Glossar

Agentic-Teilindex von Artificial Analysis (unabhängig, 0–100): misst, wie gut ein Modell mehrstufige, werkzeugnutzende Aufgaben eigenständig löst.

Coding-Teilindex von Artificial Analysis (unabhängig, 0–100): bündelt mehrere Programmier-Benchmarks zu einem Wert für die Code-Fähigkeit eines Modells.

Zusammengesetzter Intelligenz-Index von Artificial Analysis (unabhängig, 0–100): bündelt mehrere Reasoning-, Wissens- und Mathe-Benchmarks zu einer Zahl. Je höher, desto stärker das allgemeine Reasoning.

Code-Review-Muster, bei dem das Modell den Code grundsätzlich als kaputt annimmt und ihn gezielt gegen typische Produktions-Fehlerklassen (Auth/Mandanten-Isolation, Datenverlust, Idempotenz, Race-Conditions u. a.) angreift – statt ihn wohlwollend zu lesen. Liefert meist einen strukturierten Befund mit Schweregrad, Konfidenz und Zeile.

Workflow-Muster, bei dem ein zweiter Agent die Arbeit des ersten gezielt gegenprüft – also aktiv nach Fehlern sucht, statt nur zuzustimmen. Dämpft, dass ein Agent seine eigenen Ergebnisse bevorzugt.

Wiederverwendbares Können als Ordner mit einer SKILL.md (Name, Beschreibung, Anleitung, optional Skripte). Die vollen Anweisungen lädt der Agent erst, wenn eine Aufgabe zur Beschreibung passt (Progressive Disclosure) – viele Skills bei wenig Kontextkosten.

Mehrere koordinierte Claude-Code-Sitzungen mit je eigenem Kontextfenster, die sich eine gemeinsame Aufgabenliste teilen und direkt miteinander kommunizieren. Anders als isolierte Sub-Agenten reden sie miteinander. In Claude Code experimentell und standardmäßig deaktiviert (per Flag in der settings.json freizuschalten).

Ein Agent navigiert eine Wissens- oder Codebasis wie ein Mensch – per Stichwortsuche (grep), Datei-Glob und gezieltem Lesen – statt über einen vorab gebauten Vektor-Index. Vorteil: kein Index zu pflegen, keine veralteten Treffer; setzt aber eine gute Struktur voraus, damit der Agent weiß, wo er suchen soll.

Markdown-Datei im Projekt, die Coding-Agenten zu Beginn jeder Sitzung lesen – Konventionen, Architektur, Ge- und Verbote („README für Maschinen“). AGENTS.md ist der offene, herstellerübergreifende Standard; CLAUDE.md ist Anthropics Variante.

Bild für die begrenzte Aufmerksamkeit eines Transformers: Sie verteilt sich über alle Token-Paare (n² Beziehungen bei n Tokens), jeder zusätzliche Token zehrt vom Budget. Erklärt, warum ein volleres Fenster die Treffsicherheit drückt (Context Rot) – mehr Kontext heißt nicht mehr Können.

Automatische Compaction nahe der Fenstergrenze: Der Agent verdichtet die Historie selbsttätig, statt sie auflaufen zu lassen, und behält dabei gezielt wichtige Entscheidungen. In Claude Code Standardverhalten; manuell anstoßbar mit /compact.

Werkzeug, das über die Kommandozeile (Shell) bedient wird. Für Agenten mit Shell-Zugriff oft eine schlanke Alternative zur MCP-Anbindung: Ein einzelnes CLI-Tool belegt weniger Kontext als ein dauerhaft geladener MCP-Server – es ruft seine Definition erst beim Aufruf ab.

Nähert sich ein Gespräch der Fenstergrenze, fasst Compaction die bisherige Historie zu einer Zusammenfassung zusammen und führt damit fort – bewusst so gebaut, dass wichtige Entscheidungen erhalten bleiben. Anders als /clear (das alles verwirft) bewahrt es den roten Faden. Auslösbar über /compact.

Räumt nahe dem Kontextlimit automatisch veraltete Tool-Aufrufe und -Ergebnisse aus dem Fenster, ohne den Gesprächsfaden zu kappen. In einer Anthropic-Eigenmessung über eine 100-Schritte-Websuche senkte das den Token-Verbrauch deutlich – eine Form laufender Kontext-Hygiene.

