Wir lieben es, die Erfolge der Google AI-Communitys im Laufe des Monats zu teilen. Wir schätzen die harte Arbeit und das Engagement unserer Community-Mitglieder. Hier sind ohne Umschweife die wichtigsten Highlights!

Produkt-Highlights

Gemini 3.1 Pro

https://medium.com/media/f2c4d7b237ceba04efb1fef29c870812/href

[👀34.5k+] Gemini 3.1 Pro: Das Modell, mit dem niemand gerechnet hat von AI GDE Muhammad Farooq (USA) erläutert, warum diese Veröffentlichung mit den Benchmark-Ergebnissen einen großen Fortschritt für die KI darstellt. Darüber hinaus diskutiert er [👀45.3k+] Der 100-fache KI-Durchbruch, über den niemand sprichtEinführung Aletheia (der neue mathematische Forschungsagent von Google DeepMind) und erklären, warum „Denkzeit“ das neue Skalierungsgesetz ist und welche Auswirkungen es auf die Zukunft der KI-Entwicklung hat.

Tutorial: Erste Schritte mit Google Gemini 3.1 Pro von AI GDE Tarun Jain (Indien) untersucht, was im neuen Modell aktualisiert wurde, einschließlich Denkmodell, Verwendung benutzerdefinierter Tools, Multimodalität usw.

Zwillinge

Gemini 3 Agentic Vision: Über die einfache Bildaufforderung hinausgehen (Colab-Notizbuch) von AI GDE Connie Leung (Hongkong) beschreibt im Detail, wie man mithilfe von Python und Gemini SDK einen „Digital Docent“ erstellt, um die visuelle Zugänglichkeit für Benutzer mit Sehbehinderung zu verbessern. Das Modell verwendet eine Think-Act-Observe-Schleife, die autonom Python-Code schreibt und ausführt, um bestimmte Bereiche basierend auf Benutzereingaben zuzuschneiden und zu verbessern.

[👀18.9k+] Geminis nativer Web Scraper: 100 % „kostenlos“ und multimodal von AI GDE Muhammad Farooq (US) erforscht die Zwillinge URL-Kontext Tool zum Scrapen von Daten aus dem Web, einschließlich Bildern und PDFs. Dieses Video zeigt anhand praktischer Beispiele und Funktionserweiterungen, wie die Gemini-API eingerichtet und verwendet wird.

Gemini-CLI

[👏161+] Führen Sie den autonomen Gemini CLI-Agenten in einer Docker-Sandbox aus: Der ultimative Leitfaden für sichere Coding-Agents von AI GDE Ifeanyi Idiaye (Nigeria) stellt die neue Docker-Sandbox-Funktion vor und beschreibt die Schritte zum sicheren Ausführen des autonomen Gemini CLI-Coding-Agenten in einer isolierten Mikro-VM. Es wird hervorgehoben, wie diese Umgebung Produktivität im „YOLO-Modus“ ermöglicht, indem sie es dem Agenten ermöglicht, Code auszuführen und Dateien sicher zu verwalten, ohne das Hostsystem zu gefährden.

[👏108+] Lokale MCP-Entwicklung mit .NET, C# und Gemini CLI von AI GDE William McLean (US) erläutert detailliert, wie man einen C#-MCP-Server mit Gemini CLI erstellt. Es bietet Schritt-für-Schritt-Anleitungen zum Einrichten einer .Net-Umgebung und validiert die Lösung mit Gemini CLI als MCP-Client.

Agentische KI

WebMCP

[👏106+] Über das Screen Scraping hinaus: Erstellen einer agentennativen Web-App mit WebMCP (Repository) von AI GDE Hugo Zanini (Brasilien) demonstriert die Implementierung von Google WebMCP innerhalb einer React-Reisebuchungsanwendung, um fragiles DOM-Scraping durch strukturierte, API-gesteuerte Tools zu ersetzen. Es erreicht einen 100 % deterministischen Fluss und reduziert gleichzeitig den Token-Verbrauch und die Ausführungszeit im Vergleich zu herkömmlichen Methoden erheblich.

