Free! KI völlig kostenlos! Ollama aufs nächste Level gebracht Echt starke Kombi 100% gratis! Hiermit könnt ihr so gut wie alles machen und es ist super einfach: Ollama installieren: https://ollama.com/download/windows Das Terminal öffnen (einfach nach "PowerShell" suchen) und dort folgendes eingeben, um sich die besten universellen Modelle zu ziehen: ollama pull qwen3.5:9b Gutes Modell für 16 GB RAM (nutzt bei mir sogar deutlich weniger); Größe: 6.6GB; ollama pull qwen3.5:4b Noch weniger RAM-Verbrauch; Größe: 3.4GB; ollama pull gemma4:e4b Auch ein gutes Modell, fordert aber ein bisschen den Rechner (braucht länger), bietet aber auch sehr gute Antworten; Größe: 9.6GB; ollama pull gemma4:e2b Und auch dafür noch eine kleiner Variante; Größe: 7.2GB; Slashspace installieren: https://www.slashspace.ai Es gibt eine Gratis-Variante, mit der man Ollama nutzen kann. Dafür muss man sich einen kostenlosen Account erstellen. Mit Slashspace kann man Nodes erstellen, die miteinander verbunden und auch wieder getrennt werden können, alles visuell - das hilft enorm, um den Kontext zu steuern. Hinzu kommt die RAG-Funktionalität von Slashspace: Lade eine Riesen-Datei hoch (z.B. die Dokumentation zu einer aktuellen Software) und chatte mit ihr (RAG verkleinert einfach gesagt den Kontext aufs Wesentliche, sodass dein Rechner nicht die kommenden 10 Jahre mit der Frage beschäftigt ist^^); Page Assist (Chrome Addon) installieren, um komfortabel Ollama einzusetzen: https://chromewebstore.google.com/detail/page-assist-a-web-ui-for/jfgfiigpkhlkbnfnbobbkinehhfdhndo Es ist kinderleicht. Dann hat man einen Button, mit dem man einen Chat öffnet, der aufgeräumt und simpel ist. Schau manchmal, ob es Updates gibt (neue Modelle oder Updates zu deinen installierten Modellen, und natürlich zu Ollama selbst). - Hier sind die URLs zu den oben genannten Modellen: https://ollama.com/library/qwen3.5 https://ollama.com/library/gemma4 Ollama Next Level A really powerful combo—100% free! You can use this to do just about anything, and it’s super easy: Install Ollama: https://ollama.com/download/windows Open the terminal (just search for “PowerShell”) and enter the following to download the best universal models: ollama pull qwen3.5:9b Good model for 16 GB RAM (uses significantly less on my system); Size: 6.6 GB; ollama pull qwen3.5:4b Even lower RAM usage; Size: 3.4 GB; ollama pull gemma4:e4b Also a good model, but it puts a bit more strain on the computer (takes longer), though it also provides very good answers; Size: 9.6GB; ollama pull gemma4:e2b And here’s an even smaller version of that; Size: 7.2GB; Installing Slashspace: https://www.slashspace.ai There is a free version that allows you to use Ollama. To use it, you need to create a free account. With Slashspace, you can create nodes that can be connected and disconnected from one another, all visually—this helps enormously in managing the context. Added to this is Slashspace’s RAG functionality: Upload a huge file (e.g., the documentation for a current software) and chat with it (put simply, RAG narrows the context down to the essentials so your computer isn’t tied up with the question for the next 10 years^^); Install Page Assist (Chrome add-on) to use Ollama comfortably: https://chromewebstore.google.com/detail/page-assist-a-web-ui-for/jfgfiigpkhlkbnfnbobbkinehhfdhndo It’s a piece of cake. Then you have a button that opens a clean and simple chat. Check occasionally for updates (new models or updates to your installed models, and of course to Ollama itself). - Here are the URLs for the models mentioned above: https://ollama.com/library/qwen3.5 https://ollama.com/library/gemma4 Ollama verstehen Wenn man Ollama so