Einführung für die Bayerischen Asphaltmischwerke
Das Zweite Gehirn
Warum die KI einen Wissensspeicher braucht — und wie ihr ihn pflegt
„Die KI ist nur so gut wie der Kontext, den sie bekommt."
Speaker
Wer bin ich?
Daniel Leuverink
KI-Architekt & Geschäftsführer der AllBytes GmbH
Seit 2006 — gestartet zur Fußball-WM in Deutschland
15 Softwareentwickler · Fokus: KMU · Individuelle Software nach Maß
Spezialisierung: Enterprise KI-Architektur & Wissensautomatisierung
„Wir sind keine Marketingagentur. Keine Designer. Keine Texter.
Wir sind Techies — und wir bauen KI, die wirklich funktioniert."
Unter anderem arbeiten wir für
Teil 1 · Warum und was
KI kann heute viel
… und trotzdem bleiben die Antworten oft seltsam allgemein.
Daten auswerten
Verläufe, Ausreißer, Vergleiche
Berichte schreiben
Störung, Schicht, Wartung
Fachfragen beantworten
Handbuch, Norm, Erfahrung
Typische Antwort auf „Warum ist gestern die Mischguttemperatur abgefallen?"
„Ein Temperaturabfall kann viele Ursachen haben, zum Beispiel eine erhöhte Feuchte der Gesteinskörnung, eine Störung am Brenner oder ein zu hoher Durchsatz. Prüfen Sie die Einstellungen Ihrer Anlage …"
Korrekt. Höflich. Und hilft an der Anlage keinen Schritt weiter.
Der Grund ist fast nie das Modell. Es fehlt der Kontext.
Grundlagen
Wie ein Sprachmodell entsteht
Einmal trainiert, danach eingefroren — der Rest läuft über Kontext.
Hersteller
OpenAI, Anthropic, Google …
🧠 LLM
lernt aus Millionen Texten …
✓ Training abgeschlossen
Server
Rechenzentrum
🧠 LLM ❄️
eingefroren · Wissen bis Stichtag
Ihr
im Chat oder über Claude Code
Kontext, der mitgeschickt wird:
✍️ eure Frage
📎 angehängte Unterlagen
🔎 was die KI nachschlägt
1. Training: Der Hersteller trainiert das Modell mit Millionen von Texten. Das dauert Wochen, kostet Millionen — und passiert einmal.
2. Eingefroren: Das fertige Modell kommt auf den Server. Ab jetzt verändert es sich nicht mehr — es lernt nichts dazu, egal wie viele Menschen es nutzen.
3. Nutzung über Kontext: Bei jeder Anfrage geht Kontext mit — Frage, Unterlagen, Nachgeschlagenes. Das Modell antwortet damit und vergisst ihn danach wieder.
Heißt: Das Modell ist für alle gleich. Den Unterschied macht allein der Kontext, den ihr mitgebt.
Grundlagen
Tokens — und das nächste Wort
Ein Sprachmodell liest keine Wörter, sondern Textstücke. Und es rät, was als Nächstes kommt.
1 · Text wird in Tokens zerlegt
Faustregel: ein Token ≈ ¾ Wort. Lange deutsche Fachwörter werden in mehrere Stücke zerlegt. (Zerlegung vereinfacht dargestellt)
2 · Das Modell schätzt das wahrscheinlichste nächste Token
Dann das nächste, und das nächste … So entsteht jede Antwort — Token für Token. (Zahlen beispielhaft)
Das Modell schlägt nichts nach — es setzt fort, was am wahrscheinlichsten passt. Ob es stimmt, hängt daran, was im Kontext steht.
Grundlagen
Was ein Sprachmodell von sich aus weiß
Das weiß es
- • Allgemeinwissen aus Büchern, Artikeln, Webseiten
- • wie eine Asphaltmischanlage grundsätzlich funktioniert
- • Fachbegriffe, öffentliche Normen und Regelwerke
- • … aber nur bis zu einem Stichtag
Das weiß es nicht
- • eure Anlagen und wie sie sich verhalten
- • eure Rezepturen und Erfahrungswerte
- • welche Störung letztes Jahr wie gelöst wurde
- • was gestern in der Frühschicht los war
Euer Wissen war nie in den Trainingsdaten. Also muss es über den Kontext kommen.
