Zum Inhalt springen
Advancing Bits to Master Atoms
← Alle Beiträge

MS Duplex8 Min. Lesezeit

Anweisungsdateien helfen deiner KI, bis niemand mehr weiß, welche Zeile noch gilt.

Forschungsteams pflegen Anweisungsdateien, Notizen und Prompt-Bibliotheken für ihre KI. Warum diese Gewohnheit hilft, wo sie an ihre Grenzen stößt und was gelernte Erfahrung mit ihren Quellen ergänzend dazu beiträgt.

Ein hoher, loser Stapel dünner satinsilberner Blätter neben einem kompakten Schrank aus Graphit mit zwei Spalten kobaltblauer Schubladenfronten, beide auf einer Grundplatte aus Graphit.Ein hoher, loser Stapel dünner satinsilberner Blätter neben einem kompakten Schrank aus Graphit mit zwei Spalten kobaltblauer Schubladenfronten, beide auf einer Grundplatte aus Graphit.

Die meisten Forschungsteams, die KI ernsthaft nutzen, pflegen am Ende eine Datei für sie. Sie beginnt mit ein paar Zeilen darüber, wie das Team Dinge benennt und welche Tools zu nutzen sind. Bald enthält sie Betriebsgrenzen, bevorzugte Methoden, Referenzwerte, Warnungen vor Fehlern, die der Agent einmal gemacht hat, und einen Ordner mit Prompts, die bei jemandem gut funktioniert haben.

Diese Gewohnheit ist vernünftig. Dieser Beitrag zeigt, warum die Datei hilft, wo sie mit der Forschung nicht mehr Schritt hält und was sich ändert, wenn die KI aus bestätigten Ergebnissen lernt, statt darauf zu warten, dass jemand eine Zeile bearbeitet.

Warum Teams Dinge für ihre KI aufschreiben

Ein Modell beginnt jede Sitzung mit dem, was es wusste, als sein Training endete. Es hat die Konventionen deines Labors nicht gesehen, deine Analysepipeline nicht und auch nicht die Grenze, die deine leitende Wissenschaftlerin oder dein leitender Ingenieur letzten Monat bestätigt hat. Eine Anweisungsdatei schließt einen Teil dieser Lücke fast ohne Kosten. Der Assistent liest sie zu Beginn jeder Sitzung, und der wichtigste Kontext des Teams kommt mit.

Eine typische Datei eines Forschungsteams enthält eine Mischung aus Folgendem:

  • Konventionen: wie Dateien, Proben und Läufe benannt werden, welche Einheiten anzugeben sind und welches Format eine Zusammenfassung haben soll.
  • Grenzen: Einstellungen, über die eine Methode nicht hinausgehen sollte, Eingaben, die vor der Verwendung geprüft werden müssen, Schritte, die einen Menschen brauchen.
  • Bevorzugte Methoden: die Reihenfolge der Schritte, die eine saubere Analyse ergibt, oder das Tool, dem das Team für eine bestimmte Aufgabe vertraut.
  • Referenzwerte: die Zahlen, die der Agent nutzen soll, statt zu raten.
  • Warnungen: Fehler, die der Agent einmal gemacht hat, aufgeschrieben, damit er sie nicht wiederholt.
  • Prompts: Formulierungen, die für eine Person einen guten Plan oder ein gutes Review ergeben haben, gespeichert für den Rest des Teams.

Die Datei kann jeder lesen, sie ist leicht zu ändern und vollständig unter der Kontrolle des Teams. Sie funktioniert mit jedem Modell. Für stabile Konventionen und den Hausstil ist sie kaum zu schlagen, und Teams sollten sie behalten.

Wo die Datei nicht mehr Schritt hält

Das Problem ist, dass Forschung nicht stillsteht und sich eine Datei nur ändert, wenn jemand sie bearbeitet. Während die Arbeit voranschreitet, kostet dieselbe Datei, die im ersten Monat geholfen hat, das Team auf leisere Weise.