konfigurieren will, dass ein Modell viel Kontext verarbeiten und lange Antworten erzeugen kann, stößt man sehr schnell auf Begriffe wie num_ctx und num_predict. Diese beiden Werte sind tatsächlich zentral — aber sie sind nicht die ganze Geschichte. Denn in der Praxis hängt die Qualität und Länge von Antworten nicht nur davon ab, was man einstellt, sondern auch davon: welches Modell man verwendet, welche Kontextlänge das Modell nativ unterstützt, wie viel RAM/VRAM vorhanden ist, welche Quantisierung genutzt wird, und ob die Antworten trotz großer Kontexte noch sinnvoll und stabil bleiben. Dieser Artikel erklärt die wichtigsten Ollama-Werte rund um Kontext und Antwortlänge, was sie technisch bedeuten, wie sie sich auf das Verhalten des Modells auswirken und welche sinnvollen Konfigurationen es für verschiedene Anwendungsfälle gibt. 1. Das Grundprinzip: Eingabetokens und Ausgabetokens Bevor wir über Parameter sprechen, ist ein Konzept entscheidend: Ein Sprachmodell arbeitet mit einem Kontextfenster. In diesem Fenster befinden sich alle Tokens, die das Modell aktuell „sehen“ kann. Dazu gehören z. B.: die Systemanweisung, die bisherigen Chat-Nachrichten, eingefügte Dokumente, dein aktueller Prompt, und je nach Ablauf auch Teile der bereits erzeugten Antwort. Ein Token ist kein Wort, sondern ein kleines Textstück. Als grobe Faustregel gilt: 1 Token ≈ 0,75 Wörter auf Englisch, auf Deutsch oft ähnlich, manchmal etwas mehr, 1000 Tokens entsprechen grob einigen hundert bis etwa 750 Wörtern. Wichtig ist: Das Modell hat kein unbegrenztes Gedächtnis. Es kann nur die Tokens berücksichtigen, die in sein Kontextfenster passen. 2. num_ctx: Wie viel Kontext das Modell sehen kann Was bedeutet num_ctx? num_ctx bestimmt die maximale Kontextlänge, also wie viele Tokens insgesamt dem Modell zur Verfügung stehen. Das betrifft insbesondere: den aktuellen Prompt, Chat-Verlauf, eingefügte Texte oder Dokumente, und den restlichen Dialogkontext. Kurz gesagt: großes num_ctx = mehr Text auf einmal verarbeitbar kleines num_ctx = weniger Gedächtnis, schnellere Begrenzung Warum ist num_ctx so wichtig? Wenn du z. B. möchtest, dass ein Modell: lange Dokumente analysiert, Code über viele Dateien hinweg berücksichtigt, in langen Chats frühere Aussagen erinnert, große Wissensblöcke im Prompt verarbeitet, dann brauchst du ein ausreichend großes num_ctx. Beispiel Du gibst dem Modell: 20.000 Tokens Dokumentinhalt, 2.000 Tokens Instruktionen, 3.000 Tokens Chatverlauf. Dann bist du schon bei 25.000 Tokens Eingabekontext. Mit num_ctx=8192 würde das nicht vollständig hineinpassen. Ein Teil müsste abgeschnitten werden oder der Prompt würde fehlschlagen bzw. intern gekürzt. Was passiert bei zu kleinem num_ctx? Ein zu kleines Kontextfenster führt oft zu: abgeschnittenem Chat-Verlauf, verlorenen Details aus früheren Nachrichten, schlechterer Kohärenz in langen Unterhaltungen, unvollständiger Dokumentenanalyse, „Vergessen“ von Vorgaben. Das zeigt sich dann in Antworten wie: das Modell widerspricht sich später, es ignoriert frühe Anweisungen, es beantwortet nur den letzten Teil eines langen Inputs, es halluziniert mehr, weil ihm Kontext fehlt. Was passiert bei sehr großem num_ctx? Ein großes Kontextfenster ist nützlich, hat aber Kosten: mehr RAM/VRAM-Verbrauch oft langsamere Verarbeitung bei manchen Modellen schlechtere Qualität weit hinten im Kontext manche Modelle unterstützen große Kontexte technisch nur begrenzt sinnvoll Wichtig: Ein Modell kann zwar manchmal mit großem Kontext gestartet werden, aber das heißt nicht automatisch, dass es diesen Kontext qualitativ gut nutzen kann. Es gibt einen Unterschied zwischen: technisch möglich vom Modell nativ trainiert/unterstützt inhaltlich noch zuverlässig Das ist extrem wichtig. 