Ein Bild dafür
Der hochbegabte Praktikant am ersten Tag
Er kann
- 📚 hat praktisch alles gelesen
- ✍️ schreibt schnell und sauber
- 📊 rechnet und wertet Daten aus
- 💡 kennt jedes Lehrbuch zur Verfahrenstechnik
Er weiß nicht
- ❓ welche Anlage wo steht
- ❓ welche Messstelle was bedeutet
- ❓ was bei der letzten Störung half
- ❓ wen man bei welchem Problem fragt
Und das Besondere: Für ihn ist jeden Morgen wieder der erste Tag.
Kein Gedächtnis
Die KI vergisst zwischen den Sitzungen
Jeder neue Chat startet bei null — das Gespräch von gestern ist weg.
Montag
„Hier ist alles zur Brennerstörung an Anlage 2 …" — die KI antwortet perfekt im Kontext.
Über Nacht
Neuer Chat = leeres Blatt. Das Modell selbst hat sich nichts gemerkt.
Dienstag
„Die Brennerstörung?" — „Dazu liegen mir keine Informationen vor." Alles nochmal erklären.
Wissen kommt nicht aus dem Training — es muss bei jeder Aufgabe neu mitgegeben werden. Die Frage ist nur: von wem, und woher?
Grundlagen
Halluzinationen
Die KI lügt nicht — sie erfindet Plausibles. Das Tückische: Es klingt perfekt.
Warum erfindet die KI Dinge?
Sie rät das nächste Token — Ziel ist flüssiger Text, nicht Wahrheit.
Sie sagt selten „weiß ich nicht" — sie füllt Lücken mit etwas Plausiblem.
Je dünner der Kontext, desto mehr erfindet sie dazu.
Beispiel — Antwort der KI ohne euren Kontext
Das beste Mittel gegen Halluzinationen: echter Kontext mit Quelle — und ein Mensch, der wichtige Fakten prüft.
Hinter den Kulissen
Wie die KI Kontext zusammenbaut
„Warum ist an Anlage 2 gestern früh die Temperatur abgefallen?"
Das ist alles, was ihr tippt.💬 Prompt & Chatverlauf
sichtbareure Frage und alles, was im Gespräch schon gesagt wurde
📎 Angehängte Dateien
sichtbarwas ihr selbst dazulegt, z.B. das Schichtprotokoll
📜 Hausregeln der App
im HintergrundAnweisungen des Anbieters: Rolle, Werkzeuge, heutiges Datum
🏠 Eure Projektregeln
im Hintergrunddie CLAUDE.md im Repository — dazu später mehr
📈 Influx-Datenbank
WerkzeugTemperaturverlauf, Brenner, Durchsatz von gestern früh
🗂️ Vault & Repository
WerkzeugAnlagennotiz, frühere Störungen, Schichtnotizen
🔧 Wartungsplan
Werkzeugletzte Wartung am Brenner, offene Arbeiten
🌐 Websuche
WerkzeugHerstellerhinweise, Wetter der letzten Nacht
Was beim Modell ankommt
[Hausregeln] Du bist Assistent … heute ist Di, 13.10. …
[CLAUDE.md] Vault-Aufbau · Antworten mit Quelle …
[Influx] 06:40 Temp. −18 °C · Durchsatz ↑ …
[Vault] Anlage 2 · Störung März: nasser Sand …
[Schicht] „Halde 3 nach Regen sehr feucht" …
[Wartung] Brenner zuletzt 02.10. geprüft …
[Web] Starkregen in der Nacht …
[Frage] Warum ist an Anlage 2 …
Ein Satz getippt — viele Seiten kommen an.
🧠 Sprachmodell ❄️ eingefroren
bekommt alles auf einmal — und antwortet damit
Ganz natürlich — ein erfahrener Mischmeister macht es genauso. Er weiß: Es hat nachts geregnet, Halde 3 ist nass, im März war es dasselbe. Nur liegt dieser Kontext bei ihm im Kopf.