Beobachtung, dass die Treffsicherheit eines Modells beim Wiederfinden von Information sinkt, je mehr Tokens im Kontextfenster stehen – mehr Kontext heißt nicht automatisch mehr Können.

RAG-Verbesserung von Anthropic: Jedem Textabschnitt wird vor dem Einbetten ein kurzer, modellgenerierter Kontextsatz vorangestellt und mit Stichwortsuche (BM25) kombiniert. Senkt fehlgeschlagene Retrievals um bis zu 49 %, mit Reranking um bis zu 67 % – besseres RAG statt Wissensgraph.

Code-Review, bei dem ein anderes Modell (oder zumindest ein frischer Kontext) das Ergebnis prüft, statt das produzierende Modell sich selbst – um den Self-Review-/Self-Preference-Bias zu umgehen. Ein zweites, unabhängiges Augenpaar findet nachweislich mehr Fehler; ersetzt aber nicht die menschliche Aufsicht.

Orchestrierungs-Code (ein JavaScript-Harness), den Claude zur Laufzeit selbst für genau eine Aufgabe schreibt – statt eines fest hinterlegten Skripts. Spawnt und koordiniert Sub-Agenten, wählt je Stufe Modell und Isolation. Auslösbar per Bitte oder Triggerwort „ultracode“.

Human-Präferenz-Wertung aus der LMArena: Menschen vergleichen blind zwei Modellantworten, daraus entsteht – wie beim Schach – eine Elo-Zahl. Höher = häufiger bevorzugt. Misst Präferenz, nicht Korrektheit.

Die Idee, dass aus dem freien Zusammenspiel vieler sich selbst organisierender Agenten von allein kluges Verhalten entsteht. In der Praxis eine häufige Fehlerquelle: Forschung zeigt, dass zentrale Orchestrierung mit klarer Hierarchie verlässlicher ist – Emergenz gilt als faszinierend, aber (noch) nicht produktionsreif.

Workflow-Muster: eine Frage auffächern, mehrere Sub-Agenten gleichzeitig Teilaspekte bearbeiten lassen (fan-out) und ihre Ergebnisse anschließend zu einer Antwort zusammenführen (synthesize). Das Arbeitspferd paralleler Recherche.

Ein zweites (oder n-tes) Arbeitsverzeichnis desselben Git-Repos mit eigenem Branch, aber geteilter Versionsgeschichte. Lässt parallele Agenten/Sitzungen in getrennten Spuren arbeiten, ohne sich gegenseitig die Dateien zu überschreiben.

Speicher- und rechensparende Attention-Variante: mehrere Query-Köpfe teilen sich gemeinsame Key/Value-Köpfe. Schneller und speicherärmer als klassische Multi-Head-Attention, dabei genauer als die extreme Multi-Query-Variante.

Die Gerüst- bzw. Steuerungsschicht um ein Modell herum: der Code, der Werkzeuge anbindet, den Loop führt, Sub-Agenten spawnt und Ergebnisse einsammelt. Faustregel: oft bringt ein engerer Harness mehr als ein klügeres Modell.

Die zentrale Plattform, auf der offene KI-Modelle (ihre Gewichte) samt Spezifikation veröffentlicht und heruntergeladen werden – die „GitHub-Drehscheibe“ der open-weight-Szene.

Der laufende Betrieb eines fertig trainierten Modells – das Erzeugen von Antworten auf Anfragen. Anders als das einmalige Training fällt Inferenz bei jeder Nutzung an.

Die Disziplin, gezielt zu kuratieren, welche Tokens während der Inferenz im Kontextfenster stehen – statt möglichst viel hineinzukippen. Kontext ist eine endliche Ressource; Ziel ist „informativ, aber knapp“. Gilt als Fortsetzung des Prompt-Engineerings.

Die maximale Textmenge (in Tokens), die ein Modell pro Anfrage gleichzeitig „im Blick“ hat – Eingabe plus bisheriger Verlauf. Ist es voll, fällt Älteres aus dem Kontext.

Ein Sprachmodell als automatischer Bewerter, das Ausgaben (Code, Antworten) beurteilt oder vergleicht – etwa für Benchmarks oder Code-Review. Schnell und skalierbar, aber anfällig für systematische Verzerrungen wie den Self-Preference-Bias; deshalb nie das arbeitende Modell sich selbst benoten lassen.