3. num_predict: Wie lang die Antwort werden darf Was bedeutet num_predict? num_predict legt fest, wie viele neue Tokens das Modell maximal erzeugen darf. Also: num_ctx = wie viel das Modell lesen kann num_predict = wie viel das Modell schreiben darf Wenn du lange Antworten möchtest, ist num_predict der wichtigste direkte Parameter. Beispiel Wenn du num_predict=256 setzt, dann kann die Antwort maximal etwa 256 Tokens lang sein. Das ist oft nur eine kurze bis mittlere Antwort. Wenn du num_predict=2048 setzt, dann kann die Antwort deutlich ausführlicher werden. Wenn du sehr lange Artikel, Analysen oder Zusammenfassungen willst, sind Werte wie: 1024 2048 4096 oft realistischer. Was passiert bei zu kleinem num_predict? Dann wirkt das Modell oft so, als würde es: mitten im Satz abbrechen, zu knapp antworten, Aufzählungen nicht zu Ende führen, bei „schreibe einen ausführlichen Artikel“ trotzdem nur einen kurzen Text liefern. In vielen Fällen ist das kein „Unwille“ des Modells, sondern schlicht eine harte Tokenbegrenzung. Was passiert bei sehr großem num_predict? Große Werte erlauben lange Antworten, aber auch hier gibt es Nebenwirkungen: längere Laufzeit, mehr Rechenaufwand, höheres Risiko von Wiederholungen, bei manchen Modellen größere Tendenz zum Abschweifen, mehr Kosten bei API-/Ressourcennutzung. Außerdem heißt ein hoher Wert nicht, dass das Modell immer so lang antwortet. Er ist nur das Maximum. Das Modell kann trotzdem kurz antworten, wenn: der Prompt nach Kürze klingt, die Antwort eigentlich kurz ist, ein Stop-Kriterium erreicht wird, die Sampling-Parameter eher kurze oder prägnante Antworten begünstigen. 4. Zusammenspiel von num_ctx und num_predict Viele verstehen diese beiden Werte anfangs isoliert. In Wirklichkeit wirken sie zusammen. Denkmodell num_ctx = wie viel „Gedächtnisplatz“ vorhanden ist num_predict = wie viel „Schreibplatz“ für die Antwort erlaubt wird Typischer Fall 1: Großer Input, kurze Antwort Du willst ein langes Dokument analysieren und nur eine knappe Zusammenfassung. Dann brauchst du: hohes num_ctx aber nur moderates num_predict Beispiel: num_ctx = 32768 num_predict = 512 Typischer Fall 2: Mittlerer Input, lange Antwort Du gibst eine überschaubare Aufgabe, willst aber einen langen Aufsatz. Dann brauchst du: mittleres num_ctx hohes num_predict Beispiel: num_ctx = 8192 num_predict = 2048 oder 4096 Typischer Fall 3: Großer Input und lange Antwort Das ist der anspruchsvollste Fall, z. B.: viele Dokumente einlesen, dann einen langen Bericht schreiben, mit Zitaten, Struktur und Begründungen. Dann brauchst du beides hoch: großes num_ctx großes num_predict Beispiel: num_ctx = 32768 oder 65536 num_predict = 2048 bis 4096+ Aber genau hier steigen Speicherbedarf und Laufzeit stark. 5. Warum „mehr Kontext“ nicht immer automatisch „besser“ ist Das ist einer der wichtigsten Punkte. Viele denken: Je größer num_ctx, desto besser die Antwort. Das stimmt nur teilweise. Problem 1: Das Modell wurde vielleicht nicht für so viel Kontext trainiert Ein Modell hat häufig eine native oder empfohlene Kontextlänge. Wenn man diese stark überschreitet, kann Folgendes passieren: das Modell beachtet nur frühe oder späte Teile zuverlässig, es „verwischt“ Informationen, die Relevanzbewertung wird schlechter, es reagiert inkonsistent. Ein Modell kann technisch vielleicht mit 32k oder 64k gestartet werden, obwohl es bei 8k oder 16k am besten arbeitet. Problem 2: Relevante Informationen gehen in der Masse unter Auch wenn formal alles in den Kontext passt, heißt das nicht, dass das Modell alles gleich gut nutzt. Wenn du 50 Seiten Kontext gibst, aber nur drei Sätze relevant sind, kann die Antwort schlechter werden als mit einem gut kuratierten, kompakten Prompt. Problem 3: Performance sinkt Mehr Kontext bedeutet meist: langsameres Prompt-Processing, oft mehr Speicherverbrauch, trägere Reaktionszeit. Gerade lokal mit Ollama ist das sehr spürbar. 