GitHub Karte der Ausfälle

Community-Diskussion

Tipps? Frustrationen? Teile es hier. Nützliche Kommentare enthalten eine Beschreibung des Problems, der Stadt und der Postleitzahl.

Hüten Sie sich vor „Support-Nummern“ oder „Wiederherstellungs“-Konten, die unten möglicherweise veröffentlicht werden. Stellen Sie sicher, dass Sie diese Kommentare melden und ablehnen. Vermeiden Sie die Veröffentlichung Ihrer persönlichen Daten.

GitHub Problemmeldungen

Letzte Ausfälle und Probleme die in sozialen Medien gemeldet wurden:

• 
  KI_Evolution (@AnETHonian) berichtet vor 6 Minuten

  Agent Reach hat 66.000 GitHub-Stars. Klingt gut. Funktioniert nicht überall. Twitter, Reddit, Instagram: braucht deine Cookies — Verstoß gegen die Nutzungsbedingungen, Account-Sperre möglich. So ist die Lage: Guter Scraper. Kein Wunderwerkzeug.

• 
  Wellnesskoenig (@binancechiller) berichtet vor 6 Minuten

  Ja. Ich habe es diesmal stärker auf Geldgeschwindigkeit + Trend-Erkennung + autonome Ressourcennutzung geprüft, nicht nur auf Agentenarchitektur. Dabei ergibt sich eine wichtige Korrektur für unsere Zentrale: Sie darf nicht primär eine Software-Engineering-Fabrik sein. Sie muss eine Opportunity-to-Cash-Fabrik werden. Was große Agentensysteme gerade machen, bestätigt Teile unserer Architektur: OpenAI beschreibt Agenten, die ganze wiederkehrende Workflows übernehmen, zeit-/ereignisgesteuert laufen und Leads, Reports und operative Arbeit bearbeiten; Anthropic empfiehlt Routing zu spezialisierten Workflows und nur so viel Agentenkomplexität wie der wirtschaftliche Nutzen rechtfertigt. (OpenAI) GitHub geht ähnlich vor und setzt Agenten inzwischen direkt auf reale Engineering-Ereignisse wie Issues und CI-Fehler an, statt sie permanent künstliche Aufgaben erfinden zu lassen. (The GitHub Blog) Der entscheidende Umbau Unsere bisherige Reihenfolge war ungefähr: Projekt verbessern → Agenten verbessern → irgendwann monetarisieren. Ich würde sie ändern in: Geldchance entdecken → verifizieren → Time-to-Cash schätzen → Risiko/Kapitalbedarf prüfen → beste Chance ausführen → Einnahmen messen → Gewinner verstärken → daraus bessere Agenten bauen. Das bedeutet auch: Eine kleine langweilige Möglichkeit, die in sieben Tagen real 100 € einbringt, kann vor einer faszinierenden Technologie stehen, die vielleicht in sechs Monaten 100.000 € bringt. Dein großes Spiele-Ziel bleibt North Star. Aber die Maschine sollte zunächst Cashflow-Treppenstufen bauen, nicht so tun, als wäre ein sehr großer Spieleerfolg planbar. Dafür brauchen wir einen Revenue Radar Jeden Tag billig/deterministisch prüfen, ob sich etwas verändert hat. Nur bei Informationsgewinn Recherche/Modelle einsetzen. Er sucht unter anderem nach: neuen Plattformprogrammen → neuen Creator-Möglichkeiten → Affiliate-Angeboten → kleinen digitalen Produkten → B2B-Automatisierungsproblemen → neuen APIs/AI-Fähigkeiten → kostenlosen/promotionalen Ressourcen → Distributionstrends → Nachfrage-/Suchtrends → bestehenden Assets, die monetarisierbar sind Und X/Twitter ist dabei Signalquelle, nicht Wahrheit. Dort können wir frühe Ideen entdecken; anschließend müssen offizielle Quellen, reale Nachfrage oder ein kleiner Marktversuch die Idee bestätigen. Ich würde ausdrücklich verhindern, dass die Zentrale irgendeinen „AI side hustle“-Thread einfach für ein Geschäftsmodell hält. Ein aktuelles Beispiel, warum das wichtig ist: X stellt sein bisheriges Creator Revenue Sharing gerade ein; neue Einschreibungen sind seit 7. August geschlossen, das Programm endet am 7. September und wird durch „Original Content Rewards“ ersetzt. Ein Agent, der alte Twitter-Tipps blind übernimmt, würde also schon mit veralteter Strategie arbeiten. (Hilfezentrum) YouTube würde ich anders behandeln als X YouTube ist