Learn to BurnA BLACKBOAT LEARNING LAB← Zum Learning Lab
AUF DEN SCHULTERN GUTER IDEEN

Quellen & Inspiration

Tokens werden tatsächlich berechnet. GenAI-Beispielantworten, Agentenablauf, Kontextqualität und Compacting sind bewusst vereinfachte, veränderbare Simulationen. Sie stellen keine Prognose für ein bestimmtes Modell dar. Die Preisfelder verwenden frei wählbare Beispieltarife.

GenAI-Dreieck & Agent-Harness

Das Dreieck aus Modell, Prompt und Kontext geht auf Christoph Magnussen / Blackboat zurück. Auch die fünf C – Connect, Context, Collaborate, Check und Compound – folgen Blackboats Framework. Der Vergleich mit Chat und Copy sowie der Übergang von Collaborate zu Delegate machen den Unterschied zur Agentenarbeit erfahrbar. Die Lernstation ist eine eigenständige didaktische Umsetzung. Die ergänzende Harness-Ansicht zeigt, wie eine Agenten-Umgebung Werkzeuge, Kontext, Regeln und wiederholte Modellaufrufe verbindet. Alle Antworten und Aktionen sind vorbereitet; es werden keine echten Nachrichten verschickt oder Datenquellen abgefragt.

Anthropic · Scaling Managed Agents ↗

Technische Einordnung: Der Harness ruft das Modell auf, leitet Werkzeugaufrufe weiter und organisiert den Kontext. Die Trennung zwischen Modell, Umgebung und ausgeführten Aktionen liegt unserem vereinfachten Ablauf zugrunde.

Anthropic · Demystifying evals for AI agents ↗

LLM as a Judge bezeichnet hier einen eigenen Bewertungsaufruf mit klaren Kriterien. Das ist eine andere Rolle als die Auswahl des nächsten Werkzeugaufrufs. Modellbewertungen sind fehlbar und sollten mit überprüfbaren Tests und menschlichen Bewertungen abgeglichen werden. Ein Agent braucht nicht zwingend einen separaten Judge; die Lernstation zeigt eine mögliche Prüfschleife.

OpenAI · Iterative repair loops with Codex ↗

Ein technisches Beispiel für die Schleife aus Ausführen, Bewerten und Verbessern. Unsere Simulation zeigt dasselbe Grundprinzip an einer Einladung mit fehlender Vorbereitung, ohne Codex oder eine Modell-API auszuführen.

OpenAI · Agents API overview ↗

Einordnung des Harness als Umgebung für Modell, Anweisungen und Werkzeuge. Die angezeigten System-Prompts sind vereinfachte Beispiele, keine Originalanweisungen von Codex oder Claude Code.

Was Compound hier bedeutet

Eine geprüfte Erkenntnis wird als bestätigte Regel gespeichert und beim Folgeauftrag wieder in den Kontext aufgenommen. Das verändert weder die Modellgewichte noch trainiert es das Modell neu. In dieser Lernsimulation bleibt die Regel nur während der aktuellen Session erhalten. Die im Folgeauftrag erlaubte Aktion ist ausdrücklich auf das Speichern eines Entwurfs begrenzt.

Tokens, Kontext & Compacting

Tiktokenizer · dqbd ↗

Inspiration für die direkte Gegenüberstellung von Text, farbigen Tokens und IDs. Learn to Burn ist eine eigenständige Umsetzung. Danke an dqbd und Diagram.

gpt-tokenizer · niieani ↗

MIT-lizenzierte Tokenizer-Implementierung. GPT-2 nutzt r50k_base; GPT-4o nutzt o200k_base. Gezählt wird ausschließlich der eingegebene Text, ohne Chat-Overhead.

Matt Pocock · AI Coding Dictionary ↗

Inspiration für die anschauliche Erklärung von Kontext, „Smart Zone“, „Dumb Zone“ und Compacting. Diese Begriffe sind didaktische Bilder, keine verbindlichen Leistungsgrenzen.

Chroma · Context Rot ↗

Untersuchung zu Leistungseinbußen bei längeren Eingaben. Ergebnisse hängen von Modell und Aufgabe ab; unsere Kurve ist keine Reproduktion der Messdaten.

Was du aus dem Labor mitnehmen kannst

Ein größeres Kontextfenster garantiert keine höhere Antwortqualität. Gleichzeitig ist langer Kontext nicht grundsätzlich schlecht: Relevanz, Aufgabenstellung und Fähigkeiten des Modells zählen. Zusammenfassungen können lange Aufgaben unterstützen; Qualität und Detailtreue hängen davon ab, was erhalten bleibt und was später wieder nachgeladen werden kann.

Die Demo-Schwelle von 82%, die Kurven, Platzverhältnisse und Detailverluste sind illustrative Einstellungen. Sie dürfen nicht als allgemeine Grenzen, gemessene Intelligenz oder reale Anbieterpreise gelesen werden.

GenAI-Erweiterung: 16. Oktober 2026. Übrige Inhalte: 13. Oktober 2026. Bibliotheken und Lizenzhinweise sind im Projekt dokumentiert.