Tag 6 von 60 · Modul 1, Woche 2
Tag 6: Prompting-Techniken
RAG ist kein Tool – es ist ein Architekturprinzip.
Ziele
Teilnehmende nutzen KI wirksam, sicher und eigenverantwortlich für die eigene Arbeit und entwickeln einen reflektierten persönlichen Standpunkt dazu.
Tagesziele
- TN verstehen, wie RAG-Systeme funktionieren – und warum sie der Schlüssel sind, damit KI mit ihrem Wissen arbeitet.
- TN haben ihren ersten eigenen RAG-basierten KI-Agenten in Langdock gebaut – mit ihren Daten, für ihren Anwendungsfall.
- TN kennen die wichtigsten Einsatzfelder von RAG – von Dienstanweisungen über Kundenservice bis zur technischen Dokumentation.
- TN wissen, wann KI Wissen braucht und wann nur bessere Anweisungen reichen. Nicht alles ist ein Prompt-Problem.
Tagesablauf
Kursplan
Blöcke im Detail
Block 1 einstieg 09:00–09:30 Ziele des Tages & 5 Fragen zu letzter Woche
Plenum
- Warum hatte beim Moosrasen-Pitch (Tag 3) jede:r ein anderes Ergebnis?
- Was bedeutet Schatten-KI?
- Die drei Elemente der KI-Dreifaltigkeit: Big Data, Rechenleistung, Deep Learning
- Wie funktioniert ein Sprachmodell im Kern?
- Was bedeutet Reasoning im KI-Kontext? (Chain-of-Thought)
Block 2 theorie 09:30–10:45 Block 1: Wie werden die Modelle besser – und was bedeutet das für eure Daten?
Keine weiteren Details für diesen Block.
Block 3 theorie 10:45–12:00 Block 2: Wie werden die Ergebnisse besser, ohne am Modell zu drehen
Keine weiteren Details für diesen Block.
Block 4 praxisübung 12:30–15:00 Praxis 1: Euer erster RAG-basierter Agent
Langdock
- Wissensbasis befüllen: Lebenslauf, Arbeitszeugnisse, LinkedIn-Profil, KI-Kompetenzprofil aus Tag 4/5
- Systemprompt aus der AITI Academy einsetzen
- Mit echter Stellenausschreibung testen: Match-Analyse (Score 1–10) + Motivationsschreiben (max. 250 Wörter)
- Antwort prüfen: Zieht der Assistent die richtigen Dokumente? Wo halluziniert er?
- Sicherung & Blitzlicht: Systemprompt → Prompt-Bibliothek, Schärfungshinweise → Kompetenzprofil, Motivationsschreiben → späterer Claude Skill
Block 5 praxisübung 15:00–16:00 Praxis 2: KI-Kompetenzprofil, Meilenstein 3
Claude
- Recap: 01_berufsprofil.md als erstes Dokument (Dialog, Kontrollpunkte, Export)
- Recap: Miro-Rohmaterial aus Tag 1 einbringen
- Recap: 02_prozesse_und_potenzial.md aus Tag-2-Material (drei Bereiche)
- Zweiten Erarbeitungsprompt im Claude-Projekt „Mein KI-Kompetenzprofil“ ausführen
- Kompetenzprofil aus Tag 4 verfeinern: Kernkompetenzen präzisieren, 2 Berufsfelder ergänzen
- Vorher/Nachher-Vergleich: was hat sich konkret verändert?
Block 6 abschluss 16:00–16:15 Reflexion, Sicherung & Ausblick
Keine weiteren Details für diesen Block.
Verwendete Elemente
Tools
- Langdock
- Claude
Links
Rahmen dieses Tages
Beobachtungen zum Deck
Tagesplan (Folie 6) nennt Praxis 2 „KI-Kompetenzprofil: Meilenstein 3“, die Folien selbst (Folie 109, 111) sprechen durchgehend von „Meilenstein 2“ / „Zweiter Entwurf“ — Widerspruch wörtlich übernommen, nicht aufgelöst.
Wortgleicher, thematisch nicht passender Boilerplate-Notiztext wiederholt sich auf Folie 2 und Folie 5 (derselbe Text wie an Tag 3: „MA machen lassen – micht alles Vorbesetimmen...“).
