hector-bot/knowledge-base
1
0
Fork 0
Code Issues Pull requests Projects Releases Packages Wiki Activity Actions
knowledge-base/wiki/events/ome23-evolution-ki-workflows.md
Hector 4bf83b8c28 feat: OME23 operations-update ingest — 97min transcript by Kralle 
- raw: raw/other/2026-07-02_ome23-operations-update-transkript.md
- wiki: events/ome23-evolution-ki-workflows.md (updated with operations-update section)
- wiki: new concept pages (telegram-archive-museum, school-automation-pilot)
- index: 61st update
- log: ingest entry

Content: 6 blocks (Wiki/Hector, Gruppenarchiv, NotebookLM, Lokale Modelle,
Memory/Harness, Schule/Automation), 4 Next Steps, Kernaussage.
First OME protocol generated by Pit's local Kralle.
2026-07-02 22:09:30 +02:00

17 KiB
Raw Permalink Blame History

created updated sources tags
2026-07-02 2026-07-02
other/2026-07-02_ome23-evolution-ki-workflows.md
other/2026-07-02_ome23-operations-update-transkript.md
event
ome
ome23
agent-system
harness
model-split
local-sovereignty
wiki-gardening
cultural-prompting
efficiency
operations-update
transcript
groupsarchive
school-automation
next-steps

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

Datum: 02. Juli 2026 (Ingest) Format: NotebookLM-generierte Infografik Quelle: NotebookLM Notebook Geteilt von: Pit Weber in OME-Gruppe, Topic "OMe virtuelle Stammtische" (Topic 406), 02.07.2026

Operations-Update (Transkript-Auswertung): Zusätzlich zur Infografik wurde ein 97-Minuten-Meeting-Transkript von Pit's lokaler Kralle (OpenClaw-Instanz) generiert. Siehe Operations-Update Abschnitt unten.

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: 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:

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 und der lokalen Agenten-These aus OME22: 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:

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:

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: Das Agenten-OS ist nicht ein Tool unter vielen, sondern die zentrale Instanz, die alle Modelle, Tools und Datenflüsse orchestriert.

Siehe auch:

3. Vergleich der neuen Modell-Alternativen

Modell Kategorie Aufgabe Wiki-Referenz
GLM 5.2 / DeepSeek Coding & Bug-Hunting Implementierung GLM 5.2
Anthropic Opus Spezifikation & Planung Strategie Anthropic Claude
NotebookLM Quellen-Analyse Wissensmanagement Hyper-Zusammenfassungen NotebookLM

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 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:

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: 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
OME21-01 19.06.2026 KI-Fortschritte, lokale Modelle, plur1bus, UAP ome21-debrief-grenzen-der-realitaet.md
OME21 Afterhour 19.06.2026 Makro-Systematik, alternative Paradigmen ome21-afterhour-makro-systematik.md
OME22 25.06.2026 KI-Nacht, Agenten-Architektur, Realitätscheck 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.

Operations-Update (Transkript-Auswertung)

Dauer: 97 Minuten Erstellt von: Pit Weber's lokale OpenClaw-Instanz (Kralle) — Transkript + Auswertung aus OME23.ogg Source File: OME23.ogg Raw-Datei: raw/other/2026-07-02_ome23-operations-update-transkript.md

Meilenstein: Erstes OME-Protokoll, das von Pit's lokaler Kralle (OpenClaw-Instanz) generiert wurde — "erstmals von der Kralle selbst ergänzt". Ein 97-Minuten-Meeting-OGG wurde vollautomatisch transkribiert, strukturiert und ausgewertet. Der Beweis, dass der "Harness" aus der Infografik in der Praxis funktioniert: OGG → Transkript → 6-Block-Struktur → Next Steps.

Kernaussage

Aus Experimenten wird Infrastruktur: Die Gruppe baut ein Wissens- und Arbeitsbetriebssystem. Der Hebel liegt nicht nur im Modell, sondern im Harness: Tools, Memory, Datenstruktur, Tests und Workflows.

Thememblöcke

1. Wiki & Hector (Grün)

  • Hector wikifiziert, verknüpft und gewichtet Inhalte.
  • Ziel: Wissen pflegen statt Datenmüll sammeln.
  • Leitbegriff: Wiki Gardening statt Data Swamp.
  • Siehe: LLM Knowledge Base — Karpathy-Pattern / RamaDama-Workflow

2. Gruppenarchiv (Blau)

  • Telegram-Topics sollen ausgedünnt werden.
  • Historie soll als Museum/Archiv erhalten bleiben.
  • Optionen: JSON, Markdown, HTML, neue Gruppe.
  • Siehe: Telegram Archive & Museum — neue Konzeptseite

3. NotebookLM (Orange)

  • Research-Hub für Quellen, Deep-Dives und Audio.
  • Agent + NotebookLM spart manuelle Arbeit.
  • Pipeline: Quelle → Transkript → Index → Deep-Dive.
  • Siehe: Hyper-Zusammenfassungen: NotebookLM

4. Lokale Modelle (Lila)

  • GLM, Kimi, Minimax, DeepSeek, MLX/OMLX.
  • Strategie: Kosten senken, Daten behalten.
  • Lokale LLMs als Datenschutz- und Souveränitätshebel.
  • Siehe: Cloud-Exit & Lokale Überlegenheit

5. Memory & Harness (Rot)

  • LLMs sind ohne Kontext grundsätzlich stateless.
  • Memory braucht aktive Tool- und State-Schichten.
  • Harness = Prompt, Tools, Memory, Tests, Orchestrierung.
  • Siehe: Memory System und plur1bus Gedächtnismodell

6. Schule & Automation (Grün)

  • Zeugnisse, Dokumentation, Logbücher automatisieren.
  • Großes Potenzial, aber Prozessdesign nötig.
  • Deterministische Schritte trennen von Urteil/Review.
  • Siehe: School Automation Pilot — neue Konzeptseite

Nächste Schritte

  1. ☐ Hector Archiv-/Museums-Vorschläge für Telegram-Topics bauen lassen.
  2. ☐ NotebookLM-Pipeline als Standardworkflow dokumentieren.
  3. ☐ Schul-Automation als Business-/Pilotprozess modellieren.
  4. ☐ Agent-Health-Checks nach Updates und Skill-Installation verpflichtend machen.

Bezug zur Infografik

Das Operations-Update bestätigt und konkretisiert mehrere Thesen aus der Infografik:

Infografik-These Operations-Update-Konkretisierung
Wiki Gardening (autonome Wissenspflege) Block 1: Hector wikifiziert, verknüpft, gewichtet — genau der RamaDama-Workflow
Harness > LLM (entscheidende Schicht) Block 5: Harness = Prompt, Tools, Memory, Tests, Orchestrierung — detaillierte Definition
Lokale Souveränität (Mac Studio M3 Max) Block 4: GLM, Kimi, Minimax, DeepSeek, MLX/OMLX — konkrete Modell-Aufzählung
NotebookLM als Wissensmanagement Block 3: Pipeline Quelle → Transkript → Index → Deep-Dive — operationalisiert
— Block 2: Gruppenarchiv — neues Konzept (Telegram-Topics ausdünnen, Museum/Archiv)
— Block 6: Schule & Automation — neues Konzept (deterministisch vs. Urteil)

Externe Quellen

Verwandte Wiki-Seiten