Grundlagen
Kontextfenster ≠ Gedächtnis
„Dann lade ich einfach alles in einen langen Chat." — Warum das nicht reicht.
Das Kontextfenster = der Schreibtisch
Begrenzter Platz — gemessen in Tokens. Und am Ende der Sitzung wird der Schreibtisch abgeräumt.
Was ist das Kontextfenster?
Alles, was die KI gerade vor sich hat: eure Frage plus alles, was in der Sitzung steht. Nur das zählt — sonst nichts.
Ein langer Chat geht — eine Weile
Ein paar Seiten und ein paar Runden? Klappt. Aber jedes Handbuch, alle Prozessdaten, jede Störung in einen Chat? Passt nicht — und in der nächsten Sitzung geht es wieder von vorn los.
Drei harte Grenzen
- • Platz: das Fenster ist endlich
- • Kosten & Tempo: mehr Tokens = teurer & langsamer
- • Qualität: im Wust geht das Wichtige unter
Also: gezielt nachlegen
Nicht alles draufpacken — sondern zu jeder Aufgabe nur das Passende auf den Schreibtisch legen. Dafür muss das Wissen irgendwo liegen, wo man es findet.
Schreibtisch = was die KI gerade sieht. Aktenschrank = wo das Wissen dauerhaft liegt.
Drei Stufen
Vom Prompt zum Agenten
Wer legt den Kontext auf den Schreibtisch — ihr oder die KI selbst?
Stufe 1
Prompt
Ihr tippt eine Frage und erklärt alles selbst. Ihr seid die einzige Quelle — was ihr vergesst, fehlt.
Stufe 2
Kontext
Ihr legt Unterlagen dazu: Schichtprotokoll, Datenexport, Handbuchseite. Besser — aber ihr müsst wissen, welche.
Stufe 3
Agent
Die KI hat Werkzeuge: Sie liest Dateien im Repository, fragt Influx ab, prüft nach — und schreibt Ergebnisse zurück.
Claude Code ist so ein Agent.
Je mehr der Agent selbst nachschauen kann, desto weniger hängt an euch — vorausgesetzt, es steht irgendwo. Und genau da wird es spannend.
Warum euer Wissen unsichtbar bleibt
Grund 1: Es ist verstreut
In Köpfen, Handbüchern, Datenbanken — und in jedem System ein bisschen.
Köpfe
Mischmeister, Schichtführung — nirgends notiert
Influx
Messwerte ohne Erklärung, was sie bedeuten
Handbücher
Hersteller-PDFs, hunderte Seiten
Wartung & Störungen
Protokolle, Tabellen, Tickets
Mails & Telefon
Absprachen mit Herstellern und Kollegen
Papier
Schichtbuch, Zettel am Leitstand
Ein Mensch weiß, wo er fragen muss.
„Frag mal die Frühschicht, die hatten das letztes Jahr schon."
Die KI weiß das nicht.
Was sie nicht findet, existiert für sie nicht.
Warum euer Wissen unsichtbar bleibt
Grund 2: Selbst wenn die KI es findet …
Implizit
Das Wichtigste steht nirgends: Erfahrungswissen, Kniffe, warum man es so macht.
„Nach Regen die Trommel früher hochfahren — das weiß man halt."
Veraltet
Dokumente bleiben liegen, auch wenn sie längst nicht mehr gelten. Niemand räumt auf.
Rezeptur_2022.pdf
Rezeptur_neu.pdf
Rezeptur_neu_final.pdf
Widersprüchlich
Zwei Quellen sagen Verschiedenes. Welche gilt? Das weiß nur, wer dabei war.
Handbuch: Wartung alle 500 h · Aushang am Leitstand: alle 400 h
Ein Mensch stutzt und fragt nach. Die KI nimmt, was sie findet — und klingt dabei völlig überzeugt.
Die Folge
Die KI rät — und liefert Allgemeines
Gleiche Frage: „Warum ist an Anlage 2 gestern früh die Temperatur abgefallen?"