6. Warum „mehr num_predict“ nicht automatisch „bessere lange Antworten“ bedeutet Ein hoher Wert ist nötig, aber nicht hinreichend. Mögliche Probleme bei sehr langen Generationen Wiederholungen inhaltliches Kreisen Abschweifen sinkende Strukturqualität mehr Halluzinationen im späteren Verlauf Je länger eine Antwort wird, desto wichtiger wird: ein guter Prompt, klare Gliederungsvorgaben, ggf. niedrigere Temperatur, explizite Anforderungen wie „in 8 Abschnitten“, „mit Zwischenüberschriften“, „ohne Wiederholungen“. Praktischer Tipp Wenn du sehr lange und gute Antworten willst, hilft oft mehr als bloß num_predict zu erhöhen: Statt nur zu sagen: Schreib mir einen langen Text besser: Schreibe einen strukturierten Artikel mit Einleitung, 6 Hauptabschnitten, Praxisbeispielen, Grenzen, Fazit. Vermeide Wiederholungen und führe jeden Punkt konkret aus. So nutzt du das erlaubte Ausgabebudget sinnvoller. 7. Weitere wichtige Parameter, die Antworten beeinflussen Auch wenn num_ctx und num_predict die Hauptrollen spielen, gibt es weitere Werte, die das Antwortverhalten stark beeinflussen. temperature Bestimmt, wie kreativ oder zufällig das Modell antwortet. niedrig (z. B. 0.1–0.3): präziser, nüchterner, stabiler mittel (z. B. 0.5–0.8): ausgewogen hoch (z. B. 0.9+): kreativer, aber riskanter und unsteter Einfluss auf lange Antworten Für lange fachliche Texte ist eine zu hohe Temperatur oft problematisch: mehr Abschweifungen, mehr Halluzinationen, mehr stilistische Unruhe. Für sachliche, längere Ausgaben sind oft Werte um 0.2 bis 0.7 sinnvoll. top_k Begrenzt die Auswahl auf die wahrscheinlichsten nächsten Tokens. kleinerer Wert: konservativer größerer Wert: offener Wirkung Kann helfen, Antworten kontrollierter oder kreativer zu machen. Für nüchterne und längere Analysen eher moderat halten. top_p Alternative bzw. Ergänzung zu top_k. Das Modell wählt aus den wahrscheinlichsten Tokens, bis eine kumulierte Wahrscheinlichkeit erreicht ist. kleinerer Wert: enger, konservativer größerer Wert: freier Auch das beeinflusst, ob lange Antworten eher stabil oder eher driftend werden. repeat_penalty Reduziert Wiederholungen. Gerade bei langen Antworten kann das wichtig sein, weil Modelle sonst dazu neigen, Formulierungen, Satzmuster oder Inhalte zu wiederholen. Ein etwas erhöhter Wert kann helfen, aber zu viel kann auch unnatürliche Sprache erzeugen. Stop-Sequenzen / stop Mit Stop-Sequenzen kann man festlegen, wann die Ausgabe enden soll. Das ist nützlich, wenn ein Modell sonst weiterredet, in neue Rollen springt oder Formatgrenzen ignoriert. Aber Vorsicht: Eine unpassende Stop-Sequenz kann lange Antworten frühzeitig abschneiden. 8. Speicher, Geschwindigkeit und Hardware Großer Kontext ist vor allem ein Hardware-Thema. Mehr Kontext kostet Speicher Je größer num_ctx, desto mehr Speicher wird für den KV-Cache und die Verarbeitung benötigt. Das heißt: größere num_ctx-Werte brauchen deutlich mehr RAM/VRAM, größere Modelle verschärfen das Problem, lange Kontexte und lange Antworten zusammen sind besonders anspruchsvoll. Auswirkungen in der Praxis Wenn du lokal arbeitest, merkst du das oft so: das Modell startet langsamer, die erste Token-Ausgabe dauert länger, Prompt-Verarbeitung wird zäh, bei zu hohen Werten wird geswappt oder es kommt zu Fehlern, die Antwortgeschwindigkeit sinkt massiv. Wichtiger praktischer Zusammenhang Ein kleines Modell mit großem Kontext kann manchmal praktikabler sein als ein großes Modell mit riesigem Kontext. Beispielhaft: Ein 7B- oder 8B-Modell mit 32k Kontext kann auf einem Desktop eher realistisch sein. Ein deutlich größeres Modell mit derselben Kontextlänge kann lokal schnell unpraktisch werden. 