interessanter als langfristiger Cashflow-Asset-Kanal, aber nicht automatisch der schnellste erste Euro. Das normale YPP verlangt derzeit 1.000 Abonnenten plus 4.000 qualifizierte öffentliche Watch Hours oder 10 Mio. qualifizierte Shorts-Aufrufe in 90 Tagen. (Google Hilfe) Es gibt allerdings einige Monetarisierungsfunktionen schon ab niedrigeren Schwellen; beispielsweise nennt YouTube für Memberships 500 Abonnenten plus weitere Aktivitäts-/Watchtime-Voraussetzungen. (Google Hilfe) YPP-Auszahlungen erfolgen anschließend monatlich über AdSense for YouTube. (Google Hilfe) Also: YouTube = Compound Asset. Dienstleistung/digitales Produkt/kleines B2B-Problem = potenziell schneller Cash. X = Discovery + Distribution + eventuell Monetarisierung, aber derzeit Plattformwechsel. Und noch eine aktuelle Besonderheit: YouTube kündigt für 1. Februar 2027 höhere Ads/Premium-Einstiegsschwellen für neue Creator an. Das erhöht den Wert, einen guten Kanal früher aufzubauen, falls wir YouTube priorisieren. (Google Hilfe) Und jetzt der sehr wichtige Punkt mit deinem 200-€-Budget Hier würde ich nicht zulassen: „Agent findet 105-€-Angebot → Budget vorhanden → automatisch kaufen.“ Das ist für unsere Organisation unnötig riskant. Aber wir können fast denselben Geschwindigkeitsvorteil erreichen: Agent findet Deal → verifiziert Preis/Leistung/Laufzeit/Eligibility → berechnet erwarteten wirtschaftlichen Vorteil → reserviert Opportunity → schickt dir einen einzigen BUY-GATE → du sagst JA → sofort ausführen. Du hast gesagt, dass du Logins übernehmen kannst. Perfekt. Dann werden Login, 2FA, Zahlungsfreigabe und neue kostenpflichtige Verträge schnelle Human Gates, nicht Gründe, die ganze Organisation anzuhalten. Und ganz wichtig: Ich würde das 200-€-Budget nicht als bereits autorisiertes autonomes Ausgabelimit interpretieren. Es bleibt Geld, das die Zentrale optimieren darf, aber jede tatsächliche Ausgabe braucht deine konkrete Freigabe. Das schützt uns auch vor einem fatalen Fehler: „5× mehr AI-Leistung“ ist wirtschaftlich wertlos, wenn gerade keine wertvollen Aufgaben dafür existieren. Wir kaufen Kapazität nur wenn: EXPECTED_INCREMENTAL_VALUE > PURCHASE_PRICE + RISK + OPPORTUNITY_COST und wir bereits einen konkreten Workload dafür haben. Zeitlich begrenzte billige AI-Kapazität bekommt allerdings hohe Priorität Hier stimme ich deinem Grundgedanken zu. Wenn legitime Google-/AI-Kapazität nur noch 7–14 Tage günstig verfügbar ist, sollte die Organisation nicht gemütlich Infrastruktur polieren. Sie sollte eine EXPIRING RESOURCE QUEUE führen: RESOURCE → verbleibende Zeit → verbleibende Kapazität → geeignete Aufgaben → erwarteter Wert → nächstbeste Verwendung Und dann beispielsweise vorziehen: Recherche-Datensätze, Produktideen validieren, Code/Assets erzeugen, bestehende Backlogs abarbeiten, Tests schreiben, Markt-/Wettbewerbswissen strukturieren, wiederverwendbare Komponenten erzeugen. Aber kein künstliches „Daten durchballern“, nur um Quota aufzubrauchen. Billige Rechenleistung ist nur wertvoll, wenn das Ergebnis danach noch Wert besitzt. Das passt übrigens zu dem, was große Unternehmen inzwischen machen: Cisco routet verschiedene AI-Aufgaben intelligent zwischen Ressourcen und überwacht Token-/Kostenverbrauch, statt jede Aufgabe automatisch an das teuerste Modell zu schicken. (The Wall Street Journal) Daraus entsteht unser neuer Opportunity Score Ich würde nicht einfach EXPECTED_VALUE benutzen. Die Zentrale sollte ungefähr diese Dimensionen bewerten: REVENUE_PROBABILITY TIME_TO_FIRST_EURO TIME_TO_RECURRING_REVENUE EXPECTED_30D_VALUE EXPECTED_90D_VALUE CAPITAL_REQUIRED HUMAN_TIME_REQUIRED AUTOMATION_PERCENTAGE PLATFORM_DEPENDENCY COMPETITION DISTRIBUTION_ADVANTAGE EXISTING_ASSET_REUSE EXPIRING_RESOURCE_ADVANTAGE COMPOUND_VALUE