Auf dieser Seite
Stell dir einen Produktkatalog vor, der sich am Montag ändert. Im Prompt eines Assistenten steht noch die Liste vom Freitag. Das Team aktualisiert den Prompt. Eine zweite Kopie der alten Liste befindet sich in Beispielen, mit denen das Modell trainiert wurde. Jetzt liefert der Assistent in derselben Sitzung eine aktuelle und eine veraltete Antwort.
Das ist ein beispielhafter Fehler, doch sein Mechanismus ist verbreitet: Derselbe Fakt hat mehrere Ablageorte bekommen.
Ein Vortrag über Prompts, Abruf und Modellgewichte zieht eine hilfreiche Grenze. Ein Prompt erklärt dem Assistenten, wie er sich verhalten soll. Ein Abruf liefert aktuelles, zitierbares Wissen für eine bestimmte Aufgabe. Eine Modellanpassung kann ein stabiles Muster vermitteln. Diese drei Methoden als Stufen zu behandeln, erst Prompt, dann Abruf und bei weiterhin falscher Antwort Feinabstimmung, führt bei Sachfehlern zur falschen Diagnose.
Ein Prompt ist ein schlechter Katalog
Prompts sind attraktiv, weil sie sich einfach bearbeiten lassen. Füge einen Absatz hinzu und die nächste Anfrage enthält ihn. Dabei bleiben zwei Kosten verborgen. Der Fakt wird bei jedem Aufruf mitgesendet, auch wenn er nicht relevant ist. Und je größer der Prompt, desto schwieriger lässt sich erkennen, welche Kopie einer Regel das Modell verwendet hat.
Eine dauerhafte Anweisung wie „Frage vor dem Versand einer Kampagne nach“ gehört in die Nähe des Agenten. Eine Liste der aktuellen benutzerdefinierten Felder dieses Stores gehört dort nicht hin. Sie kann sich ändern, sobald eine kontoverwaltende Person ein Attribut hinzufügt. Sie kann sich zwischen Mandanten unterscheiden. Ein Arbeitsbereich kann sie sehen, während ein anderer keinen Zugriff darauf haben darf.
Tajos Brevo-Connector-Anleitung zeigt, warum Felddefinitionen für einen Kontakt-Sync wichtig sind. Wurde ein Attribut im Zielkonto nicht deklariert, erzeugt eine Zuordnung, die anhand ihres Namens sinnvoll aussah, möglicherweise nicht das gewünschte Feld. Der Agent sollte den aktuellen Vertrag des Kontos prüfen, statt sich an eine allgemeine Feldliste aus Trainingsdaten zu erinnern.
Ein hilfreiches Abruf-Ergebnis ist klein genug, um es prüfen zu können. Es sollte angeben, für welches Konto oder welchen Mandanten es gilt, wann es gelesen wurde und welchen Vorgang oder welches Feld es beschreibt. Widersprechen sich zwei abgerufene Passagen, sollte das System den Konflikt zeigen, statt stillschweigend die flüssiger formulierte auszuwählen. Der richtige nächste Schritt kann eine neue Abfrage oder eine Prüfung sein, nicht ein noch nachdrücklicher formulierter Prompt.
Rufe den Fakt zusammen mit seinem Geltungsbereich ab
Ein hilfreicher Wissenseintrag umfasst mehr als Text. Er braucht eine Quelle, eine Version oder einen Abrufzeitpunkt, den Kontobereich sowie eine klare Möglichkeit, ihn zu entfernen oder zu ersetzen. Eine Felddefinition aus dem Konto eines Händlers darf niemals zu einer allgemeinen Regel für ein anderes Konto werden.
Eine Frage zu einem Kontaktattribut kann dann die kleinste passende Passage abrufen: den Feldnamen, den Typ und das Konto, in dem das Feld existiert. Die Antwort kann auf diese Quelle verweisen. Scheitert die Zuordnung, kann das Team prüfen, ob der Fakt veraltet war, das Ergebnis aus dem falschen Konto kam oder das Modell eine korrekte Passage missverstanden hat.
Das sind unterschiedliche Korrekturen. Eine Prompt-Änderung behebt keinen Abruffilter, der Mandantengrenzen überschreitet. Ein größeres Modell kann keine Attributdefinition liefern, die niemand abgerufen hat.