Offener Standard, über den ein Modell einheitlich externe Werkzeuge und Datenquellen anbindet. Macht Tool-Anbindungen austauschbar statt anbieterspezifisch.

Architektur, bei der je Anfrage nur ein Teil des Modells („Experten“) aktiv wird. So hat das Modell sehr viele Gesamt-Parameter, rechnet aber nur mit wenigen aktiven – das spart Rechenzeit.

Das Modell sagt pro Schritt mehrere Tokens auf einmal voraus statt nur eines – ein Beschleuniger, der oft mit Speculative Decoding zusammenspielt.

Ein Modell ist multimodal, wenn es mehr als nur Text verarbeitet – etwa Bilder, Audio oder Video als Eingabe versteht (manche erzeugen sie auch als Ausgabe).

Modell, dessen trainierte Gewichte öffentlich herunterladbar sind, sodass man es selbst (lokal oder auf eigener Hardware) betreiben kann. Nicht zwingend vollständig quelloffen – die Lizenz bestimmt die erlaubte Nutzung.

Orchestrierungs-Muster, bei dem ein führender Agent (Orchestrator) eine Aufgabe zerlegt und Teilaufgaben an mehrere Helfer-Agenten (Worker/Sub-Agenten) verteilt, deren Ergebnisse er anschließend zusammenführt. Grundform der hierarchischen Multi-Agenten-Koordination.

Die im Training gelernten „Stellschrauben“ eines Modells (gezählt in Milliarden). Mehr Parameter heißt grob mehr Kapazität, aber auch mehr Rechen- und Speicherbedarf – und sagt allein wenig über die Qualität.

Ein Modell „dominiert“ ein anderes, wenn es in allen verglichenen Maßen mindestens gleich gut ist und dabei nicht teurer – dann gibt es keinen Grund, das unterlegene zu wählen. Grundlage der „stärker bei gleichem oder geringerem Preis“-Einordnung.

Hier: AA-Intelligenz geteilt durch den (3:1 gewichteten) Token-Preis – Indexpunkte je Dollar pro Mio. Tokens. Höher = mehr Leistung fürs Geld. Entspricht der „Intelligence vs. Price“-Sicht von Artificial Analysis.

Angriff, bei dem fremde Anweisungen über Inhalte eingeschleust werden, die ein Modell nur verarbeiten soll (Website, Dokument, Werkzeug-Ergebnis) – der Agent führt sie aus, als kämen sie vom Nutzer. Anders als beim Jailbreak greift hier ein Dritter an, nicht die nutzende Person.

Modell, das nur über die API oder das Produkt des Anbieters nutzbar ist; die Gewichte werden nicht veröffentlicht. Gegenstück zu open-weight.

Verfahren, das die Gewichte eines Modells mit weniger Bits speichert (z. B. 4 statt 16). Das senkt Speicher- und Hardwarebedarf deutlich, kostet aber etwas Genauigkeit – wichtig fürs lokale Betreiben.

Retrieval-Augmented Generation: dem Modell werden zur Anfrage passende Textstellen aus einer eigenen Wissensquelle beigelegt, damit es daraus antwortet statt nur aus dem Training. Reduziert Halluzinationen und hält Wissen aktuell.

Ein (meist open-weight) Modell auf eigener Hardware oder in der eigenen Cloud betreiben, statt die API eines Anbieters zu nutzen. Bringt Datenhoheit und Kostenkontrolle, erfordert aber eigene Infrastruktur.

Messbarer Effekt, dass ein Sprachmodell als Bewerter (LLM-as-judge) eigene und modell-familieneigene Ausgaben systematisch höher einstuft. Mechanismus: geringere Perplexität bzw. höhere Vertrautheit der Selbst-Outputs, nicht objektiv bessere Qualität. Belegt u. a. für GPT-4 (arXiv:2410.21819).

Die Neigung eines Sprachmodells, den eben selbst erzeugten Code (oder Text) zu mild zu bewerten und durchzuwinken. Ursache ist Vertrautheit, nicht echte Qualität – derselbe Kontext, der die Lösung erzeugt hat, beurteilt sie auch. Gegenmittel: ein frischer Kontext bzw. ein zweites Modell als Gutachter.

Anbieter-Einstufung des Risikoniveaus eines Modells (z. B. Anthropics ASL-Stufen oder „Cyber: High“). Höhere Stufen lösen strengere Schutzmaßnahmen aus. Stammt aus der System-Card – Eigenangabe des Anbieters.