9. Modellgrenzen: Nicht jedes Modell ist für riesige Kontexte geeignet Das ist vielleicht der wichtigste praktische Rat überhaupt: Ollama kann nur das freischalten, was Modell und Hardware sinnvoll hergeben. Wenn ein Modell von Haus aus eher auf 4k, 8k oder 16k ausgelegt ist, bringt es oft wenig, einfach num_ctx extrem hochzusetzen. Worauf du achten solltest Beim gewählten Modell prüfen: empfohlene Kontextlänge, bekannte Langkontext-Fähigkeit, Community-Erfahrungen, Stabilität bei 32k/64k/128k, Speicherbedarf bei deiner Quantisierung. Ein Modell mit offiziell guter Long-Context-Unterstützung ist für Dokumentanalyse oft viel wertvoller als ein Modell, das nur theoretisch groß konfigurierbar ist. 10. Typische Anwendungsfälle und sinnvolle Einstellungen A. Langer Chat mit viel Gesprächsverlauf Ziel: frühere Nachrichten erinnern, konsistent bleiben, über viele Runden hinweg zusammenhängend antworten. Empfehlung: num_ctx: eher hoch, z. B. 16384 bis 32768 num_predict: moderat, z. B. 512 bis 1024 Warum? Der Chat-Verlauf ist wichtiger als riesige Einzelausgaben. B. Dokumentanalyse großer Texte Ziel: lange Texte lesen, gezielt zusammenfassen oder Fragen beantworten. Empfehlung: num_ctx: hoch, z. B. 32768 oder mehr, falls Modell geeignet num_predict: 256 bis 1024, je nach gewünschter Antwortlänge Warum? Das Modell muss viel lesen, aber oft nicht extrem viel schreiben. C. Lange Essays, Berichte, Blogartikel Ziel: ausführliche, strukturierte Ausgaben erzeugen. Empfehlung: num_ctx: mittel bis hoch, z. B. 8192 bis 16384 num_predict: hoch, z. B. 2048 bis 4096 Warum? Der eigentliche Schreibraum ist hier besonders wichtig. D. Code-Assistenz mit größeren Projekten Ziel: mehrere Dateien, APIs, Fehlerlogs und Anforderungen gleichzeitig berücksichtigen. Empfehlung: num_ctx: hoch num_predict: mittel bis hoch Warum? Sowohl Kontext als auch Antwortlänge sind relevant. Besonders bei Refactoring, Architekturvorschlägen oder Datei-übergreifender Analyse. 11. Wie man Konfigurationen sinnvoll testet Die beste Einstellung findet man selten nur theoretisch. Sinnvoll ist ein systematisches Vorgehen. Schritt 1: Das Ziel definieren Willst du vor allem: längere Antworten? längeren Chat-Verlauf? große Dokumente im Prompt? stabile Fachtexte? schnelle Reaktion? Je nach Ziel verschiebt sich die optimale Konfiguration. Schritt 2: Erst konservativ starten Zum Beispiel: num_ctx = 8192 num_predict = 1024 Dann prüfen: reicht der Kontext? wird die Antwort abgeschnitten? ist die Qualität stabil? wie schnell läuft es? Schritt 3: Nur einen Wert auf einmal erhöhen Erhöhe entweder: erst num_ctx, wenn Kontext fehlt, oder erst num_predict, wenn Antworten zu kurz sind. Nicht alles gleichzeitig hochdrehen, sonst ist schwer erkennbar, was geholfen oder geschadet hat. Schritt 4: Mit echten Aufgaben testen Nicht nur mit Mini-Prompts. Nutze: dein echtes Dokument, deinen realen Chat-Verlauf, deine typischen Schreibaufgaben. Nur dann siehst du, ob die Konfiguration wirklich passt. 12. Praktische Faustregeln Wenn du große Dokumente verarbeiten willst: Erhöhe zuerst num_ctx. Wenn du längere Antworten willst: Erhöhe zuerst num_predict. Wenn Antworten trotz hohem num_predict kurz bleiben: Dann liegt es oft am Prompt oder an Stop-Kriterien, nicht nur an der Token-Grenze. Wenn das Modell frühere Infos vergisst: Dann ist oft num_ctx zu klein oder der relevante Kontext wird im Chat verdrängt. Wenn das Modell langsam wird oder abstürzt: Dann ist num_ctx möglicherweise zu hoch für dein Modell oder deine Hardware. Wenn lange Antworten schlechter werden: Dann nicht nur num_predict erhöhen, sondern: Prompt besser strukturieren, Temperatur etwas senken, ggf. Ausgabe in Abschnitte aufteilen. 