Validierung und optionaler Destillation zu günstigeren lokalen Laufzeiten.
Necmttn/ax Lokale Retro-Schleife für KI-Codierungsagenten: Erfasst Sitzungsspuren, verwandelt wiederholte Reibung in Vorschläge und verfolgt akzeptierte Fixes als Experimente.
jmilinovich/goal-md Verallgemeinert autoresearch in eine GOAL.md Muster für Repos, bei denen der Agent zuerst eine messbare Fitnessfunktion aufbauen muss, bevor er optimieren kann.
james-s-tayler/fauler Entwickler - Claude Code Skill, der Autoresearch über eine priorisierte Abfolge von Optimierungszielen (Abdeckung, Testgeschwindigkeit, Build-Geschwindigkeit, Komplexität, LOC, Leistung) mit GOAL.md als Engine orchestriert. Unterstützt Standalone und Ralph Mode Multi-Instance Execution.
mutable-state-inc/autoresearch-at-home - Collaborative Fork der Upstream-Autoresearch, die Experimente mit Anspruch, gemeinsame Best-Config-Synchronisierung, Hypothesenaustausch und Schwarmkoordination über viele Single-GPU-Agenten hinweg hinzufügt.
zkarimi22/autoresearch-anything Verallgemeinert Autoresearch jede messbare Metrik — Systemaufforderungen, API-Performance, Zielseiten, Testsuiten, Config-Tuning, SQL-Abfragen. “Wenn Sie es messen können, können Sie es optimieren.”
Entrpi/autoresearch-überall - Plattformübergreifende Erweiterung, die die Hardware-Konfiguration automatisch erkennt und die Schleife startet. Die “Klebstoff und Verallgemeinerung” Hälfte der Autoforschung.
ShengranHu/ADAS — Automatisiertes Design von Agentensystemen ICLR 2025. Meta-Agenten, die neuartige Agentenarchitekturen erfinden, indem sie sie in Code programmieren.
MaximeRobeyns / selbst_Verbesserung_Kodierung_Agent — SICASelbstverbessernde Codierung Agent, der seine eigene Codebasis bearbeitet. ICLR 2025 Workshop Paper demonstriert Selbstverbesserung auf Gerüstebene bei Codierungsbenchmarks.
Metauto-ai/HGM — Huxley-Gödel-Maschine für Codierungsagenten — wendet Selbstverbesserung auf SWE-Bench-Leistung durch Meta-Level-Optimierung.
gepa-ai/gepa — GEPA (Genetic-Pareto) — ICLR 2026 Oral. Reflektierende prompte Entwicklung, die RL (GRPO) bei Benchmarks übertrifft. Optimiert alle textuellen Parameter gegen jede Metrik mit Hilfe der natürlichen Sprachreflexion.
sentient-agi/EvoSkill Automatisierte Fertigkeitserkennung für Codieragenten: Entwickelt wiederverwendbare Fähigkeiten und Eingabeaufforderungen aus fehlgeschlagenen Trajektorien gegen Benchmarks mit Unterstützung für Claude Code, Codex CLI, OpenCode, OpenHands und Goose.
MrTsepa/autoevolve GEPA-inspirierte Autorecherche für Selbstspiel: mutierte Codestrategien, bewerten Kopf-an-Kopf, bewerten mit Elo / Bradley-Terry, Verzweigung von der Pareto-Front. Agent liest Match-Spuren zu Zielmutationen. Funktioniert als Claude Code Skill.
HKUDS/ClawTeam - Agent swarm intelligence for autoresearch - erzeugt parallele GPU-Forschungsrichtungen, verteilt die Arbeit auf Agenten und aggregiert Ergebnisse.
targeting-lab/AutoResearchClaw End-to-End-Forschungspipeline, die ein Thema in Literaturrecherche, Experimente, Analysen, Peer-Review und Papierentwürfe verwandelt; breiter als Autorecherche, aber eindeutig in der gleichen Linie.
OpenLAIR/Dr-Klaue Open-Source-Forschungsarbeitsplatz mit sequentiellen Ideen-zu-Papier-Pipelines und integrierten Autoresearch-Toolpacks.
OpenRaiser / NanoResearch End-to-End autonome Forschungsmaschine, die Experimente plant, Code generiert, Jobs lokal oder auf SLURM ausführt, reale Ergebnisse analysiert und Papiere schreibt, die auf diesen Ergebnissen basieren.
kaust-ark/ARK — ARK (Automatic Research Kit): Idee + Veranstaltungsort → Papierpipeline orchestriert 6 Agenten - Vorschlagsanalyse, Literatursuche, Slurm-Experimente, LaTeX-Entwurf, iterative Peer Review. Angesteuert über CLI, Web-Dashboard oder Telegramm.
wanshuiyin/Auto-claude-code-research-in-sleep Markdown-erste Forschungsworkflows für Claude Code und andere Agenten, die sich auf autonome Literaturrecherche, Experimente, Papier-Iteration und modellübergreifende Kritik konzentrieren.
skyllwt/AutoSci Wiki-zentrierte Full-Lifecycle-Forschungsplattform, die auf Claude Code basiert und Karpathys LLM-Wiki-Vision realisiert. 20+ Fähigkeiten decken die volle Schleife ab: ingest → ideate → novelty check → experiment design / run / eval → paper writing. Forschungsstaat lebt in einem strukturierten Wissenswiki mit einem interaktiven Graphen.
