---
created: 2026-07-02
updated: 2026-07-02
sources: [other/2026-07-02_ome23-evolution-ki-workflows.md]
tags: [event, ome, ome23, agent-system, harness, model-split, local-sovereignty, wiki-gardening, cultural-prompting, efficiency]
---

# OME23 — "Evolution der KI-Workflows: Vom Chatbot zum Agenten-System"

**Datum:** 02. Juli 2026 (Ingest)
**Format:** NotebookLM-generierte Infografik
**Quelle:** [NotebookLM Notebook](https://notebooklm.google.com/notebook/af76321e-164d-4765-ba00-c3b1ccc883b7?authuser=1)
**Geteilt von:** Pit Weber in OME-Gruppe, Topic "OMe virtuelle Stammtische" (Topic 406), 02.07.2026

## Überblick

OME23 war ein virtueller OME-Stammtisch mit Fokus auf die **Evolution von KI-Workflows** — von einfachen Chatbot-Interaktionen hin zu komplexen, agentenbasierten Systemen. Die von NotebookLM generierte Infografik bündelt die Inhalte in vier Blöcken: Infrastruktur & Modell-Strategie, zentrale Illustration des Agenten-Systems, Modell-Vergleich, sowie Produktivität & Automatisierung. Das Dokument führt mehrere Thesen aus OME22 weiter (Harness-Layer, lokale Souveränität, OpenClaw-Produktions-Agenten) und erweitert sie um neue Konzepte: Wiki Gardening, Cultural Prompting, 93× Effizienz-Faktor und strategischen Modell-Split.

## Event-Insights

### 1. Infrastruktur & Modell-Strategie

#### Der "Harness" ist entscheidender als das LLM

Nicht das Sprachmodell selbst, sondern die **umgebende Agenten-Schicht** (der "Harness") bestimmt Intelligenz und Nutzbarkeit. Diese These ist eine direkte Vertiefung des Pluribus-Prinzips aus [OME22](ome22-ki-nacht-agenten-architektur.md): Wo OME22 den Harness-Layer als lokalen Memory-Filter beschrieb, positioniert OME23 ihn als die entscheidende Architektur-Schicht überhaupt — das LLM wird zur austauschbaren Komponente, der Harness zum eigentlichen Intelligenz-Träger.

Siehe auch:
- [Spec Driven Development mit Harness](../concepts/llm/spec-driven-development-harness.md) — Tielke's Harness-Konzept aus Phase 2-3
- [plur1bus Gedächtnismodell](../concepts/agents/plur1bus-memory-model.md) — Harness-Layer mit Vektor-Datenbank
- [Model Routing](../architecture/model-routing.md) — Routing-Architektur als Harness-Implementation

#### Lokale Souveränität durch High-End Hardware

**Mac Studios (M3 Max)** mit SSD-Streaming ermöglichen den lokalen Betrieb von Top-Modellen wie **GLM 2.2**. Dies ist die Konkretisierung der Cloud-Exit-These aus [OME21](ome21-debrief-grenzen-der-realitaet.md) und der lokalen Agenten-These aus [OME22](ome22-ki-nacht-agenten-architektur.md): Wo OME22 nur "lokal ohne Internet" postulierte, benennt OME23 die konkrete Hardware (Mac Studio M3 Max) und das Betriebssystem-Pattern (SSD-Streaming für Modelle, die nicht in den RAM passen).

Siehe auch:
- [Cloud-Exit & Lokale Überlegenheit](../concepts/hardware/cloud-exit-and-local-superiority.md) — Preisschock, MoE-Modelle, RAM als Währung
- [NVIDIA DGX Station 748GB](../concepts/hardware/nvidia-dgx-station-748gb.md) — Enterprise-Spitze der lokalen Hardware
- [MLX MoE Optimization](../concepts/llm/mlx-moe-local-ai-optimization.md) — Apple Silicon MoE-Optimierung
- [Local LLM Laptop Guide](../concepts/llm/local-llm-laptop-guide.md) — Prosumer-Einstieg

#### Strategischer Modell-Split

| Aufgabe | Modell | Begründung |
|---------|--------|------------|
| **Planung** (Spezifikation & Planung) | Anthropic/Claude (Opus) | Stärkste Reasoning- und Strukturierungsfähigkeit |
| **Implementierung** (Coding & Bug-Hunting) | Codex/DeepSeek (GLM 5.2) | Kosteneffizient, Open-Weights, stark im Code |

Dieser Modell-Split ist eine **pragmatische Lösung des Guardrail-Dilemmas** aus OME22: Anstatt ein einziges Modell für alles zu nutzen (und damit Guardrail-Probleme zu akzeptieren), wird die Aufgabe nach Stärken aufgeteilt. Claude übernimmt die strategische Planung (wo Guardrails weniger stören), DeepSeek/GLM die Implementierung (wo Coding-Fähigkeit zählt, nicht politische Korrektheit).

