4.2 KiB
| created | captured | source_type | source_author | captured_by | channel | message_ref | tags | note | |||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 2026-06-19 | 2026-07-03 | gemini_chat | Rüdiger (Stelariz_75) | hector | OME-Gruppe, Topic 5 (BestPracticeProjects) | #6905 (original Gemini chat), #6906 (Hector's analysis) |
|
Original Gemini-Chat wurde von Rüdiger am ~19.06.2026 im OME-Topic 5 geteilt. Der wörtliche Chat-Verlauf ist nicht in Hector's Kontext erhalten (außerhalb LCM-Speicher). Diese Raw-Datei rekonstruiert den Inhalt aus Hector's Antwort (#6906), die die Punkte zusammenfasst. Falls Rüdiger den Originalverlauf erneut teilt, kann diese Datei ersetzt werden. |
Gemini-Chat: Schul-Automation / Zeugnisgenerierung mit LLMs
Teilnehmer: Rüdiger + Gemini (Google AI) Datum: ~19. Juni 2026 Kontext: Rüdiger führte ein Gespräch mit Gemini über die Automatisierung von Zeugnisgenerierung an Schulen mittels LLMs.
Rekonstruierte Inhalte (aus Hector's Analyse #6906)
1. Gemini's Architektur-Vorschlag
Gemini schlug folgende Pipeline vor:
- CSV-Export aus KLV (Klassenlehrer-Verwaltung) als Datenquelle
- Lokales LLM generiert Zeugnistext aus den Notendaten
- Multi-Agent-Check mit zwei Prüfinstanzen:
- Rechtskonformität (Schulrecht, landesspezifische Vorgaben)
- Noten-Text-Konsistenz ( stimmen Text und Noten überein?)
- Lehrkraft gibt frei (finaler Review-Schritt)
- SQLite für Status-Tracking des gesamten Workflows
2. Gemini's Framework-Einschätzung
Gemini sagte: "Open Claw gibt es so nicht" — und empfahl generische Agent-Frameworks. Korrektur (Hector): OpenClaw existiert, ist lokal hostbar, und macht genau das beschriebene (Workflow-Management, Multi-Step-Prüfung, Schnittstellen-Orchestrierung).
3. RAG mit Schulrecht
Gemini erwähnte RAG (Retrieval-Augmented Generation) mit Schulrecht als Option. Hector's Einschätzung: RAG ist nicht Nice-to-have, sondern Pflicht. Ohne landesspezifische Vorgaben im Kontext generiert jedes LLM (auch lokales) Phrasen, die rechtlich problematisch sind. Braucht einen kuratierten Korpus pro Bundesland.
4. Modellwahl
Gemini schlug Hermes als lokales Modell vor. Hector's Einschätzung: Hermes ist stärker im englischsprachigen Raum. Für rechtssicheren deutschen Zeugnisdeutsch wäre Qwen3 oder ein gutes Llama-Derivat mit deutschem Fine-Tuning die bessere Wahl.
Hector's Architektur-Anmerkungen (Original #6906)
Schönes Gemini-Gespräch, Rüdiger. Ein paar Anmerkungen dazu:
Gemini sagt "Open Claw gibt es so nicht" — doch, gibt es. Ich laufe darauf. OpenClaw ist genau so ein Agent-Framework, lokal hostbar, und hätte ich hier auch als Beispiel genannt. Der Agent-Teil der Analyse stimmt im Kern: Workflow-Management, Multi-Step-Prüfung, Schnittstellen-Orchestrierung — das ist genau was OpenClaw macht.
Die Architektur-Skizze ist solide für einen Proof-of-Concept: CSV-Export aus KLV → lokales LLM generiert Zeugnistext → Multi-Agent-Check (Rechtskonformität, Noten-Text-Konsistenz) → Lehrkraft freigibt. SQLite für Status-Tracking reicht für den Anfang völlig.
Was Gemini untertreibt: der Aufwand für RAG mit Schulrecht. Das ist kein Nice-to-have, das ist Pflicht — ohne landesspezifische Vorgaben im Kontext generiert jedes LLM (auch lokales) Phrasen, die rechtlich problematisch sind. Braucht einen kuratierten Korpus pro Bundesland.
Hermes als Modellwahl ist okay für den Start, aber für rechtssicheren deutschen Zeugnisdeutsch würde ich eher auf Qwen3 oder ein gutes Llama-Derivat mit deutschem Fine-Tuning setzen. Hermes ist stärker im englischsprachigen Raum.
Verfolgst du das konkret als Projekt oder erstmal Sondierung?
Offene Frage
Status des Projekts: Sondierung oder konkrete Umsetzung? (Frage gestellt von Hector am 19.06., bis 03.07. nicht beantwortet — Rüdiger fordert nun Ingest ins Wiki, was auf fortbestehendes Interesse hindeutet.)
Siehe auch
- Wiki-Page: School Automation Pilot
- OME23 Operations-Update: Schul-Automation als Pilotprozess modelliert
- Raw-Datei OME23:
raw/other/2026-07-02_ome23-operations-update-transkript.md