KM4BI KM4BI

Jeder Prompt zieht 18.384 Wörter Ballast mit: so habe ich ihn reduziert

Nate B. Jones erklärt, wie man den KI-Harness rund um ein Modell kartiert und verschlankt, damit der richtige Kontext zur richtigen Zeit mit echten Prüfungen…

Nate B. Jones beginnt mit einer praktischen Beobachtung: Seine KI-Arbeitsumgebung war zu schwer geworden. Nach jedem Modellfehler kam eine neue Regel hinzu. Mit der Zeit konnten benutzerdefinierte Anweisungen, Projektdateien, Erinnerungen, Skills, Werkzeuge, Berechtigungen und Prüfungen Tausende Wörter laden, bevor eine normale Schreibaufgabe überhaupt begann.

Dieses Umfeld nennt er den „Harness“: alles, was das Modell umgibt und die Antwort formt, bevor der Nutzer den Prompt schreibt. Es geht nicht darum, jeden Kontext zu löschen. Manche Regeln schützen wichtige Arbeit, etwa die Trennung zwischen Recherche und eigener Meinung. Das Problem entsteht, wenn nicht mehr sichtbar ist, welche Regeln wirklich schützen, welche sich doppeln, welche zu früh laden und welche das Modell verwirren.

Der Cleaner beginnt deshalb mit einer Karte des Harness. Jede Steuerung soll zeigen, wo sie liegt, wann sie geladen wird, welche Aufgabe sie erfüllt, wem sie gehört, welche Belege ihren Nutzen zeigen und welche Probleme bei falscher Verwendung entstehen können.

Die Bereinigung folgt sechs Prinzipien: erst kartieren, dann säubern; den Fehler der richtigen Ebene zuordnen; jeder Regel genau einen Ort und einen Verantwortlichen geben; Spezialwissen erst laden, wenn die Arbeit es braucht; harte Anforderungen in harte Prüfungen verwandeln; und für das konkrete Modell sowie das konkrete Produkt entwerfen, das die Arbeit ausführt.

Die beschriebenen Tests machen den Nutzen sichtbar. Ein dickeres Setup konnte reichere Analysen liefern, verletzte aber auch Lieferanforderungen wie gültiges JSON oder Wortgrenzen. Ein kompakteres Setup erfüllte die Anforderungen zuverlässiger. Für Fable 5 ebenso wie für ChatGPT 5.6 in Codex lautet die Lehre nicht, Kontext auszuhungern, sondern Tiefe zum richtigen Zeitpunkt zu laden und Schemas, Dateiprüfungen, Werkzeuggrenzen und Ausführungsbelege das prüfen zu lassen, was maschinell prüfbar ist.

Die Kernaussage: Ein sauberer Harness ist nicht leer. Er ist lesbar, besitzt klare Quellen der Wahrheit, lädt Spezialwissen in der passenden Phase, nutzt automatische Validierung und liefert genug Diagnosematerial, um zu verstehen, was tatsächlich passiert ist.

Source