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 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

12 KiB
Raw Blame History

created updated sources tags
2026-07-02 2026-07-02
other/2026-07-02_ome23-evolution-ki-workflows.md
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 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: 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.

Externe Quellen

Verwandte Wiki-Seiten