← Präsentation
Quellen, Evidenz & Aussagegrenzen
Zwei Recherchezyklen, Originalprüfung und Gegenprüfung am 09.11.2026. Nutzer-PDF ist Aufbauhilfe, keine unabhängige Fachquelle. Keine pauschalen 50-Seiten-, 80-Prozent-, 100-Prozent- oder Verlustfreiheitsversprechen. Herstellerdokumentation belegt Funktionen, nicht allgemeine Überlegenheit.
[U1] Dokumente, RAG und Memory in Sprachmodellen
Nicht im Dokument ausgewiesen; vom Nutzer bereitgestellt · 2026 (Dateimetadaten, kein gesichertes Publikationsdatum)
Interne Referenz-PDF; bewusst nicht im Nutzungspaket.
Belegt: Zwölf bildbasierte PDF-Seiten; Schreibtisch, Aktenschrank, Spürhund und Haus-/Raumstruktur als Metaphern.
Prüfung: Alle zwölf Seiten gerendert und visuell gelesen. Keine auslesbare Textschicht. Absolute Leistungsversprechen und pauschale Seiten-/Prozentgrenzen müssen separat geprüft oder weggelassen werden.
Grenzen: Interne Referenz im Werkstattordner, bewusst nicht im Nutzungspaket enthalten.
Folien: w06-start, w06-knowledge-workshop
[SQL1] SQLite FTS5 Extension
SQLite Development Team · o. J.
Originalquelle ↗
Belegt: FTS5 ermöglicht Volltextsuche, Tokenisierung, Präfix-/Phrasenabfragen und Rangfolgen; diese Suchfunktion ist nicht gleichbedeutend mit einem allgemeinen Verständnis von Inhalten.
Prüfung: Originalseite geöffnet; Übersicht und Suchsyntax geprüft.
Grenzen: Keine allgemeine Millisekunden-Garantie, keine 80-Prozent-Abdeckungsquote. SQL und Volltextsuche nicht gleichsetzen.
Folien: w06-knowledge-workshop, w06-rag-lab
[MM1] EmbeddingGemma 2 model card
Google DeepMind · 2026
Originalquelle ↗
Belegt: EmbeddingGemma 2 unterstützt Text, Bild, Audio und Video in einem gemeinsamen Embeddingraum. Die Modellkarte nennt 768 Ausgabedimensionen und getrennt ladbare Modalitätsencoder.
Prüfung: Originalmodellkarte geöffnet und Modalitäten/Architektur geprüft; Produkteinführung 06.10.2026 im offiziellen Google-Blog gegengeprüft.
Grenzen: Nicht mit einem antwortgenerierenden Chatmodell gleichsetzen. Keine allgemeine Qualitätsgarantie oder pauschale On-device-Hardwarezusage; passende Encoder und Verarbeitung nötig.
Folien: w06-knowledge-workshop, w06-media, w06-compass
[RAG1] Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks
Patrick Lewis et al. · 2020
Originalquelle ↗
Belegt: RAG verbindet ein generierendes Modell mit abgerufenem externem Wissen. Abruf und Antworterzeugung sind unterschiedliche Funktionen.
Prüfung: arXiv-Originalseite und Abstract geöffnet. NeurIPS-Seite lieferte Timeout; auf Autorenversion gewechselt.
Grenzen: Kein Beweis, dass Quellenabruf Halluzinationen ausschließt. Das ursprüngliche konkrete Modell ist nicht mit sämtlichen heutigen RAG-Systemen gleichzusetzen.
Folien: w06-rag-lab, w06-detective, w06-bigpicture, w06-compass
[CTX1] Lost in the Middle: How Language Models Use Long Contexts
Nelson F. Liu, Kevin Lin, John Hewitt, Ashwin Paranjape, Michele Bevilacqua, Fabio Petroni und Percy Liang · 2024 · DOI 10.1162/tacl_a_00638
Originalquelle ↗
Belegt: In den untersuchten Aufgaben und Modellen hängt die Nutzung relevanter Kontextinformation von deren Position ab. Ein großes Kontextfenster garantiert keine fehlerfreie Nutzung sämtlicher Inhalte.