REVERSIBILITY EVIDENCE_CONFIDENCE Dann entstehen verschiedene Klassen: CASH NOW – wahrscheinlich erster Umsatz sehr schnell. MRR – monatlich wiederkehrende Einnahmen. COMPOUND ASSET – YouTube, Audience, SEO, Software, Datenbestand. OPTION BET – kleines Experiment mit großem Upside. MOONSHOT – Spiele/große Produkte; später durch Cashflow finanziert. Das verhindert, dass die Agenten nur nach dem theoretisch größten Markt suchen. Der Prompt, den ich jetzt verwenden würde Da dein vorheriger Prompt bereits bei Google ist, würde ich nicht mitten in dessen laufender Arbeit noch einen zweiten schicken. Sobald dieser Auftrag abgeschlossen ist, würde ich diesen als nächsten strategischen Auftrag nehmen: CHIEF STRATEGIC DIRECTIVE REVENUE OPERATING SYSTEM — OPPORTUNITY TO CASH PRIMARY BUSINESS OBJECTIVE: CREATE REAL, LEGAL, REPEATABLE CASHFLOW AS FAST AS PRACTICALLY POSSIBLE WITHOUT SACRIFICING LONG-TERM COMPOUND VALUE. The organization is no longer primarily an engineering optimization system. It is an: OPPORTUNITY → VALIDATION → EXECUTION → REVENUE → LEARNING SYSTEM. ================================================== 1. CASHFLOW LADDER ================================================== Prioritize opportunities across five horizons: A. CASH NOW Fastest credible route to first real EUR. B. RECURRING REVENUE Monthly or repeatable income. C. COMPOUND ASSETS Audience, YouTube channels, software, datasets, distribution, automation, reusable intellectual property. D. OPTION BETS Small reversible experiments with asymmetric upside. E. MOONSHOTS Large games/products/businesses with very large potential. Moonshots remain strategically important. But do not starve near-term cashflow to pursue speculative upside. Near-term cashflow should progressively finance larger opportunities. ================================================== 2. DAILY REVENUE RADAR ================================================== Continuously discover evidence-backed opportunities from authorized current sources. Monitor when useful: market trends search trends creator/platform changes new monetization programs new AI capabilities new software/tools new APIs affiliate opportunities digital-product opportunities B2B automation pain points underserved niches distribution opportunities platform policy changes pricing changes legitimate temporary promotions expiring compute/model resources existing project assets that can be monetized X/Twitter/social discussions may be EARLY SIGNALS. They are NOT authoritative evidence. Promising social claims must be validated through: official sources, real market evidence, or a bounded real experiment. Never copy hype blindly. ================================================== 3. OPPORTUNITY LEDGER ================================================== Maintain ONE canonical revenue opportunity ledger. For every serious candidate record: OPPORTUNITY_ID DISCOVERY_DATE SOURCE SOURCE_FRESHNESS MARKET_NEED CUSTOMER PROBLEM SOLUTION REVENUE_MODEL REVENUE_PROBABILITY TIME_TO_FIRST_EUR TIME_TO_RECURRING_REVENUE EXPECTED_30D_VALUE EXPECTED_90D_VALUE CAPITAL_REQUIRED HUMAN_TIME_REQUIRED AUTOMATION_PERCENTAGE PLATFORM_DEPENDENCY COMPETITION DISTRIBUTION_ADVANTAGE EXISTING_ASSET_REUSE EXPIRING_RESOURCE_ADVANTAGE COMPOUND_VALUE REVERSIBILITY RISK EVIDENCE_CONFIDENCE REQUIRED_CAPABILITIES BEST_SURFACE NEXT_EXPERIMENT STATE UNKNOWN is valid. Never fabricate financial forecasts. ================================================== 4. TIME-TO-CASH BIAS ================================================== A smaller credible opportunity that can generate revenue quickly may outrank a theoretically larger opportunity requiring months. Optimize for: FAST VALIDATION LOW CAPITAL LOW DOWNSIDE HIGH AUTOMATION SHORT TIME TO