13. Beispielhafte Denkmuster statt „ein bester Wert“ Es gibt keinen universell besten Wert für num_ctx oder num_predict. Stattdessen sind diese Denkmuster nützlich: „Ich will, dass das Modell mehr erinnert“ → num_ctx erhöhen „Ich will, dass es nicht mitten im Artikel aufhört“ → num_predict erhöhen „Ich will lange Dokumente und dann ausführliche Ausgaben“ → beide erhöhen, Hardware und Modellgrenzen beachten „Ich will bessere Qualität bei langen Antworten“ → nicht nur Tokenlimits anheben, sondern Sampling und Prompt verbessern 14. Typische Missverständnisse Missverständnis 1: „Großer Kontext heißt automatisch gute Langzeit-Erinnerung.“ Nicht unbedingt. Das Modell kann Informationen formal im Fenster haben, sie aber nicht optimal gewichten. Missverständnis 2: „Wenn ich num_predict riesig setze, bekomme ich automatisch lange Antworten.“ Nein. Es ist nur das Maximum. Der Prompt und das Modellverhalten entscheiden mit. Missverständnis 3: „Ich kann jedes Modell einfach auf 64k oder 128k Kontext stellen.“ Technisch vielleicht teilweise, aber sinnvoll und qualitativ stabil ist das nicht bei jedem Modell. Missverständnis 4: „Wenn Antworten abgeschnitten werden, brauche ich nur mehr num_ctx.“ Nicht unbedingt. Oft ist dann eher num_predict zu klein. 15. Konkrete Kurzempfehlungen Wenn du mit Ollama arbeitest und einfach praktikabel starten willst: Für allgemeine Nutzung num_ctx: 8192 num_predict: 512 bis 1024 Für große Dokumente num_ctx: 16384 bis 32768 num_predict: 512 bis 1024 Für lange Artikel/Erklärungen num_ctx: 8192 bis 16384 num_predict: 2048 bis 4096 Für sehr anspruchsvolle Long-Context-Aufgaben num_ctx: so hoch wie Modell + Hardware sinnvoll erlauben num_predict: je nach gewünschter Ausgabelänge zusätzlich auf Modellwahl und Promptstruktur achten 16. Fazit Die beiden wichtigsten Ollama-Werte für dein Anliegen sind: num_ctx für die Menge an verarbeitbarem Kontext num_predict für die maximale Länge der Antwort Man kann sich das so merken: num_ctx = lesen num_predict = schreiben Wenn du große Kontexte verarbeiten willst, musst du num_ctx erhöhen. Wenn du lange Antworten möchtest, musst du num_predict erhöhen. Wenn du beides willst, musst du beides erhöhen — aber dann steigen auch die Anforderungen an Modell, Speicher und Laufzeit. Der wichtigste praktische Punkt ist dabei: Nicht nur größer einstellen, sondern passend einstellen. Denn ein riesiger Kontext bringt wenig, wenn: das Modell dafür nicht gut geeignet ist, die Hardware überlastet wird, der Prompt schlecht strukturiert ist, oder die Antwortqualität bei langen Generationen sinkt. Die beste Konfiguration ist deshalb immer ein Kompromiss aus: Kontextbedarf, gewünschter Antwortlänge, Modellfähigkeit, Stabilität, und verfügbarer Hardware. gemma4:12b Ein gutes Modell, aber Vorsicht beim Vibe-Coding! gemma4:12b - Web Development Fähigkeiten Bist du gut im Programmieren mit PHP, JavaScript, CSS und HTML? Bitte benenne mir ausführlich deine Fähigkeiten. Ja, ich kann dich bei der Entwicklung mit HTML, CSS, JavaScript und PHP sehr gut unterstützen. Da ich auf einer riesigen Menge an Code, Dokumentationen und Best Practices trainiert wurde, kann ich sowohl als "Code-Generator" als auch als "Debugger" und "Architekt" fungieren. Hier ist eine detaillierte Aufschlüsselung meiner Fähigkeiten in den jeweiligen Bereichen: 1. HTML (Struktur & Semantik) Ich beherrsche die Grundlagen und fortgeschrittenen Aspekte von HTML5: Semantisches HTML: Erstellung von korrekt strukturierten Seiten (z.B. Verwendung von
,
,