  • Sie wird lang. Jeder Vorfall fügt eine Zeile hinzu, und kaum eine Zeile wird je entfernt, sodass das Modell in jeder Sitzung mehr liest und selbst beurteilen muss, welche Teile gelten.
  • Sie veraltet. Wenn sich ein Referenzwert ändert, bleibt die alte Zeile, bis jemand sie löscht. Wenn zwei Personen die Datei bearbeiten, können beide Werte nebeneinander stehen.
  • Niemand weiß, welche Zeile noch gilt. Eine Zeile sagt selten, woher sie stammt, wann sie hinzugefügt wurde oder unter welchen Bedingungen sie zutraf. Ein neues Teammitglied kann eine bestätigte Grenze nicht von der Vorliebe einer einzelnen Person unterscheiden.
  • Sie hat keine Verbindung zu Ergebnissen. Die Datei weiß nicht, ob ihr Rat funktioniert hat. Eine Methode, die seit dem Aufschreiben zweimal gescheitert ist, liest sich genauso wie eine, die jedes Mal erfolgreich war.
  • Sie zerfällt nach Personen. Jede Forscherin und jeder Forscher pflegt eine eigene Version, Prompt-Bibliotheken driften auseinander, und was eine Person gelernt hat, bleibt in ihrer Kopie.
  • Sie ist nur so gut wie die letzte Bearbeitung. Der Agent wird besser, wenn jemand Zeit findet, die Datei zu aktualisieren, und nicht zwischen diesen Bearbeitungen.

Auch sorgfältige Teams stoßen auf all das. Es folgt daraus, dass Wissen, das sich mit jedem Ergebnis ändert, in einem Dokument liegt, das von Hand geändert wird. Die Erfahrung des Teams wächst jede Woche, und der Agent bleibt dort, wo die Datei ihn zurückgelassen hat.

Was eine gelernte Lektion mitbringt, was eine Zeile nicht hat

MS Duplex lässt sich in die KI einbinden, die dein Team bereits nutzt, und lernt aus den Ergebnissen und Expertenkorrekturen, die dein Team erfassen möchte: ein bestandener Test, eine Messung, eine freigegebene Schlussfolgerung, eine Korrektur mit ihrer Begründung. Es lernt neben dem Modell, dessen Gewichte bleiben, wie sie sind, sodass jede Lektion ab der nächsten Anfrage bereit ist.

Während eine Zeile in einer Datei ein Satz ist, den jemand geschrieben hat, kommt eine Lektion in MS Duplex mit dem, was jemand, der sie prüft, darüber wissen möchte:

  • Ihre Quelle: das Ergebnis, die Messung oder das Expertenurteil, aus dem sie stammt.
  • Ihre Bedingungen: was galt, als sie bestätigt wurde, sodass sie dort angewendet wird, wo diese Bedingungen übereinstimmen.
  • Ihre Begründung, bei einer Korrektur: warum die Expertin oder der Experte abgelehnt hat, was der Agent vorgeschlagen hat.
  • Ihr Verlauf: Wenn ein neuerer bestätigter Wert einen älteren ersetzt, gilt der neuere, und die Änderung bleibt im Protokoll.
  • Ihre Reichweite: ob sie bei einer Forscherin oder einem Forscher bleibt, mit einem Team geteilt wird oder in der ganzen Organisation gilt, je nachdem, wie deine Regeln es festlegen.

Auch die Art der Nutzung ist anders. Eine Datei wird komplett neu gelesen, und das Modell beurteilt, was gilt. MS Duplex prüft, ob die Bedingungen des neuen Falls übereinstimmen, bevor es eine Lektion heranzieht. Wo sie übereinstimmen, gilt die Lektion. Wo etwas abweicht, wird sie angepasst und zur Prüfung vorgeschlagen oder markiert, damit das Team entscheiden kann.

Ein offener Kasten aus Graphit mit Reihen dünner Karten in satiniertem Silber, eine kobaltblaue Trennkarte ragt über die anderen hinaus.Ein offener Kasten aus Graphit mit Reihen dünner Karten in satiniertem Silber, eine kobaltblaue Trennkarte ragt über die anderen hinaus.
Ein offener Graphitkasten mit Reihen dünner silberner Karten, ein kobaltblauer Trennreiter ragt über die anderen hinaus: Jede Lektion als eigene Karte aufbewahrt, sodass sich die finden lässt, die zum aktuellen Fall passt, und der Rest in Ordnung bleibt.

Und jede Lektion lässt sich für sich behandeln. Dein Team kann sie prüfen, sie korrigieren, und nur diese Lektion ändert sich, oder sie entfernen, und die Empfehlungen, die von ihr abhingen, verschwinden mit ihr, während alles andere bleibt. Das ist die Frage, die eine lange Datei nicht beantworten kann: welche Zeile noch gilt und was von ihr abhängt.