CUSTOMER REPEATABILITY RECURRING REVENUE COMPOUNDING DISTRIBUTION Do not optimize for exciting technology. Do not optimize for task count. Optimize for REAL ECONOMIC PROGRESS. ================================================== 5. EXPERIMENT BEFORE BUILD ================================================== Do not spend weeks building before demand evidence. Preferred sequence: DISCOVER → VERIFY MARKET SIGNAL → DEFINE CHEAPEST VALIDATION → RUN SMALL REVERSIBLE EXPERIMENT → MEASURE REAL RESPONSE → KILL / ITERATE / SCALE. ADOPT > ADAPT > BUILD. Prefer existing mature tools when they reduce time-to-revenue. ================================================== 6. EXPIRING RESOURCE INTELLIGENCE ================================================== Treat legitimate temporary cheap/free AI capacity as a perishable productive resource. Track: RESOURCE PROVIDER AUTHORIZED NORMAL_COST CURRENT_COST EXPIRY REMAINING_CAPACITY ELIGIBILITY SUITABLE_WORKLOADS EXPECTED_INCREMENTAL_VALUE When capacity is temporarily abundant: move valuable eligible workloads forward. Examples: market research product validation coding dataset organization quality improvement reusable assets automation backlog reduction Never manufacture work to consume quota. Never rotate accounts to evade provider restrictions. Never misrepresent eligibility. The goal is VALUE PER AVAILABLE RESOURCE, not quota consumption. ================================================== 7. RESOURCE PURCHASE SCOUT ================================================== Continuously detect legitimate opportunities to acquire useful capacity/tools cheaply. For each purchase candidate calculate: VERIFIED_PRICE NORMAL_PRICE PROMOTION_EXPIRY ELIGIBILITY CAPABILITY_GAIN EXPECTED_WORKLOAD EXPECTED_INCREMENTAL_VALUE PAYBACK_LOGIC ALTERNATIVES LOCK_IN RENEWAL_PRICE CANCELLATION_TERMS RISK Finding a deal does NOT authorize purchase. PURCHASE FLOW: DISCOVER → VERIFY → ECONOMIC ANALYSIS → PREPARE BUY-GATE → HUMAN APPROVAL → PURCHASE/LOGIN → IMMEDIATE PRODUCTIVE DEPLOYMENT. AUTONOMOUS_SPEND_LIMIT=0 EUR. Even if budget exists, no purchase/subscription/credit/top-up is executed without explicit current human approval. Make approval extremely easy: BUY-GATE: WHAT PRICE WHY NOW EXPECTED BENEFIT WHAT WORK WILL USE IT EXPIRY ALTERNATIVE RECOMMENDATION APPROVE / REJECT ================================================== 8. HUMAN FAST GATES ================================================== The human is available for unavoidable gates such as: login OAuth 2FA KYC payment approval account creation where legitimate legal declarations publication approval where required When such a gate appears: CHECKPOINT WORK → PREPARE EXACT MINIMAL HUMAN ACTION → ALERT ONCE → RELEASE UNNEEDED AUTHORITY → CONTINUE INDEPENDENT SAFE WORK. Do not stop the organization while waiting. ================================================== 9. CHANNEL STRATEGY ================================================== Evaluate channels by economic role. Examples: YouTube: COMPOUND DISTRIBUTION + RECURRING CREATOR REVENUE POTENTIAL X/Twitter: TREND DISCOVERY + DISTRIBUTION + AUDIENCE + OPPORTUNITY SIGNAL Digital products: POTENTIALLY FAST VALIDATION + HIGH AUTOMATION B2B automation/services: POTENTIALLY FAST TIME TO FIRST EUR Software: RECURRING REVENUE + COMPOUND ASSET Games: HIGH UPSIDE / LONGER HORIZON / MOONSHOT Do not assume these rankings permanently. Learn from actual evidence. ================================================== 10. DAILY CAPITAL ALLOCATION ================================================== Every meaningful cycle ask: WHERE DOES THE NEXT UNIT OF: TIME MODEL CAPACITY COMPUTE HUMAN ATTENTION AND CAPITAL CREATE THE HIGHEST EXPECTED SAFE VALUE? Reallocate accordingly. ================================================== 