Siehe auch:
- [GLM 5.2 (Z.ai)](../concepts/llm/glm-5.2-zai-coding-model.md) — #1 Open-Weights, 39× günstiger als Fable 5
- [Model Routing](../architecture/model-routing.md) — Two-Model-Pipeline als Architektur-Pattern
- [Chinese Model Cost Routing](../concepts/llm/chinese-model-cost-routing.md) — 87% Cost-Cut durch Modell-Split
- [Vibe Coding vs. Enterprise](../concepts/llm/vibe-coding-vs-enterprise.md) — Tielke's Enterprise-Experiment mit Modell-Split

### 2. Zentrale Illustration: Der Agenten-Kern

Ein großer, futuristischer KI-Kern (Zentralrechner mit Gehirn-Symbol) verbindet alle Komponenten — symbolisiert das **Agenten-System als zentrale Schaltstelle**. Dies bestätigt die OpenClaw-Produktions-Agenten-These aus [OME22](ome22-ki-nacht-agenten-architektur.md): Das Agenten-OS ist nicht ein Tool unter vielen, sondern die zentrale Instanz, die alle Modelle, Tools und Datenflüsse orchestriert.

Siehe auch:
- [OpenClaw](../tools/openclaw.md) — Agenten-OS als zentrale Schaltstelle
- [AI Agents 2026](../concepts/agents/ai-agents-2026.md) — Wandel zu autonomen Agenten

### 3. Vergleich der neuen Modell-Alternativen

| Modell | Kategorie | Aufgabe | Wiki-Referenz |
|--------|-----------|---------|---------------|
| **GLM 5.2 / DeepSeek** | Coding & Bug-Hunting | Implementierung | [GLM 5.2](../concepts/llm/glm-5.2-zai-coding-model.md) |
| **Anthropic Opus** | Spezifikation & Planung | Strategie | [Anthropic Claude](../tools/anthropic-claude.md) |
| **NotebookLM** | Quellen-Analyse | Wissensmanagement | [Hyper-Zusammenfassungen NotebookLM](../concepts/llm/hyper-summaries-notebooklm.md) |

Bemerkenswert: NotebookLM erscheint hier erstmals als **eigenständige Modell-Alternative** im OME-Event-Kontext — nicht nur als Infografik-Generator, sondern als Wissensmanagement-Tool mit Quellen-Analyse-Fähigkeit. Dies verbindet sich mit der Wiki-Gardening-These (Block 4): NotebookLM kann als Komponente in einem Agenten-System zur Wissenspflege dienen.

### 4. Produktivität & Automatisierung

#### 93× Faktor 93: Radikale Effizienzsteigerung

Systematische KI-Integration in Software-Architektur führt zu **massiven Zeitersparnissen** — ein Faktor von 93×. Diese Zahl bestätigt quantitativ, was [Tielke's 45-Tage-Experiment](../concepts/llm/vibe-coding-vs-enterprise.md) qualitativ belegt: Enterprise-Software-Entwicklung mit KI ist nicht 2-3× schneller, sondern um Größenordnungen. Der Faktor 93× suggeriert, dass die Evolution vom Chatbot zum Agenten-System nicht inkrementell, sondern diskontinuierlich ist — ein Phasenübergang.

#### Autonomes "Wiki Gardening"

Roboter strukturieren, indexieren und pflegen **eigenständig Wissensdatenbanken**. Dies ist eine direkte Beschreibung unseres RamaDama-Wiki-Workflows: Der OpenClaw-Agent (Hector) kuratiert autonom Wiki-Seiten, aktualisiert Cross-References, pflegt die Index-Datei und führt Git-Commits durch — genau das, was diese Infografik als zukünftiges Pattern beschreibt. Das Wiki-Gardening-Konzept verbindet sich mit:
- [OpenClaw](../tools/openclaw.md) — Agenten-OS für autonome Wissenspflege
- [plur1bus Gedächtnismodell](../concepts/agents/plur1bus-memory-model.md) — Memory-Layer als Grundlage
- [Karpathy — How I use LLMs](../tutorials/karpathy-how-i-use-llms.md) — LLM-Praxis für Wissensmanagement

#### Überwindung des kulturellen "Blinden Flecks"

Vergleich **"Tourist" vs. "Local"**:

| Modus | Verhalten | Ergebnis |
|-------|-----------|----------|
| **Tourist** | Oberflächliche, generische Antworten in Anfragesprache | Verpasst lokale Relevanz, oberflächlich |
| **Local** | Gezieltes fremdsprachiges Prompting für tiefes, lokal relevantes Wissen | Erschließt verdeckte Quellen, tiefes Wissen |

Dies ist die **aktive Strategie-Erweiterung** des [AI Search Language Blind Spot](../concepts/llm/ai-search-language-blind-spot.md): Wo Daniel Nest den "Language Lens Bias" als Problem diagnostizierte (AI-Such-Chatbots suchen in Anfragesprache → lokale Perspektiven ausgeschlossen), formuliert OME23 die Lösung: bewusstes fremdsprachiges Prompting als Heuristik für tiefes Wissen. "Local Sources" Prompt-Hack wird hier zur "Tourist vs. Local" Metapher.