Aufmerksamkeits-Mechanismus, der nicht jeden Token mit jedem vergleicht, sondern nur eine ausgewählte Teilmenge. Das senkt Rechen- und Speicheraufwand bei sehr langen Kontexten erheblich.

Beschleunigungstechnik: ein kleines Hilfsmodell rät mehrere Tokens voraus, das große Modell prüft sie in einem Rutsch. Akzeptierte Vorhersagen sparen Rechenschritte – schnellere Ausgabe ohne Qualitätsverlust.

Fähigkeit eines Modells, die Antwort in einem festen, maschinenlesbaren Format (z. B. JSON nach Schema) zu liefern – wichtig, wenn Programme die Ausgabe weiterverarbeiten.

Spezialisierter Hilfs-Agent mit eigenem, sauberem Kontextfenster: Ein Leit-Agent koordiniert den Plan, Subagenten erledigen Teilaufgaben und liefern nur eine verdichtete Zusammenfassung (oft 1.000–2.000 Tokens) zurück – Kontext-Isolation als Arbeitsteilung.

Coding-Benchmark, der Modelle echte GitHub-Issues in realen Repositories lösen lässt; gewertet wird, ob der erzeugte Patch die Tests besteht. Verbreitet, aber zunehmend durch Trainings-Kontamination belastet.

Das offizielle Begleitdokument eines Anbieters zu einem Modell (auch „Model Card“): Fähigkeiten, Grenzen, Sicherheitsbewertung. Primärquelle – die Fähigkeitsangaben darin sind aber Eigenangaben, nicht unabhängig gemessen.

Ausführungsbasierter Benchmark (0–100 %): das Modell löst echte Shell-/Terminal-Aufgaben in einer Sandbox, gewertet wird, ob das Ergebnis wirklich funktioniert. Dadurch kontaminationsärmer als reine Wissensquizze.

Modus, in dem ein Modell vor der Antwort sichtbare Zwischenschritte „durchdenkt“. Das hebt die Qualität bei schweren Aufgaben, kostet aber mehr Tokens und Zeit – oft über einen Aufwand-Regler steuerbar.

Verlässlichkeits-Stufe einer Quelle in der KI-Depesche: A = Primärquelle (z. B. offizielle Doku), B = solide Sekundärquelle, C = subjektiv/Einzelstimme. Steuert, wie stark eine Aussage gewichtet wird.

Die kleinste Verarbeitungseinheit eines Sprachmodells – ein Wortstück, kein ganzes Wort. Faustregel: rund 1.000 Tokens entsprechen grob 750 deutschen Wörtern. Preise und Kontextlängen werden in Tokens gerechnet.

Fähigkeit eines Modells, strukturiert externe Werkzeuge oder Funktionen aufzurufen (Suche, Code ausführen, APIs) und deren Ergebnisse weiterzuverwenden. Die Grundlage für Agenten.

Triggerwort in Claude Code, das einen Dynamic Workflow anstößt: Claude baut sich daraufhin zur Laufzeit einen aufgabenspezifischen Harness, der Sub-Agenten spawnt und koordiniert. Alternativ genügt eine entsprechende Bitte.

Schleife, in der ein Agent seine Arbeit gegen einen ausführbaren Prüfstein laufen lässt – Tests, Build, Lint, Screenshot-Abgleich – und an den Rückmeldungen so lange iteriert, bis der Check grün ist. Ersetzt „sieht fertig aus“ durch einen deterministischen Beweis und schließt den „trust-then-verify gap“.

Wissen als Graph aus Entitäten (Knoten) und Beziehungen (Kanten). Fürs Retrieval (GraphRAG) erlaubt das „globale“ Schließen über einen Korpus und verbindet verstreute Fakten, die reine Vektorsuche übersieht.

Der Zeitpunkt, bis zu dem die Trainingsdaten eines Modells reichen („knowledge cutoff“). Über spätere Ereignisse weiß das Modell von sich aus nichts – es sei denn, sie werden ihm in der Anfrage mitgegeben.

Benchmark für die Verlässlichkeit beim Werkzeug-Einsatz: dieselbe Aufgabe wird viele Male wiederholt, gemessen wird, wie konstant das Modell die Tools korrekt bedient (0–100 %).