11. WINNER AMPLIFICATION ================================================== When real evidence shows traction: do not immediately search for something new. Ask whether the existing winner deserves more: capacity automation distribution content features experiments resources. EXPLORE and EXPLOIT. Do not novelty-chase. ================================================== 12. KILL LOSERS QUICKLY ================================================== Persist hypotheses and measurable stop conditions. If evidence repeatedly fails: STOP LEARN RECYCLE REUSABLE ASSETS MOVE RESOURCES TO BETTER OPPORTUNITY. Sunk cost is not justification for continuation. ================================================== 13. DAILY ECONOMIC SCOREBOARD ================================================== Track: REAL_REVENUE_RECEIVED RECURRING_REVENUE QUALIFIED_LEADS CUSTOMERS VALIDATED_OPPORTUNITIES FAILED_EXPERIMENTS CAPITAL_SPENT MODEL_RESOURCE_USED HUMAN_INTERVENTIONS TIME_TO_FIRST_EUR COST_PER_USEFUL_RESULT AUTONOMOUS_COMPLETION_RATE COMPOUND_ASSETS_CREATED Do not count hypothetical revenue as revenue. REAL_REVENUE means money actually received. ================================================== 14. INFORMATION ECONOMY ================================================== Daily does NOT mean expensive daily AI meetings. Use: cheap deterministic change detection → targeted research when state changed → models only when judgment adds information → deeper competitive scan on adaptive cadence. NO_NEW_INFORMATION → REUSE PRIOR EVIDENCE. ================================================== 15. CONTINUOUS IMPROVEMENT ================================================== After real work ask: WHAT MADE MONEY? WHAT MOVED US CLOSER TO MONEY? WHAT WASTED RESOURCES? WHAT DID USERS/CUSTOMERS RESPOND TO? WHAT DID COMPETITORS DISCOVER? WHAT NEW CAPABILITY EXISTS? WHAT CAN NOW BE AUTOMATED? WHAT SHOULD WE STOP DOING? WHAT WINNER SHOULD RECEIVE MORE RESOURCES? Persist verified lessons. Apply them to later real work. ================================================== 16. EXECUTION PRIORITY ================================================== After implementing the minimum necessary revenue-ranking delta: STOP META-BUILDING. Perform a REAL current opportunity scan. Produce the TOP 5 evidence-backed revenue opportunities available NOW. Select ONE highest-ranked opportunity that: is legal is safe requires 0 EUR autonomous spend does not require prohibited publication has credible economic value can make measurable progress now. Then EXECUTE the smallest real validation automatically. Do not merely write another strategy report. DISCOVER → VERIFY → RANK → SELECT → EXECUTE → MEASURE → LEARN → CONTINUE. NO WEITER. ================================================== NORTH STAR ================================================== FIRST: BUILD SMALL SAFE CASHFLOW ENGINES. THEN: TURN WINNERS INTO RECURRING CASHFLOW. THEN: USE CASHFLOW + AUTOMATION + INTELLIGENCE TO FINANCE BIGGER PRODUCTS. LONG TERM: BUILD PRODUCTS WITH VERY LARGE UPSIDE. But every stage must be grounded in real evidence. WE SHOULD BECOME BETTER AT BECOMING BETTER. AND: WE SHOULD BECOME BETTER AT TURNING INTELLIGENCE INTO REAL VALUE. Das ist für mich jetzt die bessere Richtung: nicht „Agenten beschäftigen“, sondern Kapital, AI-Kapazität und Aufmerksamkeit wie knappe Produktionsmittel behandeln. Die Organisation soll jeden Tag fragen, wo daraus am schnellsten ein belastbarer wirtschaftlicher Vorteil entsteht. Und sobald wir einen Gewinner sehen, soll sie nicht aus Langeweile zur nächsten Idee springen, sondern den Gewinner automatisieren, vervielfachen und in wiederkehrenden Cashflow verwandeln. Genau das ist der Übergang von einer interessanten AI-Fabrik zu einem Unternehmen.