## Einordnung in die OME-Event-Reihe

| Event | Datum | Fokus | Link |
|-------|-------|-------|------|
| OME20 | 12.06.2026 | Ufologie, Physik, Bewusstsein | [ome20-special-ufologie-physik-bewusstsein.md](ome20-special-ufologie-physik-bewusstsein.md) |
| OME21-01 | 19.06.2026 | KI-Fortschritte, lokale Modelle, plur1bus, UAP | [ome21-debrief-grenzen-der-realitaet.md](ome21-debrief-grenzen-der-realitaet.md) |
| OME21 Afterhour | 19.06.2026 | Makro-Systematik, alternative Paradigmen | [ome21-afterhour-makro-systematik.md](ome21-afterhour-makro-systematik.md) |
| OME22 | 25.06.2026 | KI-Nacht, Agenten-Architektur, Realitätscheck | [ome22-ki-nacht-agenten-architektur.md](ome22-ki-nacht-agenten-architektur.md) |
| **OME23** | **02.07.2026** | **Evolution KI-Workflows, Agenten-System, Harness, Wiki Gardening** | **diese Seite** |

## Kontinuität zu OME22

| OME22-These | OME23-Erweiterung | Art |
|-------------|-------------------|-----|
| Pluribus-Memory-Layer (Harness filtert vor LLM) | **Harness > LLM** (Harness ist entscheidender als das LLM) | Vertiefung |
| Lokale Agenten ohne Internet | **Mac Studio M3 Max mit SSD-Streaming** (konkrete Hardware) | Konkretisierung |
| OpenClaw-Produktions-Agenten | **Agenten-System als zentrale Schaltstelle** (Illustration) | Bestätigung |
| Guardrail-Dilemma (strenge Filter reduzieren Intelligenz) | **Model-Split als pragmatic solution** (Claude plant, DeepSeek implementiert) | Workaround |
| — | **Wiki Gardening** (autonome Wissenspflege) | Neu |
| — | **Cultural Prompting** (Tourist vs. Local) | Neu |
| — | **93× Effizienz-Faktor** | Neu |

### Neue Thesen in OME23 (nicht in OME22)

1. **Wiki Gardening** — Roboter pflegen eigenständig Wissensdatenbanken. Eine neue Disziplin, die direkt unseren RamaDama-Workflow beschreibt.
2. **Cultural Prompting (Tourist vs. Local)** — Fremdsprachiges Prompting als Heuristik für tiefes Wissen. Erweitert den Language Lens Bias um eine aktive Lösung.
3. **93× Effizienz-Faktor** — Quantifizierung der Produktivitätssteigerung durch systematische KI-Integration. Ein Phasenübergang, keine inkrementelle Verbesserung.
4. **Strategischer Modell-Split** — Planung (Claude) vs. Implementierung (DeepSeek/GLM) als pragmatisches Architektur-Pattern. Neu als explizite Empfehlung.

## Externe Quellen

- [NotebookLM Notebook](https://notebooklm.google.com/notebook/af76321e-164d-4765-ba00-c3b1ccc883b7?authuser=1)

## Verwandte Wiki-Seiten

- [GLM 5.2 (Z.ai)](../concepts/llm/glm-5.2-zai-coding-model.md) — Implementierungs-Modell
- [Vibe Coding vs. Enterprise](../concepts/llm/vibe-coding-vs-enterprise.md) — Tielke's 45-Tage-Experiment
- [Spec Driven Development mit Harness](../concepts/llm/spec-driven-development-harness.md) — Harness-Konzept
- [AI Agents 2026](../concepts/agents/ai-agents-2026.md) — Agenten-Wandel
- [plur1bus Gedächtnismodell](../concepts/agents/plur1bus-memory-model.md) — Memory Layer
- [Model Routing](../architecture/model-routing.md) — Model-Split-Pattern
- [Cloud-Exit & Lokale Überlegenheit](../concepts/hardware/cloud-exit-and-local-superiority.md) — Lokale Souveränität
- [OpenClaw](../tools/openclaw.md) — Agenten-OS
- [Karpathy — How I use LLMs](../tutorials/karpathy-how-i-use-llms.md) — LLM-Praxis
- [Hyper-Zusammenfassungen: NotebookLM](../concepts/llm/hyper-summaries-notebooklm.md) — NotebookLM als Wissensmanagement
- [AI Search Language Blind Spot](../concepts/llm/ai-search-language-blind-spot.md) — Language Lens Bias
- [Chinese Model Cost Routing](../concepts/llm/chinese-model-cost-routing.md) — Kosten-Optimierung durch Modell-Split
- [Coding Benchmark Price-Performance](../concepts/llm/coding-benchmark-price-performance.md) — GLM 5.2: 39× günstiger als Fable 5
- [OME22](ome22-ki-nacht-agenten-architektur.md) — Vorgänger-Event
- [OME21-01 Debrief](ome21-debrief-grenzen-der-realitaet.md) — Cloud-Exit-Ursprung