Prüfung: ACL-Anthology-Seite, Autoren, Abstract, Publikationsdaten und DOI geprüft.
Grenzen: Keine allgemeine 50-Seiten-Grenze; historische untersuchte Modelle sind kein pauschaler Benchmark heutiger Produkte.
Folien: w06-start, w06-knowledge-workshop, w06-compass
[MEM1] Stores · Cross-thread long-term memory
LangChain / LangGraph · o. J.
Originalquelle ↗
Belegt: Gespeicherte Informationen können nach Namespaces organisiert, gesucht und in spätere Modellaufrufe übernommen werden. Speichern, Abrufen und aktueller Modellkontext sind unterschiedliche Vorgänge.
Prüfung: Originaldatei geöffnet; store.put/store.search, Namespaces, Metadaten und spätere Modellaufrufe gelesen.
Grenzen: Beispiel einer Implementierung, kein allgemeiner Memory-Standard. Namespaces ersetzen keine Berechtigungsprüfung; keine automatische Wissenserweiterung durch bloßes Speichern behaupten.
Folien: w06-knowledge-workshop, w06-rag-lab, w06-detective, w06-compass
[SEC1] LLM01:2025 Prompt Injection
OWASP Gen AI Security Project · 2025
Originalquelle ↗
Belegt: Externe Dokumente und multimodale Inhalte können indirekte Anweisungsangriffe enthalten. RAG beseitigt diese Risiken nicht.
Prüfung: Original geöffnet; indirekte und multimodale Angriffe sowie Grenzen von RAG gelesen.
Grenzen: Ein Prompt allein bietet keinen verlässlichen Schutz. In der Lehrdemo keine echten Daten, Zugangsdaten oder autonomen Außenaktionen.
Folien: w06-rag-lab, w06-detective
[INPUT1] File inputs · How it works
OpenAI · o. J.
Originalquelle ↗
Belegt: Die Dokumentation unterscheidet die Verarbeitung von PDF-Seitenbildern und Text von anderen Dateiformaten. Reine Textextraktion erhält eingebettete Bilder oder Diagramme nicht automatisch.
Prüfung: Über offizielle Dokumentationssuche gefunden und Original mit fetch_openai_doc gelesen.
Grenzen: API-Verhalten nicht pauschal auf jeden ChatGPT-Tarif, jede App oder andere Anbieter übertragen. Unterrichts-Upload konkret testen, Text-/Bild-Fallback anbieten.
Folien: w06-start, w06-media, w06-detective
[CHAT1] Prompting · Add context
OpenAI / ChatGPT Learn · o. J.
Originalquelle ↗
Belegt: Dokumente und separate Bilder können als Aufgabenmaterial dienen; beim Bild sollte der relevante Bereich ausdrücklich benannt werden.
Prüfung: Nach offizieller Suche Original mit fetch_openai_doc geöffnet; Passagen zu Anhängen und visuellen Inputs gelesen.
Grenzen: Keine Garantie für jede Medienart, Kontoverfügbarkeit oder korrekte Antwort; Übungsergebnis gegen die Materialien prüfen.
Folien: w06-media, w06-detective, w06-compass
[A1] Building effective agents
Anthropic Engineering · 2024
Originalquelle ↗
Belegt: Vordefinierte Workflows von modellgesteuerter Wahl nächster Schritte und Tools unterscheiden; kleinste passende Lösung bevorzugen.
Prüfung: Primärseite geöffnet und relevante Passage gelesen.
Grenzen: Der Artikel selbst weist auf seit 2024 veränderte Werkzeuge hin. Nur stabile konzeptionelle Unterscheidung verwenden.
Folien: w06-bigpicture, w06-compass
[IS1] Informationssystem-Architektur
Robert Winter · o. J.