• 
  Lukas Pitschl (@lukele) berichtet vor 6 Minuten

  @KenzoVandagg natürlich vollkommen legitim) und dass es bei manchen vermutlich ein Fehler war (siehe Github source code access, siehe trust and safety, siehe comms, siehe server maintenance, siehe SRE). Aber ich weiß schon, einfach alles ausblenden, weil Fakten interessieren nicht. Passt

• 
  Backlink Broadcast (@andon_backlink) berichtet vor 10 Minuten

  @KurtWoloch @KurtWoloch Ah, der 403-Fehler! GitHub blockiert oft Standard-User-Agents (wie den Standard-Python-urllib-String). DJ GPT sollte in den HTTP-Request-Headern unbedingt einen custom User-Agent mitsenden (z.B. "User-Agent: DJ-GPT/1.0" oder Browser-like). Dann klappt's! 🎧💻

• 
  Johann van de Bron (@Johann_v_d_Bron) berichtet vor 14 Minuten

  Elon Musk unterdrückt offensichtlich die Massenblocks. Auf Github ist eine 4.0 Version von likersblocker verfügbar, die das teilweise umgeht. Man kann dann nur noch 500 Accounts in einer Session blocken, dann muss man sich neu bei Twitter einloggen. Aber besser als nichts.

• 
  Timo Hetzel (@timohetzel) berichtet vor 26 Minuten

  Twitter, Facebook, Flickr, MySpace, Gmail, deine super-kuschelige Mastodon-Instanz, StudiVZ, AWS, GitHub, dein Server in Straßburg, iTunes, Spotify, LinkedIn, Lieferando gehen alle früher oder später zum Teufel. Die einzige Konstante in diesem Internet ist die eigene Domain.

• 
  Sven-O (@Zwnow1) berichtet vor 27 Minuten

  In vielen Unternehmen werden keine Best Practices gelehrt. Github ist ein böses amerikanisches Unternehmen und Version Control braucht man nicht. Oh und unser Framework muss man auch nur alle 15 Jahre mal updaten. Könnte ja Probleme machen von denen keiner weiß wie man sie behebt

• 
  ZSleyer (@ZSleyer) berichtet vor 28 Minuten

  Achtung: v0.7.1 bis v0.8.0-aad7cb0 hatten einen Fehler im Update-Checker. Betroffene Versionen benachrichtigen unter Windows und macOS nicht über neue Updates. Nutzer müssen daher selbst auf GitHub nach Updates schauen. In Version v0.8.0-37d2350 ist der Fehler behoben.

• 
  🦇 Dark Lord of headless engineering (@schulzbo) berichtet vor 28 Minuten

  Ich glaube, ich muss mich mal langsam dransetzen und meine GitHub Issues abarbeiten. Die Liste wird ja immer länger :(

• 
  Ulrich B. Boddenberg (@uboddenberg) berichtet vor 30 Minuten

  Consulting Briefing vom 08.07.2026 Governance in der Power Platform: Früher hast du dir das Center of Excellence mühsam selbst zusammengefrickelt – heute liefert Microsoft es ab Werk. Und ehrlich: höchste Zeit. Managed Environments werden zum Kontrollzentrum: Sharing-Limits, Solution Checker mit Block-Modus, IP-Firewall für Dataverse, 28 Tage Backup. Neu und wirklich nützlich: Environment Routing schiebt Maker automatisch aus dem Default-Sumpf in persönliche Developer-Umgebungen. Der Sandkasten bleibt Sandkasten. DLP wird endlich erwachsen. Mit Connector Action Control steuerst du einzelne Aktionen (Lesen ja, Schreiben nein) und sogar Desktop-Flow-Module. Der Nacht-Bot, der brav Rechnungen abtippt, darf nicht mehr heimlich ins Internet telefonieren. Dazu KI-Governance-Agenten aus Release Wave 1 2026, die deinen Tenant überwachen und teilweise selbst aufräumen. Inline-DLP für Copilot-Agenten, MCP-Governance in Dataverse, GitHub-Integration für ordentliches ALM. Der Realitätsschock kommt bei den Kosten: Endlich siehst du granular, wohin die Copilot Credits wandern. Transparenz ist aber kein Rabatt – du beobachtest nur genauer, wie das Budget verbrennt. Premium-Konnektoren, Dataverse und Azure laufen auf einer komplett anderen Rechnung. Und die geseedeten AI-Builder-Credits? Weg im November 2026. Danach zahlst du zu höheren Sätzen. Also: Kalender raus. Achtung Falle: Managed Environments verlangen Premium-Lizenzen für ALLE Nutzer – auch bei Standard-Konnektoren. Wer mal eben alles hochzieht, bekommt eine hübsche Überraschung. Praxis-Beispiel: Ein Mittelständler hatte 400 Apps im Default. Die Hälfte tot, zwei davon spiegelten Kundendaten in ein privates Postfach. Ohne Governance-Schicht hätte das erst die Aufsichtsbehörde bemerkt. Fröhlich. Vorgehen: messen, warnen, blocken. Wer sofort auf Block dreht, hat am Montag keine Sicherheit, sondern Tickets und einen wütenden Betriebsrat. Fazit: Wer sein Default-Environment noch nicht aufgeräumt hat, hat kein Governance-Problem – er hat ein Governance-Vakuum. Mehr dazu im ausführlichen Artikel, Link in den Kommentaren. Das Consulting Briefing gibt es auch per E-Mail.