Von einer Zeile in einer Datei zu einer Methode, die das Team wiederverwendet

Die wertvollsten Zeilen in einer Anweisungsdatei beschreiben meist ein Verfahren, das funktioniert hat. Angenommen, eine Forscherin in einem Team, das Kandidaten für eine Prüfung rankt, erarbeitet eine Abfolge von Prüfungen der Eingabedaten, die einen wiederkehrenden Fehler aus den Rankings entfernt. In einer Datei wird daraus ein Absatz, den jemand finden und befolgen muss. In MS Duplex wird daraus eine Methode.

  1. Das Verfahren wird bestätigtDer Agent der Forscherin führt die Prüfungen vor dem Ranking aus, und eine Expertin bestätigt, dass die Rankings sauber herausgekommen sind.
  2. Es wird als Methode festgehaltenMS Duplex hält die Schritte mit den Bedingungen fest, unter denen sie bestätigt wurden, und mit dem Ergebnis, das sie belegt hat.
  3. Der nächste gleichartige FallDer Agent eines Kollegen rankt eine neue Charge aus derselben Quelle. Die Methode wird direkt angewendet, ohne dass jemand einen Absatz einfügt.
  4. Ein verwandter FallEine weitere Charge kommt aus einer anderen Quelle in einem anderen Format. MS Duplex passt die Methode an und schlägt die angepasste Version zur Prüfung vor. Sobald sie bestätigt ist, wird sie zu einer eigenen Methode.
  5. Ein neues TeammitgliedDer Agent einer neuen Mitarbeiterin beginnt mit derselben Arbeit, beide Methoden sind bereits vorhanden, jede mit dem Ergebnis dahinter, und jede wird dort, wo sie genutzt wird, erneut überprüft.

Vergleiche das mit der Datei. Der Absatz hätte den Leuten geholfen, die wussten, dass sie danach suchen müssen, und er hätte nichts über die zweite Quelle gesagt, bis jemand einen weiteren Absatz geschrieben hätte. Die Methode ging an die Agenten, die sie brauchten, wurde dort geprüft, wo der Fall abwich, und behielt ihre Belege den ganzen Weg über.

Ein Stanzwerkzeug in satiniertem Silber auf einem Sockel aus Graphit neben einer ordentlichen Reihe identischer silberner Teile, jedes mit derselben kleinen kobaltblauen Einlage.Ein Stanzwerkzeug in satiniertem Silber auf einem Sockel aus Graphit neben einer ordentlichen Reihe identischer silberner Teile, jedes mit derselben kleinen kobaltblauen Einlage.
Ein silbernes Prägewerkzeug neben einer ordentlichen Reihe identischer silberner Teile, jedes mit derselben kleinen kobaltblauen Einlage: ein bestätigtes Verfahren, von jedem Agenten, der auf den Fall trifft, auf dieselbe Weise angewendet.

Die Datei behalten, die Schicht ergänzen

Teams, die MS Duplex anbinden, arbeiten weiter wie bisher in Claude, Codex, Cursor oder ihren eigenen Agenten, und auch die Datei, die der Assistent liest, funktioniert weiter. Eine nützliche erste Übung ist, zu sortieren, was bereits darin steht.

  • Stabile Konventionen und Hausstil: Behalte sie in der Datei. Sie ändern sich selten, und die Datei erfüllt hier ihren Zweck gut.
  • Regeln, die die Arbeit einhalten muss: Formuliere sie als Regeln in MS Duplex. Regeln werden von Präferenzen getrennt gehalten und sind in der Begründung sichtbar, eine neue Regel gilt ab der nächsten Anfrage, und in regelgesteuerten Umgebungen wird ein Schritt, der gegen eine Regel verstößt, gestoppt, bevor er läuft.
  • Referenzwerte: Lass sie aus bestätigten Ergebnissen kommen, sodass der neueste bestätigte Wert gilt und der Verlauf jeder Änderung erhalten bleibt.
  • Verfahren, die funktioniert haben: Lass sie zu Methoden werden, festgehalten mit dem Ergebnis, das sie belegt hat.
  • Warnungen vor früheren Fehlern: Erfasse sie als Korrekturen, mit der Begründung und den Bedingungen, sodass der Agent sie ab der nächsten Anfrage prüft, und nur dort, wo sie gelten.

