1 · Agentenpaket
Fiktive Räume, Termine, Catering, Dokumente und Regeln. SQLite-Memory und Startauftrag für Codex; optionaler Ollama-Runner.
Ohne UI in Codex starten · Anleitung
Lokaler Regelprüfer (kein LLM-Frontend)
KI & Data Science · W04 · Prof. Dr. Mathias Engel
Agenten bauen.
Leistung nachweisen.
Vorbereitete Lehrmaterialien für den Campus-Event-Agenten: synthetische Daten, deterministische Werkzeuge und ein Benchmark ohne erfundene Modell-Ergebnisse.
2 · Event-Benchmark
Sechs Unterrichtsfälle, zunächst nur zwei. 30 Fälle bleiben als Vertiefung erhalten. Soll-Checklisten, Modell-/Versionsvergleich, Zeit, Tokens, Kosten und HITL.
Unterrichtsbenchmark (6 Fälle) öffnen
Vollständiger Benchmark (30 Fälle) · 6er-Fallkatalog JSON · Bewertungsanleitung
3 · Eigene Agenten
Leeres Cockpit für eigene Fälle, Kategorien und Rubriken. Ergebnisse lokal speichern und per JSON übertragen.
Lehrvorlage, keine Produktivfreigabe. Alle Eventdaten sind synthetisch. Keine Buchungs- oder Versandfunktion ist implementiert. Technische Referenztests ersetzen keinen menschlich bewerteten LLM-Benchmark. Modellläufe können Kontingent/Kosten verbrauchen. Keine echten Kursdaten oder Geheimnisse in diesen Ordner übernehmen.
Der Ablauf
- Ein Frontiermodell baut oder verbessert die Arbeitsumgebung.
- Ein tatsächlich verfügbares kleines Modell führt einen klar begrenzten Auftrag aus.
- Werkzeuge, Quellen, Memory-Abruf und Grenzen anhand der Fälle prüfen.
- Gleiche Ausgangsbedingungen, mehrere Wiederholungen, Version und Konfiguration dokumentieren. Fehlende Messwerte bleiben unbekannt.
- Mensch entscheidet anhand der Nachweise; ein guter Durchschnitt verdeckt keinen kritischen Regelverstoß.
Artificial Analysis · Modellberater ↗ — Aufgabenprofil priorisieren; RAM/VRAM, Quantisierung, Kontext und Toolunterstützung zusätzlich prüfen.
Stand 19.10.2026 · Browser-Cockpit ohne Installation nutzbar. Python-Werkzeuge benötigen Python 3, Modellbetrieb zusätzlich Codex oder Ollama.