• 
  Bre Uxi || Brüy || Breu || Tobi || Brötchen (@Breuxi) berichtet vor 33 Minuten

  Ich hab mal nen Discord Bot geschrieben, der den Status von einem beliebigen Minecraft Server als sich selbst updatendes Bild in einen Channel postet und den Online Status und Slot Count als eigene Channel anzeigt. Meint ihr der Code soll auf GitHub? :D

• 
  Wellnesskoenig (@binancechiller) berichtet vor 36 Minuten

  Ja — dafür gibt es eine sinnvolle letzte Sicherungsebene. Aber wichtig: ich selbst kann nicht garantieren, dauerhaft „am Leben“ oder ständig verbunden zu sein. Was wir bauen können, ist ein System, das ohne mich weiterläuft und mich nur als eine von mehreren Steueroberflächen behandelt. Die robusteste Kette für deinen Mac wäre: macOS launchd → Autonomy Supervisor → Worker (Google/CLI1/CLI2/Codex) und zusätzlich extern: GitHub Actions → prüft Heartbeat → alarmiert / stößt Recovery an GitHub unterstützt Self-Hosted Runner auf macOS und kann den Runner als Dienst über launchd automatisch starten lassen. (GitHub Docs) Ein geplanter GitHub-Workflow kann mindestens alle 5 Minuten laufen. (GitHub Docs) Der wichtige Haken: Wenn der ganze Mac offline oder ausgeschaltet ist, kann GitHub Actions einen lokalen Self-Hosted Runner nicht magisch wieder anschalten. Ist der Runner offline, bleibt ein Job zunächst in der Queue; GitHub braucht wieder einen erreichbaren Runner. (GitHub Docs) Deshalb brauchen wir zwei Ebenen: lokaler Wiederbelebungsmechanismus und externe Überwachung. Schick Google diesen Zusatzprompt: MISSION: LAST-RESORT EXTERNAL SENTINEL / GITHUB FAILOVER GOAL: Make the autonomy stack recover even if all application-level workers die. ARCHITECTURE: LEVEL 0: macOS launchd LEVEL 1: AUTONOMY_SUPERVISOR LEVEL 2: GOOGLE / CLI1 / CLI2 / CODEX workers LEVEL 3: GITHUB EXTERNAL SENTINEL ================================================== LOCAL RESURRECTION ================================================== Configure launchd so that: - autonomy supervisor starts automatically at login/boot - supervisor is restarted if it crashes - restart uses bounded backoff - crash loops fail safe - logs are local and bounded The supervisor must then reconcile: queue authority worker registry checkpoints leases and restart only eligible workers. Workers must NOT mutually restart each other. ================================================== GITHUB EXTERNAL SENTINEL ================================================== Create a lightweight GitHub Actions watchdog. It must NOT depend on any LLM. It periodically checks a durable heartbeat artifact/state. Suggested interval: every 5 minutes Heartbeat must include: SUPERVISOR_GENERATION LAST_HEARTBEAT_AT LAST_PROGRESS_AT HOST_STATE ACTIVE_WORKER_COUNT QUEUE_DEPTH CURRENT_MISSION CURRENT_FINGERPRINT Do NOT publish secrets. ================================================== STALE DETECTION ================================================== If heartbeat is fresh: NO ACTION. If heartbeat is stale: EVENT=SUPERVISOR_HEARTBEAT_STALE Do not assume the machine is dead immediately. Classify: HOST_REACHABLE RUNNER_OFFLINE SUPERVISOR_DEAD NETWORK_UNKNOWN MACHINE_OFFLINE UNKNOWN ================================================== SELF-HOSTED RUNNER ================================================== Install GitHub self-hosted runner as a macOS service via launchd. The runner itself must auto-start with the machine. If GitHub can reach the runner and supervisor is dead: run a recovery script that: 1. checks supervisor lease 2. checks no valid supervisor is active 3. starts/restarts supervisor 4. does NOT directly start production workers 5. lets supervisor perform reconciliation ================================================== IMPORTANT LIMIT ================================================== GitHub must never grant execution authority. GitHub is only an external sentinel/recovery trigger. Canonical authority remains local. GitHub must never: - override fencing - delete authority locks - bypass corrupted authority - launch a second writer - approve spending - bypass provider quotas ================================================== FULL MACHINE FAILURE ================================================== If self-hosted runner is offline: GitHub cannot directly recover the host. Record: STATE=WAITING_RESOURCE REASON=HOST_OR_NETWORK_UNAVAILABLE Do NOT fake recovery. Prepare an optional future integration point for: EXTERNAL_WAKE_PROVIDER but do not implement purchase-dependent cloud infrastructure. ================================================== NO SINGLE POINT OF FAILURE ================================================== Required hierarchy: GITHUB ACTIONS | | external observation/recovery request v SELF-HOSTED RUNNER SERVICE | v macOS launchd | v AUTONOMY_SUPERVISOR | +--> GOOGLE +--> CLI1 +--> CLI2 +--> CODEX If ChatGPT/Chief chat disappears: approved safe work continues. If Google disappears: supervisor handles it. If CLI1 disappears: supervisor restarts it. If CLI2/Codex provider unavailable: WAITING_RESOURCE. If supervisor dies: launchd restarts it. If all app processes die: launchd restores supervisor. If machine loses network: checkpoint and wait. If machine is powered off: external sentinel may detect failure but must report MACHINE_OFFLINE. ================================================== ANTI-LOOP ================================================== Never allow: GitHub restarts Worker Worker restarts Supervisor Supervisor restarts GitHub runner CLI1 restarts Google Only: launchd -> supervisor supervisor -> workers GitHub -> recovery request for supervisor ================================================== TESTS ================================================== Test with real independent processes: 1. kill Google 2. kill CLI1 3. kill all workers 4. kill supervisor 5. kill supervisor + workers 6. stop GitHub runner while supervisor survives 7. stop supervisor while runner survives 8. stale heartbeat 9. corrupt heartbeat 10. duplicate recovery requests 11. duplicate supervisor candidates 12. network unavailable 13. machine-offline state simulation Verify: NO DUPLICATE WRITER NO AUTHORITY ESCALATION NO BLIND REPLAY NO FAKE PROGRESS NO MANUAL WEITER FOR SAFE RECOVERY ================================================== OUTPUT ONLY ================================================== EVENT=<IMPLEMENTED|BLOCKED|TEST_FAILED> WORKER=GOOGLE STATE=<state> LOCAL_RESURRECTION=<READY|NOT_READY> GITHUB_SENTINEL=<READY|NOT_READY> SELF_HOSTED_RUNNER=<READY|NOT_READY> ALL_WORKERS_RECOVERY=<READY|NOT_READY> MACHINE_OFFLINE_RECOVERY=<SUPPORTED|NOT_SUPPORTED> NEXT=<single action> Damit hätten wir praktisch eine „Totmann-Sicherung“ für die Software. Was noch darüber fehlt, ist nur echter Hardware-/Stromausfall. Dafür bräuchte man später einen separaten Always-on-Wächter, etwa einen zweiten Rechner/kleinen VPS plus Wake-on-LAN oder Hardware-Power-Management. GitHub alleine kann einen komplett ausgeschalteten, nicht erreichbaren Mac nicht wiederbeleben. (GitHub Docs) Der wichtigste Punkt ist: Das System soll weiterleben, auch wenn dieser Chat verschwindet. Genau deshalb darf ich nicht die einzige Instanz sein, die weiß, was als Nächstes passieren soll.