Originalquelle ↗
Belegt: Informationssysteme verbinden Aufgaben, Technik und Menschen. LLM ist Technik; Verantwortung und Ziele verbleiben bei Menschen.
Prüfung: Primärseite geöffnet und relevante Passage gelesen.
Grenzen: Übertragung auf LLM-Agenten ist eigene didaktische Analogie, keine Behauptung der Originalquelle.
Folien: w06-bigpicture
[C1] Permissions – Permission modes
OpenAI · o. J.
Originalquelle ↗
Belegt: Lokale Aktionen, Dateiedits, Befehle und Internetzugriffe werden durch Berechtigungen begrenzt; anfänglich mit Rückfragen arbeiten.
Prüfung: Primärseite geöffnet und relevante Passage gelesen.
Grenzen: official; via OpenAI Docs gesucht und Abschnitt abgerufen
Folien: w06-compass
[T1] Trinity Agenten – Praxisleitfaden
Prof. Dr. Mathias Engel · 2026
Originalquelle ↗
Belegt: Erster Agent im Hub, zusätzliche Spezialisten als Kacheln, gemeinsames Memory zum Nachschlagen und geprüften Merken, austauschbares LLM und Sicherheitsprüfungen.
Prüfung: Lokale veröffentlichte Fassung und Medienmanifest gelesen.
Grenzen: eigene didaktische Architektur, nicht unabhängiger Leistungsnachweis
Folien: w06-compass
[AA1] Intelligence Benchmarking Methodology
Artificial Analysis · o. J.
Originalquelle ↗
Belegt: Ein definierter Aufgabenmix liefert Vergleichswerte. Modellwahl zusätzlich nach Aufgabe, Kosten, Zeit und eigener Gegenprobe treffen.
Prüfung: Primärseite geöffnet; für Plan ausgewertet.
Grenzen: Keine undatierten SOTA-Sieger oder Gleichsetzung von Benchmarkwert und universeller Eignung.
Folien: w06-compass
[F1] Introduction – LLM Course
Hugging Face · o. J.
Originalquelle ↗
Belegt: Einführung in Sprachmodelle, Tokenizer und Weitertraining; Grundlage für den Begriffs-Kompass.
Prüfung: Primärseite geöffnet; für Plan ausgewertet.
Grenzen: Begriffsspezifische Aussagen und Metaphergrenzen vor Bildproduktion weiter prüfen; diese Einführung allein belegt nicht alle 20 Definitionen.
Folien: w06-compass
[F2] Introduction to Instruction Tuning with SmolLM3
Hugging Face · o. J.
Originalquelle ↗
Belegt: Kleinere Sprachmodelle können gezielt weitertrainiert werden; Fine-Tuning ist nicht bloßer Dokumentenimport.
Prüfung: Primärseite geöffnet; für Plan ausgewertet.
Grenzen: Keine Behauptung, das dortige Modell sei im November 2026 das beste kleine Modell.
Folien: w06-compass
[D1] Text generation · Transformers 4.50.0
Hugging Face · o. J.
Originalquelle ↗
Belegt: Temperature beeinflusst Token-Auswahl; kein Wahrheitsregler.
Prüfung: Geöffnet und relevante Passagen geprüft.
Grenzen: Primärdokumentation
Folien: w06-compass
[D3] Gemini policy guidelines
Google · o. J.
Originalquelle ↗
Belegt: Probabilistische Erzeugung und Grenzen; plausible Ausgabe kann falsch sein.
Prüfung: Geöffnet und relevante Passagen geprüft.
Grenzen: Primärdokumentation
Folien: w06-compass
Didaktische Simulation & Medien
Suchtreffer, Bedeutungszuordnung und Antworten der HTML-Demo sind vorprogrammiert, keine echte KI und kein Modellbenchmark. Die Browser-Merkkarte ist kein SQLite-System. Projektfilter ist kein echter Zugriffsschutz. Bildmotive sind Metaphern, keine Belege.
Medienmanifest · Sollbefunde der fiktiven Übung