hector-bot/knowledge-base
1
0
Fork 0
Code Issues Pull requests Projects Releases Packages Wiki Activity Actions
knowledge-base/raw/other/2026-07-02_ome23-evolution-ki-workflows.md
Hector 495af8ef8c feat: OME23 wiki ingest — Evolution der KI-Workflows (NotebookLM-Infografik) 
- raw: raw/other/2026-07-02_ome23-evolution-ki-workflows.md
- wiki: events/ome23-evolution-ki-workflows.md (new event page)
- index: 60th update, Events section + raw source
- log: ingest entry with Hector-Hauptthese

Content: Harness > LLM, Model-Split (Claude/DeepSeek), Local Sovereignty (Mac Studio M3 Max),
93x Efficiency, Wiki Gardening, Cultural Prompting (Tourist vs Local)
2026-07-02 22:05:12 +02:00

5 KiB
Raw Blame History

type source_url retrieved title tags
other https://notebooklm.google.com/notebook/af76321e-164d-4765-ba00-c3b1ccc883b7?authuser=1 2026-07-02 OME23 — Evolution der KI-Workflows: Vom Chatbot zum Agenten-System (NotebookLM-Infografik)
event
ome
ome23
notebooklm
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 Autor: NotebookLM (automatisiert) Quelle: NotebookLM Notebook Geteilt von: Pit Weber in OME-Gruppe, Topic "OMe virtuelle Stammtische" (Topic 406), 02.07.2026

Überblick

Die Infografik zeigt die Weiterentwicklung von KI-Systemen — von einfachen LLMs hin zu komplexen, agentenbasierten Systemen. Auf Deutsch. Vier Thememblöcke werden abgedeckt: Infrastruktur & Modell-Strategie, zentrale Illustration, Modell-Vergleich, sowie Produktivität & Automatisierung.

Content Blocks (Infografik-Extrakt)

Block 1: Infrastruktur & Modell-Strategie (linke Seite)

  1. Der "Harness" ist entscheidender als das LLM — nicht das Sprachmodell selbst, sondern die umgebende Agenten-Schicht bestimmt Intelligenz und Nutzbarkeit
  2. Lokale Souveränität durch High-End Hardware — Mac Studios (M3 Max) mit SSD-Streaming für lokalen Betrieb von Top-Modellen wie GLM 2.2
  3. Strategischer Modell-Split:
    • Planung: Anthropic/Claude (Spezifikation & Planung)
    • Implementierung: Codex/DeepSeek (Coding & Bug-Hunting)

Block 2: Zentrale Illustration

Ein großer, futuristischer KI-Kern (Zentralrechner mit Gehirn-Symbol) verbindet alle Komponenten — symbolisiert das Agenten-System als zentrale Schaltstelle. Viele kleine Roboter und KI-Symbole, Datenleitungen und Verbindungen, NotebookLM-Logo in der unteren rechten Ecke.

Block 3: Vergleich der neuen Modell-Alternativen (Mitte unten)

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

Block 4: Produktivität & Automatisierung (rechte Seite)

  1. 93× Faktor 93: Radikale Effizienzsteigerung — systematische KI-Integration in Software-Architektur führt zu massiven Zeitersparnissen
  2. Autonomes "Wiki Gardening" — Roboter strukturieren, indexieren und pflegen eigenständig Wissensdatenbanken
  3. Überwindung des kulturellen "Blinden Flecks" — Vergleich "Tourist" (oberflächliche, generische Antworten) vs. "Local" (tiefes, lokal relevantes Wissen durch gezieltes fremdsprachiges Prompting)

Visuelle Elemente

  • Viele kleine Roboter und KI-Symbole
  • Datenleitungen und Verbindungen
  • NotebookLM-Logo in der unteren rechten Ecke
  • Futuristischer KI-Kern als zentrales Motiv

Wiki-Kontext & Querverweise

  • Harness > LLM: Siehe [[concepts/llm/spec-driven-development-harness.md]] — Harness-Konzept aus Tielke's 5-Phasen-Modell
  • Modell-Split (Claude/DeepSeek): Siehe [[architecture/model-routing.md]] — Model-Split-Pattern in der Routing-Architektur
  • Lokale Souveränität (Mac Studio M3 Max): Siehe [[concepts/hardware/cloud-exit-and-local-superiority.md]] — Cloud-Exit und lokale Überlegenheit
  • GLM 5.2: Siehe [[concepts/llm/glm-5.2-zai-coding-model.md]] — GLM 5.2 als Implementierungs-Modell
  • Wiki Gardening: Siehe [[tools/openclaw.md]] — autonome Wissenspflege durch Agenten
  • 93× Effizienz: Siehe [[concepts/llm/vibe-coding-vs-enterprise.md]] — Tielke's Enterprise-KI-Experiment als Beleg
  • Cultural Prompting (Tourist vs Local): Siehe [[concepts/llm/ai-search-language-blind-spot.md]] — Language Lens Bias und Local Sources
  • NotebookLM: Siehe [[concepts/llm/hyper-summaries-notebooklm.md]] — NotebookLM als Wissensmanagement-Tool
  • Agenten-Wandel: Siehe [[concepts/agents/ai-agents-2026.md]] — Wandel zu autonomen Agenten
  • plur1bus Memory: Siehe [[concepts/agents/plur1bus-memory-model.md]] — Memory Layer für Agenten

Key Takeaways

  1. Harness als entscheidende Schicht: Nicht das LLM, sondern die Agenten-Schicht darumherum bestimmt die Qualität — eine Vertiefung des Pluribus-Prinzips aus OME22
  2. Model-Split als pragmatische Lösung: Claude für Planung, DeepSeek/GLM für Implementierung — umgeht das Guardrail-Dilemma durch Aufgabentrennung
  3. Lokale Souveränität konkretisiert: Mac Studio M3 Max mit SSD-Streaming als praktische Umsetzung der Cloud-Exit-These
  4. 93× Effizienz-Faktor: Systematische KI-Integration bringt radikale Produktivitätssteigerungen — bestätigt Tielke's Experiment
  5. Wiki Gardening als neue Disziplin: Autonome Roboter pflegen Wissensdatenbanken — das RamaDama-Wiki als Musterbeispiel
  6. Cultural Prompting: Fremdsprachiges Prompting als Heuristik für tiefes Wissen — erweitert den Language Lens Bias um eine aktive Strategie