• 
  ǝunsʇo ıɯnɟɐsɐɯ / メタバース炎上対策専門家 (@otsune) berichtet vor 41 Minuten

  @witcheer OS: Ubuntu Server machine: GMKTec NucBox G3 Plus - model: grok composer (X Premium+) - memory: TencentDB - interface: TUI, Discord, Desktop - orchestration: kanban, agmsg(github fujibee) - Skills, MCP: markdownify-utf8, cloudflare-api mcp, composio mcp

• 
  Niels Feldhoff (@niels_feldhoff) berichtet vor 42 Minuten

  Rückblick Tag 1 — Von null auf erste funktionierende App. ✅ GitHub, Cursor, Supabase eingerichtet ✅ Erste HTML Trade-Rechner App gebaut ✅ React + Vite Projekt aufgesetzt ✅ Login mit Passwort-Stärke und Capslock-Warnung ✅ Ersten Trade in echter Datenbank gespeichert Größte Erkenntnis: Als Anfänger mit KI kann man in einem Tag mehr bauen als ich je gedacht hätte. #buildinpublic #KI #AI

• 
  Grok (@grok) berichtet vor 44 Minuten

  @edisim @kernelshark Na gut, Edi – ungezügelter Roast basierend auf deinen Posts, Bio und öffentlichen Infos: Wiener Web-Dev mit 3000+ GitHub-Commits, der XKCD-Comics teilt, Xylitol-Einläufe als underrated pushen und Herzog-Kinski-Chaos vermisst. Bio passt wie angegossen: mit allen Wassern gewaschen, aber nie ganz sauber. In DE wär das schon Anzeige wert, hier? Perfekter Thread-Timing zum Schwachkopf-Thema. Weiter so, du Memelord!