Der MCP-Erklärartikel zeigt, wie ein Agent Tools abfragen kann. Das Tool sollte den passenden Vertrag zurückgeben, während die Anwendung kontrolliert, wer ihn sehen darf. Eine Textanweisung wie „Gib keine Daten anderer Mandanten preis“ ersetzt keine Abfrage mit begrenztem Geltungsbereich.
Diese Aufteilung beschleunigt auch die Fehlerbehebung. Wird ein Zielfeld umbenannt, aktualisiere die Schemaquelle und entwerte die betroffene Zuordnung. Missversteht der Agent wiederholt eine stabile Anweisung, ändere die Anweisung oder prüfe einen gezielten Trainingsansatz. War die Antwort falsch, weil der Abruf das falsche Konto auswählte, geht eine Änderung der Modellgewichte an der Ursache vorbei. Jede Fehlerklasse hat eine eigene Zuständigkeit und einen eigenen Korrekturweg.
- Dauerhafte Anweisung
Wie sich der Assistent verhalten soll
- Gezielter Abruf Konto · Version · Zeitpunkt
Was jetzt gilt
- Zuordnungsentscheidung
Den aktuellen Fakt für diese Aufgabe verwenden
- Erzwungener Schreibvorgang
Code prüft Berechtigung und Geltungsbereich
Vermittelte Muster erst übernehmen, wenn sie stabil sind
Ein berechtigter Einwand lautet: „Wenn ein Fakt ständig verwendet wird, warum trainieren wir ihn nicht in ein kleineres Modell ein?“ Wiederholung allein reicht nicht. Der Fakt muss zwischen Modellaktualisierungen gültig bleiben, und das Modell muss Kontexte unterscheiden können.
Ein stabiles Klassifikationsmuster kann sich irgendwann für eine Feinabstimmung eignen. Die aktuelle Feldliste eines Anbieters ist dagegen ein schlechter Kandidat. Selbst wenn sie sich selten ändert, kann eine veraltete Antwort zu einer falschen Zuordnung führen, die auf viele Datensätze angewendet wird. Lass den Fakt dort, wo eine Person ihn prüfen und aktualisieren kann.
Der Vortrag warnt auch davor, jeden Fehler beim Schlussfolgern mit Abruf lösen zu wollen. Kann das Modell zwei relevante Dokumente nicht korrekt vergleichen, bringen fünfzig weitere Dokumente ihm nicht das Schlussfolgern bei. Prüfe zuerst, ob die richtige Passage angekommen ist. Danach prüfst du, ob die Bewertung dieser Passage stimmte.
Für ein Integrationsteam ergibt sich so eine Reihenfolge der Fehlerbehebung: falsche Aussage bestimmen, abgerufene Feld- oder API-Passage prüfen, Konto und Version verifizieren, bei Bedarf die Quelle oder den Abruf korrigieren und die Entscheidung erneut testen. Erst danach solltest du eine Modelländerung in Betracht ziehen.
Der Aufwand besteht in einer echten Wissensschicht: Quellenaktualisierungen, Zugriffskontrollen und Belege. Der Vorteil ist ein Fakt, der an einer Stelle korrigiert werden kann.
Ein veränderlicher Vertrag sollte nie darauf warten müssen, dass ein Modell ihn vergisst.
Häufig gestellte Fragen
Was gehört in den Prompt eines Agenten?
Kleine, dauerhafte Anweisungen zu Verhalten und Grenzen gehören dort hin. Ein veränderlicher Katalog, eine mandantenspezifische Feldliste oder eine aktuelle Anbieterregel sollte bei Bedarf aus einer autorisierten Quelle abgerufen werden.
Warum sollte ein Modell nicht mit aktueller Dokumentation feinabgestimmt werden?
Eine Feinabstimmung kann veränderliche Fakten in Gewichte einbauen, die schwer zu prüfen und zu aktualisieren sind. Stelle zuerst sicher, dass zum Entscheidungszeitpunkt das richtige Dokument abgerufen und zitiert wird.
Wie lässt sich eine falsche Sachauskunft korrigieren?
Prüfe das Quelldokument, seine Version, den Abruffilter und die zurückgegebene Passage. Korrigiere den Fakt oder den Abrufweg, bevor du das Modell änderst.