Ohne Kontext
„Mögliche Ursachen für einen Temperaturabfall sind eine erhöhte Feuchte der Gesteinskörnung, Probleme am Brenner oder ein zu hoher Durchsatz. Ich empfehle, die Anlagenparameter zu prüfen …"
Mit Kontext
„Ab 06:40 fiel die Temperatur um 18 °C, gleichzeitig stieg der Durchsatz (Influx). Laut Schichtnotiz kam nach dem Regen nasser Sand aus Halde 3 — wie bei der Störung im März. Damals half: Trommel früher hochfahren (Notiz ‚Störung März')."
Ohne Kontext füllt das Modell die Lücken mit dem Wahrscheinlichsten. Und das Wahrscheinlichste ist immer das Allgemeine.
Der klassische Weg
Was ist RAG?
Retrieval-Augmented Generation — die KI schlägt nach, statt zu raten.
Auswendig lernen
Wie ein Prüfling, der alles im Kopf haben muss. Was er nicht gelernt hat, erfindet er — selbstbewusst und falsch.
Nachschlagen (RAG)
Wie ein Profi mit offenem Handbuch: Zur Frage holt er die passende Stelle aus eurer Quelle — und antwortet damit.
RAG: nachschlagen (Retrieval) › der Frage beilegen (Augmented) › antworten (Generation). RAG ist der Vorgang — nicht der Speicher.
Der klassische Weg
RAG im Ablauf — in 4 Schritten
Was zwischen eurer Frage und der Antwort passiert.
1 · Frage
„Was hat bei der Brennerstörung im März geholfen?"
2 · Retrieve
passende Stellen im Wissensspeicher finden
3 · Augment
Fund + Frage ans Sprachmodell geben
4 · Generate
Antwort — mit Quelle belegt
Frage: Ihr fragt in normaler Sprache — wie bei jedem Chat. Nichts Neues zu lernen.
Retrieve (Suchen): Ein Suchschritt durchforstet die Wissensquelle — meist nach Bedeutung, nicht nur nach gleichen Wörtern — und zieht die relevantesten Ausschnitte heraus. Nicht alles, nur das Passende.
Augment (Anreichern): Diese Ausschnitte kommen zusammen mit eurer Frage auf den Schreibtisch — als frischer Kontext, genau für diese eine Antwort.
Generate (Antworten): Das Modell formuliert die Antwort auf Basis eurer Quelle — und kann sagen, woher es das hat. Weniger Erfinden, mehr Beleg.
Was ist was?
Vier Arten, Wissen für die KI bereitzuhalten
Confluence, SharePoint
Das Zweite Gehirn ist das einzige, bei dem Mensch und KI gemeinsam pflegen — und der Mensch entscheidet, was gilt.
Moment — ohne Datenbank?
Der Vault ist keine klassische Datenbank
Klassisches RAG braucht eine technische Datenbank. Wir nehmen einen Ordner mit Notizen — und erfüllen trotzdem alle Bedingungen.
Klassische RAG-Datenbank
- • Vektordatenbank, eigene Infrastruktur
- • Dokumente werden zerstückelt & „eingebettet"
- • technisches Setup, für Menschen kaum lesbar
Der Vault
- • einfache Notizen im Klartext — für euch lesbar
- • klare Struktur & Verlinkung statt Technik
- • liegt im gemeinsamen Repository, versioniert
Wie findet die KI darin trotzdem das Richtige? Drei Zutaten:
Struktur
PARA-Ordnung gibt jedem Wissen seinen Platz
Verlinkung
Notizen verbinden sich — Zusammenhänge entstehen
Intelligenz der KI
der Agent versteht die Inhalte und sucht gezielt
Wissensquelle, gezieltes Finden, Antwort mit Beleg — alles, was RAG ausmacht, ganz ohne Vektordatenbank.
Am Ende zählt nicht der Name
Egal wie es heißt — das Ziel ist dasselbe
Aufgabe 1
Kontext zentral ablegen
Wissen aus Köpfen, Handbüchern und Protokollen an einen Ort bringen — gepflegt und aktuell.