WebMCP: Chrome hat gerade jede Website in eine API für KI-Agenten verwandelt von AI GDE Rohit Ghumare (UK) stellt WebMCP vor, eine neue API, die es Websites ermöglicht, strukturierte Tools im Browser zu registrieren, sodass KI-Agenten ohne Screenshots oder Scraping interagieren können. Dieser Ansatz trägt dazu bei, die Token-Nutzung zu reduzieren und die Genauigkeit zu verbessern, während gleichzeitig eine JavaScript- und HTML-basierte Tool-Registrierung angeboten wird.

ADK

Fähigkeiten statt Vibes: KI-Agenten beibringen, sauberen Code zu schreiben (Repository) von AI GDE Ertuğrul Demir (Türkei) untersucht, wie wichtig es ist, KI-Agenten beizubringen, sauberen Code zu schreiben, indem sie Folgendes anwenden Sauberer Code Prinzipien durch Anleitungsdateien namens „Skills“. Es hebt den Anstieg der Codekomplexität aufgrund der Einführung von KI hervor und betont den Einsatz von Kontrollsystemen zur Aufrechterhaltung der Qualität.

Vom Einzelagenten zur produktionsbereiten Multiagentenarchitektur mit ADK, MCP, A2A und AG-UI von AI GDE Henry Ruiz (USA) erklärt, wie man eine Einzelagenten-KI-Anwendung (Fortsetzung aus seinem vorherigen Artikel) mithilfe der Protokolle ADK, MCP, A2A und AG-UI zu einem skalierbaren Multiagentensystem weiterentwickelt. Es zeigt, wie die Zerlegung der Logik in spezialisierte Agenten die Modularität, Skalierbarkeit und Wartbarkeit für komplexe Aufgaben verbessert.

[Tutorials] Entwickler-Wissens-API

[👩🏻‍💻Codelab] Beherrschen der Developer Knowledge API und der MCP-Server-Anmeldeübersicht von AI GDE Vrijraj Singh (Indien) beschreibt detailliert die Integration der Developer Knowledge API und des MCP-Servers zur Verankerung von KI in der Google-Dokumentation durch Aktivieren der API und Konfigurieren eines Remote-Servers.

[👏77+] Zugriff auf die Google-Dokumentation mit Gemini CLI über die Developer Knowledge API von AI GDE William McLean (USA) führt durch die Verwendung des MCP-Servers der Developer Knowledge API für den direkten Zugriff auf die Google-Produktdokumentation.

Google Developer Knowledge API und MCP Server: Installieren Sie die offizielle Wissensdatenbank für Ihren KI-Assistenten von AI GDE Evan Lin (Taiwan) diskutiert die API und den MCP-Server, die KI-Assistenten Echtzeitzugriff auf maschinenlesbare offizielle Dokumentation ermöglichen. Es erklärt, wie diese Tools die KI-Genauigkeit verbessern, und enthält eine Anleitung zur Konfiguration von Gemini CLI mit dem Knowledge MCP Server.

Gemma

Ein auf TranslateGemma basierender Offline-Übersetzungs-Webdienst (Colab-Notizbuch | Repository) von AI GDE Yu-wei Liu (Taiwan) stellt ein neues Übersetzungsmodell vor, das 55 Sprachen und Bildeingabe unterstützt. Es umfasst auch ein persönliches Projekt zur Erstellung einer sicheren Offline-Übersetzungswebseite, die vom Modell inspiriert ist und praktische Beispiele zum Ausprobieren bietet.

[👩🏻‍💻Codelab] Von Token zu Werkzeugen: Entdecken Sie Gemma 3 von AI GDE Krupa Galiya (Indien) ist ein Codelab, das Sie durch die Verwendung von Gemma 3 mit Hugging Face führt. Es umfasst praktische Experimente, einschließlich Umgebungseinrichtung, Modellladen, Tokenisierung und Textgenerierung. Außerdem werden strukturierte Ausgaben und Tool-(Funktions-)Aufrufe demonstriert, wodurch das Modell mit echten Python-Funktionen für Aufgaben wie Wettersuche, Währungsumrechnung usw. integriert wird.