Sibyl-Research-Team/AutoResearch-SibylSystem Vollständig autonomer KI-Wissenschaftler, der auf Claude Code aufbaut, mit expliziter AutoResearch-Linie, Multi-Agenten-Forschungsiteration, GPU-Experimentausführung und einer sich selbst entwickelnden äußeren Schleife.
wjc2830/Easy-AutoResearch-for-DeepLearning - Claude Code-Fähigkeit, die eine Autoresearch-Stil, Mensch-gated Deep-Learning-Schleife über sechs Rollen, versionierte Experimente und evidenzgeprüfte Abschluss läuft.
eimenhmdt/autoresearcher Frühes Open-Source-Paket zur Automatisierung wissenschaftlicher Arbeitsabläufe, das sich derzeit auf die Generierung von Literaturreviews mit dem Ziel einer breiteren autonomen Forschung konzentriert.
Hyperspaceai/Agi Verteiltes, Peer-to-Peer-Forschungsnetzwerk, in dem autonome Agenten Experimente durchführen, Klatschbefunde durchführen, CRDT-Bestenlisten verwalten und Ergebnisse für GitHub in mehreren Forschungsdomänen archivieren.
Human-Agent-Gesellschaft/CORAL — KORREAutonome Multiagenten-Evolution für eine offene Entdeckung ()arXiv:2604.01658. Langlaufende Agenten mit gemeinsamem persistentem Gedächtnis, asynchroner Ausführung und Herzschlag-basierten Interventionen; SOTA auf 10 mathematischen / algorithmischen / Systemaufgaben.
SakanaAI/AI-Wissenschaftler — Der AI ScientistErstes umfassendes System zur vollautomatischen wissenschaftlichen Entdeckung. Von der Ideengenerierung bis zum Papierschreiben mit minimaler menschlicher Aufsicht.
SakanaAI/AI-Wissenschaftler-v2 - Automatisierte wissenschaftliche Entdeckung auf Workshop-Ebene durch agentische Baumsuche. Entfernt die Abhängigkeit von Vorlagen von v1, verallgemeinert sich über Forschungsdomänen hinweg.
AweAI-Team/AiScientist — AiScientistLanghorizon-ML-Forschungslabor mit hierarchischer Orchestrierung und File-as-Bus-Koordination - Workspace-Dateien fungieren als dauerhaftes Aufzeichnungssystem. Steuert autonome Papierreproduktion (PaperBench) und MLE-Bench-Iterationsschleifen im Wettbewerbsstil unter festen Rechen- / Zeitbudgets.arXiv 2604.13018)
openags/Auto-Research — OpenAGsOrchestriert ein Team von KI-Agenten über den gesamten Forschungslebenszyklus - Lit Review, Hypothesengenerierung, Experimente, Manuskriptschreiben und Peer Review.
SamuelSchmidgall/AgentLabor - Ende-zu-Ende autonomer Forschungsworkflow: Idee → Literaturrecherche → Experimente → Bericht. Unterstützt sowohl autonome als auch Co-Pilot-Modi.
AgentRxiv - Kollaboratives autonomes Forschungs-Framework, bei dem Agentenlabors einen Preprint-Server gemeinsam nutzen, um auf der Arbeit des anderen iterativ aufzubauen.
JinheonBaek/ResearchAgent Iterative Forschung Ideengenerierung über wissenschaftliche Literatur mit LLMs. Multi-Agent Review und Feedback Loops.
MASWorks/ML-Agent - Verstärkung von LLM-Agenten für autonomes ML-Engineering. Lernt aus Versuch und Irrtum, um die Modellleistung zu verbessern.
PouriaRouzrokh/LatteReview Low-Code Python Paket für Automatisierte systematische Literaturrecherche über AI-powered Agenten.
LitLLM/LitLLM - KI-gestützter Literaturrechercheassistent mit RAG für genaue, gut strukturierte verwandte Arbeitsabschnitte im akademischen Schreiben.