Aufgabe 2 · noch wichtiger
Kontext richtig auslesen
Zur Aufgabe genau das Passende herausholen — nicht alles, sondern das Richtige.
Temperaturabfall: Schichtnotiz von gestern, Störung im März, Wartungsstand Brenner — nicht alle Prozessdaten seit 2019.
Die Aufgabe bleibt: Wissen an einen Ort bringen — und zur richtigen Zeit das Richtige herausholen.
Teil 2 · Wie geht's
Das Zweite Gehirn
Ein Ordner mit Notizen — strukturiert, verlinkt, vom Agenten gelesen und gepflegt.
📄 CLAUDE.md
📁 00_Daily/
📁 01_Projekte/
📄 Fachfragen-Klärung.md
📁 02_Bereiche/
📄 Anlage-2.md
📁 03_Ressourcen/
📄 Messstellen-Influx.md
📁 04_Archiv/
＞ alles als Markdown — Klartext
Einfacher Klartext
Markdown statt proprietärer Formate. Lesbar für euch — und ideal für die KI.
Gehört euch
Dateien im eigenen Repository auf eurem Server. Kein Lock-in.
Verknüpft
Notizen verlinken sich gegenseitig — Zusammenhänge werden sichtbar.
Agent liest und schreibt
Der Agent schlägt nach, ergänzt Notizen — ihr prüft und entscheidet.
Wichtig: Der Vault ist der Aktenschrank, nicht der Bibliothekar. Er speichert — das Nachschlagen übernimmt der Agent.
Ordnung mit System
PARA — vier Schubladen
Jede Notiz hat genau einen Platz. Mehr braucht es nicht.
Projekte
mit Ziel & Ende
Areas / Bereiche
laufende Verantwortung
Ressourcen
Nachschlagewissen
Archiv
erledigt, aber griffbereit
01_Projekte/
📄 Fachfragen-Klärung.md
02_Bereiche/
📄 Anlage-2.md
03_Ressourcen/
📄 Messstellen-Influx.md
04_Archiv/
📄 Winterrevision-2025.md
＞ alles als Markdown
Projekte — was gerade läuft
Alles mit klarem Ziel und Ende. Ist es erledigt, wandert es ins Archiv.
Areas — Bereiche ohne Enddatum
Daueraufgaben und Dinge, die bleiben. Kein Projekt, sondern ein Standard, den ihr haltet.
Ressourcen — Wissen zum Nachschlagen
Was ihr immer wieder braucht. Hier schlägt der Agent am häufigsten nach.
Archiv — fertig, aber nicht weg
Abgeschlossenes wandert hierher. Nicht gelöscht — der Agent findet es trotzdem („Was haben wir bei der letzten Revision gemacht?").
Das Werkzeug
Was ist Obsidian?
Kein Zauberwerkzeug — nur ein schönes Fenster auf einen ganz normalen Ordner.
Obsidian
Notiz- & Wissens-App
Seit 2020 am Markt — bewährter Standard
Lokal — bei euch auf dem Terminalserver
Graph zeigt, wie alles zusammenhängt
📂 Repository
📄 CLAUDE.md
📁 01_Projekte/
📁 02_Bereiche/
📁 03_Ressourcen/
📁 04_Archiv/
📄 anlage-2.md
Dahinter liegen einfach Textdateien.
Genau die PARA-Ordner von eben — als Markdown-Dateien im Repository. Man könnte sie mit jedem Editor öffnen.
Obsidian legt ein Fenster für Menschen darüber. Claude Code arbeitet direkt auf denselben Dateien.
Zwei Fenster, ein Ordner: Ihr lest und schreibt in Obsidian, der Agent in Claude Code — beide sehen dasselbe Wissen.
Aufbau einer Notiz
Frontmatter & Wikilinks
Zwei kleine Zutaten machen aus Textdateien ein Netz, in dem der Agent sich zurechtfindet.