Die „Seele Taiwans“ verteidigt digitale Grenzen: Ein tiefer Einblick in die T1-Serie – ein lokalisiertes Google Gemma 3-Modell für Taiwan von AI GDE Jerry Wu (Taiwan) stellt Twinkle AI vor (basierend auf Gemma 3–4B-T1-it) und betont die Bedeutung von Sovereign AI. Das Modell zeichnet sich durch tiefe Lokalisierung, robustes KI-Agentenpotenzial durch optimierte Funktionsaufrufe und eine einfache Bereitstellung für Datensicherheit aus und übertrifft das ursprüngliche Gemma 3 bei taiwanesischen Aufgaben.

Praktischer Workshop vor dem Praktikum (Folien) von AI GDE Tarun Jain (Indien) war eine zweitägige Veranstaltung, die folgende Themen behandelte: Verwendung von Systemeingabeaufforderungen und verschiedenen Eingabeaufforderungstechniken; Inferenz von Open-Source-LLM (Qwen und Gemma 3) mithilfe von HuggingFace und vLLM; und praktische Anleitungen zur Implementierung von RAG-Systemen (Colab-Notizbuch).

https://medium.com/media/d10e9d2804eb0ab3bb8ce48f0515c372/href

Verwenden von Android Studio und VSCode zum Codieren mit Offline-KI-Modellen (Video) von TFUG Islamabad (Pakistan) und AI GDE Georgios Soloupis zeigt, wie man durch die Integration von Gemma in Android Studio und VSCode einen sicheren, vollständig Offline-Codierungsworkflow für völlige Unabhängigkeit von Cloud-Tools aufbaut.

Wolke

Vom Proof of Concept zur Produktion: Aufbau einer unternehmenstauglichen Plattform für KI-Systeme (Repository) von AI GDE Rubens Zimbres (Brasilien) stellt eine umfassende Referenzarchitektur für die Bereitstellung von KI-Systemen mit mehreren Agenten auf der GCP vor, die mit dem ausdrücklichen Ziel entwickelt wurde, Entwicklern die Einbindung jedes KI-Agentensystems in eine robuste Infrastruktur zu ermöglichen.

Wie wir die Latenz in PHP mit BigQuery Short Query Mode von AI GDE halbiert haben Marton Kodok (Rumänien) zeigt, wie man mit SQM die Abfragelatenz um über 50 % reduzieren kann. Darin wird erklärt, wie die Umgehung des herkömmlichen Joberstellungs- und Abfragelebenszyklus für kleine, häufige Abfragen den Orchestrierungsaufwand erheblich reduzieren kann.

JAX und TPU

Warum JAX? Das NumPy, das Sie kennen, aber schneller von AI GDE Wesley Kambale (Uganda) erklärt, wie JAX XLA nutzt, um mathematische Operationen zu beschleunigen. Es dient als einsteigerfreundlicher Einstieg in die Leistungsfähigkeit des Frameworks.

Ausführen von nativem PyTorch auf TPUs ohne Codeänderungen von AI GDE Rishiraj Acharya (Indien) führt TorchTPU ein, um die Ausführung unveränderter PyTorch-Modelle auf TPUs mit hoher Leistung und einem Fokus auf native Entwicklererfahrung zu ermöglichen.

Zusammenfassung der JAX 0.9-Versionshinweise von AI GDE Sho Tanaka (Japan) fasst JAX 0.9.0-Updates zusammen, einschließlich Effort-Based Versioning (EffVer), neuen Funktionen wie jax.thread_guard und expliziter Sharding-Unterstützung in jax.export. Außerdem wird die Migration von pmap zu shard_map besprochen.

Automatische Vektorisierung mit vmap und Farbverläufe mit grad in Jax von AI GDE Wesley Kambale (Uganda) behandelt die wichtigsten JAX-Transformationen von JIT für Geschwindigkeit, VMAP für Batching und Grad für Gradienten, um neuronale Netze von Grund auf zu trainieren.

dl-jax101 von AI GDE Muhammad Ghifary (Indonesien) ist eine Lernressource (auf Indonesisch geschrieben) zum Verständnis und zur Implementierung von Deep-Learning-Konzepten mithilfe des JAX-Frameworks. Der Schwerpunkt liegt auf der Optimierung und hohen Leistung, die das JAX-Ökosystem (einschließlich Flax und Optax) bietet.