So sortiert kann die Datei kürzer statt länger werden. Neues Wissen kommt hinzu, sobald die Arbeit es bestätigt, und die Datei enthält wieder das, worin sie gut ist.

Häufige Fragen

Sollten wir unsere Anweisungsdateien löschen?

Nein. Behalte sie für stabile Konventionen und den Hausstil. Verlagere Regeln, Referenzwerte, bewährte Verfahren und Korrekturen nach und nach in MS Duplex, wo jedes davon seine Quelle behält und sich für sich ändern lässt.

Was ist der Unterschied zu Retrieval über unsere Notizen?

Retrieval findet Passagen, die relevant aussehen, ob sie zutreffen oder nicht, und alte und neue Versionen eines Fakts können beide zurückkommen. MS Duplex hält bestätigte Ergebnisse mit ihren Belegen fest, prüft, ob die Bedingungen übereinstimmen, und wendet den neuesten bestätigten Wert an, wobei der Verlauf erhalten bleibt.

Wer sieht eine Lektion, die der Agent einer Forscherin oder eines Forschers gelernt hat?

Das hängt von deinen Regeln ab. Alle Forschenden, jedes Team und die gesamte Organisation haben eine eigene Erfahrungsebene, und deine Regeln entscheiden, was zwischen ihnen wandert.

Mit welchen KI-Tools funktioniert das?

Claude, Codex, Cursor und andere Agenten, die MCP sprechen, verbinden sich direkt, und deine eigenen Agenten und Pipelines verbinden sich über die API und das Python SDK. Deine Wissenschaftler und Ingenieure behalten die KI, die sie bereits nutzen.

Gebaut von MatterSpace

MatterSpace baut MS Duplex für Wissenschaftler, Forschende und Ingenieure in jedem Fachgebiet, damit die KI, die sie bereits nutzen, aus jedem Ergebnis lernt, das sie bestätigen.

Weiterlesen

  • Ein kobaltblaues, blockförmiges Modul mit Reihen runder Anschlüsse, das auf einem satinsilbernen rechteckigen Sockel sitzt.Ein kobaltblaues, blockförmiges Modul mit Reihen runder Anschlüsse, das auf einem satinsilbernen rechteckigen Sockel sitzt.

    MS Duplex8 Min. Lesezeit

    MS Duplex stellt sich vor: selbstverbessernde Agenten für Teams in Wissenschaft und Technik.

    MS Duplex lässt sich an die KI anbinden, die deine Wissenschaftler und Ingenieure bereits nutzen, und lässt sie aus bestätigten Ergebnissen, Expertenkorrekturen und Entscheidungen lernen. Was es ist, für wen es gedacht ist und wie du anfängst.

    Beitrag lesen →
  • Eine Schreibtischablage aus Graphit mit einem Stapel dünner satinsilberner Karten, in deren Mitte eine einzelne kobaltblaue Karte mit Registerreiter aufrecht steht.Eine Schreibtischablage aus Graphit mit einem Stapel dünner satinsilberner Karten, in deren Mitte eine einzelne kobaltblaue Karte mit Registerreiter aufrecht steht.

    MS Duplex8 Min. Lesezeit

    Warum deine Forschungs-KI vergisst und was es dein Team kostet.

    Die meisten KI-Tools beginnen jede Sitzung mit dem, was das Modell wusste, als sein Training endete. Was das ein Forschungsteam kostet und was sich ändert, wenn bestätigte Ergebnisse zu Erfahrung werden.

    Beitrag lesen →
  • Ein großer geschlossener Block aus Graphit mit einem schlanken satinsilbernen Modul an der Seite, das eine kleine quadratische kobaltblaue Anzeige trägt.Ein großer geschlossener Block aus Graphit mit einem schlanken satinsilbernen Modul an der Seite, das eine kleine quadratische kobaltblaue Anzeige trägt.

    MS Duplex8 Min. Lesezeit

    Lernen aus jedem bestätigten Ergebnis, ohne Trainingslauf.

    Wie MS Duplex sich für Forschungsteams von Fine-Tuning unterscheidet: wofür sich beides eignet, warum eine Korrektur ab der nächsten Anfrage gilt und wie sich eine einzelne Lektion für sich ändern oder entfernen lässt.

    Beitrag lesen →

Damit der nächste Lauf vom letzten profitiert.

Bring uns die Forschung, in der deine KI besser werden soll. Wir planen ein Pilotprojekt an deinen eigenen Workflows, mit deinen Experten als Jury.