📄 02_Bereiche/Anlage-2.md
---
typ: anlage
status: in Betrieb
verantwortlich: Schichtführung
aktualisiert: 2026-10-13
---
# Anlage 2
Brenner: [[Brenner Anlage 2]]
Messstellen: [[Messstellen-Influx]]
## Bekannte Störungen
- [[2026-03 Temperaturabfall nasser Sand]]
- [[2025-11 Brenner Zündaussetzer]]
Frontmatter = der Steckbrief
Ein paar feste Felder ganz oben: Typ, Status, Verantwortung, Datum. Der Agent kann danach filtern und sortieren — „alle Anlagen mit offener Störung".
Wikilinks = der Querverweis
[[Name]] verlinkt auf eine andere Notiz. Der Agent folgt den Links wie ihr einem Verweis im Handbuch — und Obsidian zeigt auch, wer auf diese Notiz verweist.
Von der Anlage zur Störung, von der Störung zur Lösung: Der Agent hangelt sich durch — ganz ohne Vektordatenbank.
Der Eingang
Daily Notes — ein Tag, eine Notiz
Einfach reinschreiben, was los war. Einsortieren hilft der Agent.
📄 00_Daily/2026-10-13.md
# Di, 13.10.2026
- Anlage 2: ab 06:40 Temperatur runter,
Sand aus Halde 3 nass nach Regen
- Trommel früher hochgefahren → ok
- Telefonat Hersteller wegen Brenner,
Rückruf Do
- Fachfrage 17 kurz besprochen
Anlage-2.md · Störung ergänzt, mit Link
Störung nasser Sand · zweiter Fall, gleiche Lösung
Brenner Anlage 2 · Rückruf Hersteller Do
Fachfrage 17 · Stand ergänzt
Die Daily Note ist der Rohstoff fürs Gedächtnis: schnell notiert, später auffindbar — und aus vielen Tagen wird Erfahrungswissen.
Die Einarbeitung, die nicht vergessen wird
CLAUDE.md — die Hausordnung für den Agenten
📄 CLAUDE.md (Auszug, Beispiel)
# Wissensspeicher BAM
## Aufbau
- PARA: 01_Projekte … 04_Archiv
- Tagesnotizen in 00_Daily/
## Regeln
- Antworten immer mit Quelle
- Influx nur lesend abfragen
- keine personenbezogenen Daten
im Vault ablegen
- Unsicher? Nachfragen statt raten
## Wo was liegt
- Fachfragen: [[Fachfragen-Klärung]]
Wird bei jedem Start gelesen
Claude Code lädt die Datei automatisch. Der Praktikant bekommt jeden Morgen dieselbe Einarbeitung — ohne dass ihr etwas tippt.
Gilt für alle
Sie liegt im gemeinsamen Repository. Wer daran arbeitet, arbeitet mit denselben Regeln.
Kurz halten
Nur das, was immer gilt. Details stehen in Notizen und werden verlinkt — sonst ist der Schreibtisch voll, bevor die Arbeit beginnt.
Wie eine Schichtübergabe
Session-Start und Session-Ende
Die KI vergisst — also sorgen wir dafür, dass nichts verloren geht.
Session-Start
- 1 CLAUDE.md lesen — die Regeln
- 2 letzte Übergabe und Daily Note lesen
- 3 offene Punkte nennen: „Wo waren wir?"
Session-Ende
- 1 Ergebnisse in die richtige Notiz schreiben
- 2 neue Erkenntnisse und Entscheidungen festhalten
- 3 Übergabe fürs nächste Mal: was offen ist, bei wem
So wird aus vielen einzelnen Chats ein Gedächtnis. Nicht das Modell lernt — der Vault wächst.
Arbeitsanweisungen für den Agenten
Skills
Einmal gut beschrieben — jedes Mal gleich gut ausgeführt.
Ein Skill ist eine abgelegte Arbeitsanweisung für eine wiederkehrende Aufgabe: welche Schritte, welche Quellen, wie das Ergebnis aussieht.
Der Agent lädt ihn nur, wenn er gebraucht wird — der Schreibtisch bleibt frei.
Wie eine Arbeitsanweisung im Werk: Wer sie befolgt, macht es richtig — auch beim ersten Mal.
