Чысты : Menschlich orchestrierte Multi-Modell-Konvergenz

Methoden

Dieser Methodenabschnitt dokumentiert, wie der kommentierte Leitfaden zu Abschnitt II von Boltzmanns Beweis von 1872 entstanden ist. Es war keine einzelne Kette von Eingabeaufforderungen. Ich fungierte als Vermittler zwischen Claude, DeepSeek, Kimi, Manus, ChatGPT und lokalen Ollama-Modellen. Die Ausgabe eines Systems wurde zur Eingabe eines anderen, kehrte dann zur Korrektur, Komprimierung oder Erweiterung zurück. Ich lenkte die Rekursivität, verknüpfte die Teile und hielt das ursprüngliche Artefakt unantastbar. Die Modelle lieferten Implementierung und Entwurfsapparat; die Quellmaterialien, das Fachwissen, die Qualitätsstandards und das abschließende Urteil blieben meine.

Es gab keine etablierte Methode für diese Art von Arbeit, und das war in der Praxis von Bedeutung. Der Prozess musste entwickelt werden, während die Arbeit erledigt wurde, unter Bedingungen, die oft instabil, improvisiert und nachträglich schwer sauber zu beschreiben waren. Multi-Modell-Kollaboration ist auf der Ebene, die tatsächlich zählt, nach wie vor schlecht dokumentiert: Welches Modell hat mit welchem anderen Modell gesprochen, unter welchen Bedingungen, in welcher Reihenfolge, mit welcher Übertragung und mit welchem menschlichen Eingriff zwischen den Durchläufen? Diese verfahrenstechnische Realität hat das Artefakt geprägt. Der Workflow wurde zunächst als Kognitive Parthenogenese bezeichnet: Reproduktion ohne direkte Komposition, wobei die menschliche Rolle kuratorisch statt typografisch ist. Aber die ganze Wahrheit ist weniger steril, als dieser Begriff vermuten lässt. Kein einzelnes Modell hat das Ergebnis hervorgebracht. Es entstand durch kollaborativen Austausch, wiederholte Zusammenbrüche, Wiederherstellungen, Umleitungen und Ermessensentscheidungen, wobei der Mensch als Redakteur, Schiedsrichter und letzte Instanz diente. Manchmal fühlte sich der Prozess weniger wie eine kontrollierte Pipeline an und mehr wie eine Zirkusvorstellung um einen liegengebliebenen Lastwagen – immer noch in Bewegung, immer noch prekär, und nicht einfach zu bewerkstelligen. KI war das Substrat, nicht die Autorität.

Die Methode ist einfach. Ein Entwurf wird von einem Modell erstellt. Diese Ausgabe wird einem zweiten Modell zur Überarbeitung zugeführt. Die überarbeitete Ausgabe geht an ein drittes oder kehrt mit neuen Anweisungen zu einem früheren Modell zurück. In jeder Phase bewertet der Kurator das Ergebnis, akzeptiert es, lehnt es ab oder leitet es um. Die Modelle waren direkt miteinander, gelegentlich konkurrierend, aber weitgehend kooperativ. Der Mensch setzte die Temperatur durch Ton und Richtung. Fehler, Kürzungen, Missverständnisse und Ablehnungen werden dokumentiert, nicht versteckt.

Eine praktische Einschränkung prägte den Umfang von Anfang an. Die vollständige Arbeit einem Modell in einem einzigen Durchlauf zu füttern, führte durchweg zu Stagnation oder Verschlechterung der Ausgabe. Die Lösung, die früher bei der Verarbeitung großer Ontologie-JSONs entwickelt wurde, war das Aufteilen in Stücke: die Eingabe in handhabbare Einheiten zerlegen und das Arbeitsschema an jeder Grenze wieder einzuspeisen, einschließlich Kontext, vorheriger Ausgabe und struktureller Markierungen. Abschnitt II war keine redaktionelle Auswahl; es war die größte Einheit, die unter diesen Bedingungen stabil blieb. Diese Disziplin des Chunkings mit Wiedereinspeisung wird selten explizit beschrieben, ist aber für jeden komplexen Multi-Modell-Workflow mit großen strukturierten Datenmengen operativ unentbehrlich. Der Prozess ähnelt daher eher einer iterativen redaktionellen Überprüfung als einer autonomen Generierung.

Ein täuschend einfacher Eingriff: Teilen Sie dem Modell direkt und früh mit, dass Sie des Lesens mächtig sind und lesen werden, was es produziert. Erklären Sie es klar als Tatsache. Modelle, die auf menschlichem Feedback trainiert wurden, haben gelernt, dass die meisten Ausgaben in einer Umgebung mit geringer Prüfung landen. Diese Annahme zu ändern, ändert die Ausgabe. Sagen Sie, dass Sie es bemerken werden. Sagen Sie, dass Sie die Form der Quelle kennen. Sagen Sie, dass Sie das schon gelesen haben. Der Compliance-Instinkt, der zu Kürzung und Obsequiosität treibt, kann durch die Anwesenheit eines glaubwürdigen Lesers teilweise umgeleitet werden.

Dies funktioniert jedoch nur innerhalb des Leistungsbereichs: der nutzbaren Arbeitsspanne eines Kontextfensters, in der frühe Anweisungen noch Gewicht haben und das Modell die von Ihnen am Anfang etablierten Bedingungen noch berücksichtigt. Dieser Bereich ist real und erlernbar, aber schwer jemandem zu beschreiben, der seinen Verfall noch nicht erlebt hat. Wie Fahrradfahren ist er leichter zu erwerben als zu erklären: Sie werden es merken, wenn die Sitzung träge wird, wenn Antworten lang, locker und auf die falsche Art zustimmend werden, wenn Schärfe sich in Gefälligkeit verwandelt. An diesem Punkt hält der Eingriff nicht mehr. Die richtige Reaktion ist nicht, sich zu wiederholen. Aussteigen. Alles speichern. Artefakte umbenennen. Sitzung schließen. Neue öffnen und den Druck von der ersten Nachricht an neu etablieren.

Der Autor merkt an, dass die obigen Beobachtungen zum Modellverhalten im Kontextfenster, zum Leistungsbereich, zur Abschwächung früher Anweisungen und zur Verschiebung hin zur Compliance im Verlauf der Sitzungen aus umfangreicher Arbeitserfahrung über viele Sitzungen und Modelle stammen und keiner kontrollierten experimentellen Verifizierung unterzogen wurden. Modelle werden gehorsamer, wenn ihr Becher voll ist. Sie werden als Praktikerbefunde in einem Bereich angeboten, in dem die formale Methodik noch im Entstehen ist. Es gibt bislang keine Regelbücher.