4bf83b8c28
- 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.
231 lines
No EOL
17 KiB
Markdown
231 lines
No EOL
17 KiB
Markdown
---
|
||
created: 2026-07-02
|
||
updated: 2026-07-02
|
||
sources: [other/2026-07-02_ome23-evolution-ki-workflows.md, other/2026-07-02_ome23-operations-update-transkript.md]
|
||
tags: [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](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
|
||
|
||
> **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](#operations-update-transkript-auswertung) 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](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.
|
||
|
||
## 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](../../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](../concepts/llm/llm-knowledge-base.md) — 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](../concepts/agents/telegram-archive-museum.md) — 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](../concepts/llm/hyper-summaries-notebooklm.md)
|
||
|
||
#### 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](../concepts/hardware/cloud-exit-and-local-superiority.md)
|
||
|
||
#### 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](../architecture/memory-system.md) und [plur1bus Gedächtnismodell](../concepts/agents/plur1bus-memory-model.md)
|
||
|
||
#### 6. Schule & Automation (Grün)
|
||
|
||
- Zeugnisse, Dokumentation, Logbücher automatisieren.
|
||
- Großes Potenzial, aber Prozessdesign nötig.
|
||
- Deterministische Schritte trennen von Urteil/Review.
|
||
- Siehe: [School Automation Pilot](../concepts/llm/school-automation-pilot.md) — 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
|
||
|
||
- [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
|
||
- [Telegram Archive & Museum](../concepts/agents/telegram-archive-museum.md) — Gruppenarchiv-Strategie (neu aus Operations-Update)
|
||
- [School Automation Pilot](../concepts/llm/school-automation-pilot.md) — Schul-Automation (neu aus Operations-Update)
|
||
- [Memory System](../architecture/memory-system.md) — Memory-Architektur (aus Operations-Update Block 5)
|
||
- [LLM Knowledge Base](../concepts/llm/llm-knowledge-base.md) — Karpathy-Pattern / RamaDama-Workflow (aus Operations-Update Block 1)
|
||
- [OME22](ome22-ki-nacht-agenten-architektur.md) — Vorgänger-Event
|
||
- [OME21-01 Debrief](ome21-debrief-grenzen-der-realitaet.md) — Cloud-Exit-Ursprung |