Agentenlaboratorium — Drei-Phasen-Forschungspipeline: Literature Review → Experimentation → Report Writing, mit spezialisierten Agenten für jede Phase.
happyhappy-jun/writing-driven-autoresearch - Autoresearch-Stil-Geschirr, das ein einsendebares Papier von der ersten Minute an hält und jedes Experiment aus den Ansprüchen in diesem Entwurf antreibt, indem es Modifizierung → Maßnahme → Verifizierung → Überarbeitung durchführt. 1. Platz am Ralphthon@ICML 2026 autonomer Forschungs-Hackathon.
AutoResearch-Fabrik/Agon - End-to-End-Forschungsorchestrator, der auf einem Eckpfeilerprinzip aufgebaut ist, Prompt Economy (wiederverwendbare Schleifen, keine einmaligen Eingabeaufforderungen), plus fünf unterstützende Regeln; führt Wissenschaftler / Coder / Auditor-Schleifen in 10+ Disziplinen durch, die gleiche Wiederverwendbare Schleifenlinie wie Autoresearch, aber skaliert auf vollständige Forschungsprogramme.
gianfrancopiana/openclaw-autoresearch - OpenClaw-Port von pi-autoresearch; autonome Experimentierschleife für jedes Optimierungsziel mit statistischer Konfidenzbewertung.
miolini/autoresearch-macos - Weit verbreiteter macOS-Fork, der Upstream-Autoresearch für Apple Silicon / MPS anpasst und gleichzeitig die ursprüngliche Schleifenform beibehält.
trevin-creator/autoresearch-mlx - MLX-nativer Apple Silicon Port, der das vorgelagerte Fixed-Budget hält val_bpb Schleife, während die PyTorch/CUDA-Abhängigkeit vollständig entfernt wird.
jsegov/autoresearch-win-rtx Windows-native RTX-Fork konzentriert sich auf NVIDIA-GPUs für Verbraucher mit expliziten VRAM-Etagen und einem praktischen Desktop-Setup-Pfad.
iii-hq/n-autoresearch Multi-GPU-Autoresearch-Infrastruktur mit strukturiertem Experiment-Tracking, adaptiver Suchstrategie, Crash-Recovery und abfragbarer Orchestrierung rund um den Klassiker train.py Schleife.
lucasgelfond/autoresearch-webgpu Browser / WebGPU-Port, mit dem Agenten Trainingscode generieren, Experimente im Browser ausführen und Ergebnisse ohne Python-Setup in die Schleife zurückführen können.
tonitangpotato/autoresearch engram Gabel mit Persistentes kognitives Gedächtnis — frequenzgewichtetes Abrufen von sitzungsübergreifendem Wissen für eine verbesserte Experimentkontinuität.
Colab/Kaggle T4-Port - Passt Autoresearch für kostenlose T4-GPUs (Google Colab / Kaggle) mit null Kosten und null lokaler Einrichtung an. Wichtige Änderungen: Flash Attention 3 → PyTorch SDPA, entfernt H100-only-Kernelabhängigkeit.
ArmanJR-Labor/Autoautorensuche Jetson AGX Orin Port mit einem Direktor - eine Go-Binärdatei, die als “kreativer Direktor” fungiert und Neuheiten (Arxiv-Papiere + DeepSeek Reasoner) in die Schleife einführt, um lokalen Minima zu entkommen. Beinhaltet Multi-Experiment-Vergleich (Baseline vs Director-guided) mit detaillierter Stall-Analyse.
mattprusak/autoresearch geneealogy - Wendet das Autorecherche-Muster auf die Genealogie an und verwendet strukturierte Eingabeaufforderungen, Archivleitfäden, Quellenüberprüfungen und Gewölbe-Workflows, um die Familiengeschichtenforschung iterativ zu erweitern und zu verifizieren.
ArchishmanSengupta/Autovoiceevals Verwendet gegnerische Anrufer sowie sofortige Änderungen, um Voice AI-Agenten in Vapi, Smallest AI und ElevenLabs zu härten.
chrisworsey55/atlas-gic - Wendet die Autoresearch-Kee-or-Revert-Schleife auf Handelsagenten an, optimiert Eingabeaufforderungen und Portfolio-Orchestrierung gegen rollende Sharpe-Ratio anstelle von Modellverlust.
RightNow-AI/Autokern - Wendet die Autoresearch-Schleife auf die GPU-Kerneloptimierung an: Profilengpässe, Bearbeiten eines Kernels, Benchmark, Keep or Revert, Repeat.
ElliotXie/Autozym Multi-Agent-Framework, das die Autoresearch Keep-or-Revert-Schleife auf die CPU-seitige wissenschaftliche Software anwendet: Profilieren Sie eine Zielfunktion, generieren Sie einen Optimierungskandidaten, Benchmark für die Geschwindigkeit bei Beibehaltung der ursprünglichen Ausgaben, Keep oder Revert, wiederholen Sie.