Nano-MoE-JAX von AI GDE Kartikey Rawat (Indien) ist ein leichtes, pädagogisches Mixture-of-Experts (MoE)-Sprachmodell im GPT-Stil (inspiriert von nanoGPT), das von Grund auf in JAX/Flax erstellt wurde.

Colab

Kostenlose Übersetzung wissenschaftlicher Arbeiten mit TranslateGemma (Colab-Notizbuch) von AI GDE Jimmy Liao (Taiwan) stellt TranslateGemma vor, ein Tool zum Übersetzen von arXiv-Artikeln in zweisprachiges HTML mithilfe der kostenlosen T4-GPU von Colab. Der Artikel bietet eine Schritt-für-Schritt-Anleitung zur Einrichtung, Konfiguration und Anzeige der Ergebnisse und geht dabei auf die Übersetzungsqualität und -leistung ein.

ODML

[👏218+] On-Device RAG for App Developers: Embeddings, Vector Search, and Beyond von AI GDE Sasha Denisov (Deutschland) untersucht den Aufbau einer vollständig offline On-Device-RAG-Pipeline mit dem Flutter Gemma-Plugin und dem AI Edge LocalAgents RAG SDK. Es beschreibt detailliert die Implementierung von Einbettungen auf dem Gerät und der Vektorsuche und zeigt, wie die Einschränkungen der semantischen Suche durch die Implementierung von Agentic RAG überwunden werden können.

#JAX [👏252+] Build and Deploying on Device ML Model by AI GDE Joan Santoso (Indonesien) untersucht den Übergang zu ODML mithilfe von JAX, Flax NNX und AI Edge LiteRT, um eine Flutter-App mit Ziffernerkennung zu erstellen. Es demonstriert einen praktischen Workflow für die Modellkonvertierung und stellt sich eine Zukunft mit spezialisierten, ressourceneffizienten KI-Agenten auf dem Gerät vor. Er gab auch eine sprechen zum Thema, Best Practice für die Modellbereitstellung für gerätebasiertes ML (Folien)mit einer Live-Demo-Komponente für die Flutter-Integration.

[👏123+] Funktionsaufruf auf dem Gerät mit FunctionGemma von AI GDE Sasha Denisov (Deutschland) stellt FunctionGemma vor und vergleicht es ausführlich mit anderen Wettbewerbern mit Anleitungen für Mobil-/Webentwickler.

Community-Spotlights

Google Agent AI-Ingenieur | ADK, Vertex AI und Multi-Agent | Udacity

AI GDE Allen Firstenberg (USA) und Noble Ackerson (USA) gemeinsam gestartet Google Agentic AI Engineer (Nanodegree von Udacity) mit 5 weiteren Ausbildern. Dieses Programm (55 Stunden in 4 Kursen mit 4 Abschlussprojekten) behandelt fortgeschrittene Eingabeaufforderungen, Agenten-Workflows und den Aufbau von RAG- und Multi-Agenten-Systemen mithilfe der Gemini-, ADK-, VertexAI- und GCP-Infrastruktur.

KI-Trainingskampagnen

https://medium.com/media/e74bff3b91885366ced8c3e4c35ac689/href

Mathematik für ML von Tanmoy Tanoy (Bangladesch) hat 4 Sitzungen abgeschlossen, in denen er grundlegende mathematische Grundlagen für ML vermittelte und über 3500 Aufrufe erreichte.

AI Paper Reading Clubs (Playlist) von TFUG Islamabad (Pakistan) befasste sich mit fortgeschrittener KI-Forschung, die vom visuellen Sprachlernen von CLIP bis hin zu erklärbarer Gen-KI und verteilter AGI-Sicherheit reichte.

Diskretisierung, Ausreißer, Feature-Skalierung, ML-Pipelines von Community für maschinelles Lernen, KI, Deep Learning und NLP – Bangladesch (Bangladesch) untersuchte vier wesentliche Datenvorverarbeitungstechniken, die in ML-Workflows verwendet werden, und schlug gleichzeitig Vertex AI als ideale Plattform vor.

---

[Feb 2026] AI Community – Aktivitätshighlights und Erfolge wurde ursprünglich in Google Developer Experts auf Medium veröffentlicht, wo die Leute die Konversation fortsetzen, indem sie diese Geschichte hervorheben und darauf antworten.