❓ Fachfrage beantworten
Frage lesen → Vault und Influx prüfen → Antwort mit Quelle → Offenes an die Fachleute.
⚠️ Störung dokumentieren
Was, wann, welche Anlage, Ursache, Lösung — verlinkt mit Anlage und früheren Fällen.
📈 Prozessdaten auswerten
Welche Messstellen, welcher Zeitraum, worauf achten — und das Ergebnis als Notiz.
🔁 Session beenden
Ergebnisse ablegen, Übergabe schreiben, offene Punkte festhalten.
Beispiele — welche Skills ihr braucht, ergibt sich aus der Arbeit.
Das Ganze in einem Bild
Wie alles zusammenspielt
Ihr
stellt eine Fachfrage
Agent
liest CLAUDE.md, nimmt den passenden Skill
Vault & Influx
Notizen und Links lesen, Daten lesend abfragen
Antwort & Rückschreiben
mit Quelle — ihr prüft, das Ergebnis kommt in den Vault
Ihr fragt in normaler Sprache — zum Beispiel eine der 51 offenen Fachfragen.
Der Agent kennt durch die CLAUDE.md die Regeln und weiß durch den Skill, wie die Aufgabe abläuft.
Er schaut selbst nach: in den Notizen, entlang der Links — und für Messwerte in Influx.
Er antwortet mit Beleg. Ihr prüft. Was stimmt, wird festgehalten — beim nächsten Mal ist es schon da.
Der Kreis schließt sich: Jede Frage, die beantwortet wird, macht den Vault — und damit jede künftige Antwort — besser.
Schluss · Bei euch
Was bei der BAM schon steht
Die Arbeitsumgebung
- Terminalserver für euch als Anwender
- gemeinsames Repository — der Vault
- Zugriff auf Influx: Prozess- und Betriebsdaten
- Claude Code / Claude Desktop und Obsidian
- 51 offene Fachfragen, priorisiert, im Repository
Die Leitplanken
- weitere Nutzer sehen das Repository zunächst nur lesend
- personenbezogene und sensible Daten liegen nicht dauerhaft im Vault — sie werden kontrolliert aus den angebundenen Systemen abgerufen
- Prototyp mit großen Modellen — später ggf. kleinere oder selbst gehostete, eine Verlagerung nach Azure ist möglich
Das Wissen gehört in den Vault, nicht ins Modell. Darum lässt sich das Modell später austauschen, ohne das Wissen zu verlieren.
Schluss · Bei euch
Eure ersten Schritte
1
Umschauen
Vault in Obsidian öffnen, CLAUDE.md und die Fachfragen-Liste lesen.
2
Eine Fachfrage
Mit dem Agenten durchsprechen. Euer Wissen dazugeben, die Antwort festhalten lassen.
3
Daily Note
Jeden Tag ein paar Zeilen: Was war an der Anlage los?
4
Korrigieren
Liegt der Agent falsch, die Notiz verbessern — nicht nur den Chat.
5
Sauber beenden
Session mit Übergabe abschließen. So geht nichts verloren.
Klein anfangen. Jede beantwortete Fachfrage macht das System für alle klüger.
Zum Mitnehmen
Was ihr heute mitnehmt
Es liegt nicht am Modell, sondern am Kontext. Allgemeine Antworten sind ein Zeichen für fehlendes Wissen.
Das Modell weiß viel über die Welt und nichts über eure Anlagen. Und es vergisst zwischen den Sitzungen.
Der Vault ist das Gedächtnis. PARA ordnet, Links verbinden, CLAUDE.md und Skills sagen dem Agenten, wie er arbeitet.
Mensch und KI pflegen gemeinsam. Der Agent schreibt mit — ihr entscheidet, was gilt.
Ein Zweites Gehirn ist eine Wissensbasis, mit der eine KI direkt arbeiten kann.
Vielen Dank
Eure Fragen
Was ist unklar, was wollt ihr als Erstes ausprobieren?
Daniel Leuverink
KI-Architekt & Geschäftsführer · AllBytes GmbH
dleuverink@allbytes.de
Telefon
+49 (0) 8071 / 10 98 066
Website
www.allbytes.de