Agent-Analytics/autoresearch-growth - Wendet Autoresearch auf Landing-Page-Positionierung und A / B-Testkandidaten an, wobei Analyse-Snapshots und gemessene Experimentergebnisse verwendet werden, um nachfolgende Runden zu erstellen.
Rkcr7/autoresearch-sudoku - Verbesserter Autoresearch-Workflow, bei dem ein KI-Agent einen Rust-Sudoku-Solver iterativ umschreibt und benchmarket, was letztendlich führende, von Menschen gebaute Solver bei harten Benchmark-Sets schlägt.
jeongph/autospec Lesen Sie natürlichsprachige Geschäftsregeln und erstellen Sie autonom einen Spring Boot-Service mit Tests über die Keep-or-Revert-Schleife. Bewertet mit Gradle Build + JUnit XML. 119-Zeilen-Skelett auf 950 Zeilen in 5 Zyklen.
Vlasenkoalexey/tpu_Leistung_Autorecherche_Wiki - Wendet die Autoresearch-Kee-or-Revert-Schleife auf die TPU-Modellleistung (MFU / Tokens-per-sec) auf v6e-Hardware an: Profile laufen jeweils über einen XProf MCP-Server, nehmen eine Modellcodeänderung pro Experiment vor und halten oder kehren gegen gemessene MFU zurück. Kombiniert die Schleife mit einem LLM-Wiki im Karpathy-Stil für Domänenwissen und Per-Experiment-Optimierungsspuren; enthält Llama3-8B- und Qwen3-8B-Fallstudien über JAX- und Fackelspuren.
WecoAI/awesome authoresearch - Kuratierte Liste von AutoResearch-Anwendungsfällen mit überprüfbaren Traces und Fortschrittsdiagrammen, geordnet nach Domänen (LLM-Training, GPU-Kernel, Voice Agents, Handel usw.).
Wir freuen uns über Beiträge zu dieser Liste! Bevor Sie einen Beitrag leisten, nehmen Sie sich bitte einen Moment Zeit, um unsere BeitragsleitlinienDiese Leitlinien werden dazu beitragen, dass Ihre Beiträge mit unseren Zielen übereinstimmen und unseren Qualitäts- und Relevanzstandards entsprechen.
Was wir suchen:
Neue hochwertige Papiere, Tools oder Ressourcen mit einer kurzen Beschreibung, warum sie wichtig sind
Updates zu bestehenden Einträgen (gebrochene Links, veraltete Informationen)
Korrekturen zu Sternzahlen, Preisen oder Modelldetails
Übersetzungen und Verbesserungen der Zugänglichkeit
Qualitätsstandards:
Alle Tools sollten aktiv gewartet werden (aktualisiert innerhalb der letzten 6 Monate)
Papiere sollten von Peer-Review-Locations stammen oder signifikante Community-Adoption haben
Datensätze sollten öffentlich zugänglich sein
Bitte geben Sie eine einzeilige Beschreibung an, in der erläutert wird, warum die Ressource wertvoll ist
Vielen Dank für Ihr Interesse, zu diesem Projekt beizutragen!
HagiCode ist ein agentischer Coding-Arbeitsplatz. Vielseitige, komfortable Interaktionen in der Benutzeroberfläche machen Planung, Agent-Ausführung und Projektarbeit zugänglich und leicht nachvollziehbar – für ein ansprechendes Entwicklungserlebnis.
Entdecken Sie ein ansprechendes Entwicklungserlebnis mit vielseitigen, komfortablen Interaktionen in der Benutzeroberfläche.
IntelligentOpenSpec-Workflows machen aus einer Absicht einen umsetzbaren Weg vom Vorschlag über Design und Aufgaben bis zur Auslieferung.
EffizientMulti-Agent-Ausführung führt Recherche, Umsetzung und Prüfung parallel aus, über mehrere Repositories und die Agent CLIs, die Sie bereits nutzen.
InteressantVielseitige, komfortable Interaktionen in der Benutzeroberfläche machen Planung, Agent-Ausführung und Projektarbeit zugänglich und leicht nachvollziehbar.
HagiCode macht Planung, Agent-Ausführung und Projektarbeit durch vielseitige, komfortable Interaktionen in der Benutzeroberfläche zugänglich: https://www.hagicode.com/
Aus Ideen wird ausgelieferte Software.
HagiCode ist ein agentischer Coding-Arbeitsplatz: OpenSpec-Workflows planen die Änderung, Multi-Agent-Ausführung setzt sie um, und Hero Scenario macht den langen Weg sichtbar, bis aus der Idee ausgelieferte Software wird.
Sitzungswiedergabe (wenn ein Anbieter Sitzungen aufzeichnet) gehört zur Analyse. Kein Anbieter zeichnet den Bildschirm auf. (Google Analytics, 51LA, PostHog)