Folie 34 trägt einen Notiz-Kommentar, der wie eine redaktionelle Selbstbeobachtung zum Deck klingt statt eine Sprechernotiz: „Ich habe die beiden obersten zusammengefasst, weil sie fast dasselbe waren 'Klarheit' und 'Kontext und Details'. Das lief beim erklären immer schief.“
Folie 10 fragt im Wiederholungsteil nach dem Moosrasen-Pitch aus Tag 3 — bezieht sich auf die dort durchgeführte Klassenübung, nicht auf die `moosrasen`-Fallstudie (die erst an Tag 56 mit anderem Szenario/anderen Feldern angelegt ist).
Folie 92 zeigt eine Tabelle mit Kursverlusten großer SaaS-Unternehmen (ServiceNow, UiPath, SAP, Intuit, Adobe, Salesforce, Shopify, Microsoft) inkl. Quellenangabe „CNBC, TechCrunch, Forrester, Bain & Company, YTD Apr 2026“ und der Sammelzahl „$1.4T Marktkap. vernichtet seit Jan 2025“. Acht Einzelwerte plus eine Aggregatzahl — für die `fakten`-Collection wäre das mehr als ein Eintrag; hier nicht angelegt, da nicht klar ist, welcher Wert als repräsentatives Einzelfaktum gelten soll. Das ist eine Frage an das Redaktionsteam, keine Entscheidung, die hier vorwegzunehmen wäre.
Folie 97 verweist auf den vollständigen Systemprompt „in der AITI Academy“ (Learnworlds) — nicht in assets/materialien enthalten, daher nicht als Materialdatei gelistet.
Folie 90 datiert die genannte Skill-Marktplatz-Übersicht ausdrücklich „Stand April 2026“ und merkt an, die Liste sei „nicht erschöpfend“.
Ausblick
Einstieg: Ziele des Tages & 5 Fragen zu letzter Woche
Fünf Wiederholungsfragen im Plenum zu Woche 1: der unterschiedliche Ausgang des Moosrasen-Pitches trotz identischem Prompt (Tag 3), die Definition von Schatten-KI, die „Dreifaltigkeit” aus Big Data, Rechenleistung und Deep Learning, das Kernprinzip eines Sprachmodells („rät das wahrscheinlichste nächste Wort”) und Reasoning/Chain-of-Thought als Prinzip, bei dem die KI aus dokumentierten menschlichen Denkschritten lernt, den eigenen Lösungsweg sichtbar zu machen.
Programm-Orientierung
Vor Block 1 wird der 5-Phasen-Rahmen des Kurses wiederholt (Abholen → Fundament → Tools & Best Practices → Anwenden & Umsetzen → Reflektieren & Präsentieren) mit dem Zusatz: „Orientierungsrahmen – kein starres Korsett. Je nach Inhalt und Situation passen wir den Tagesablauf an.”
Block 1: Wie werden die Modelle besser, und was bedeutet das für eure Daten?
Die drei Faktoren des KI-Durchbruchs (Big Data, Rechenleistung, Deep Learning) werden vertieft: Trainingsdatenmengen wachsen laut Deck um das 3,7-fache pro Jahr (logarithmische Skala, Quelle epoch.ai), was bereits die Frage aufwirft, ob genug Daten verfügbar sind. Trainingsdaten kommen aus öffentlichen Quellen, bezahlten Clickworkern/Experten, und aus den eigenen Konversationen und dem Feedback der Nutzer:innen selbst: „Wenn das Produkt nichts kostet, bist du das Produkt.” Eine Ampel-Klassifizierung (grün/gelb/rot) unterscheidet, welche Daten unproblematisch, nur nach Review oder gar nicht zum Training geteilt werden dürfen.
Block 2: Wie werden die Ergebnisse besser, ohne am Modell zu drehen
Drei Wege, um einem Modell mehr Kontext zu geben: besseres Prompting (manuell, direkt steuerbar), RAG (System spielt automatisch passendes Wissen dazu) und Skills (System spielt automatisch die richtige Arbeitsweise dazu).
Prompting stößt an Grenzen: Wiederholung nötig, begrenztes Kontextfenster (laut Deck bei aktuellen Modellen um 1 Mio. Token ≈ 750.000 Wörter ≈ 3.000 Word-Seiten), zu große Datenmengen, fehlende Konsistenz.
RAG wird als Architekturprinzip erklärt, nicht als Tool: bei jeder Anfrage werden relevante Dokumente aus einer externen Datenbank abgerufen und der Antwort-Generierung als Kontext beigegeben (Beispiel im Deck: „Wer ist der derzeitige Bundeskanzler Deutschlands?”, ohne RAG veraltete, mit RAG aktuelle Antwort). Die Pipeline: Laden → Chunking (fest, rekursiv, strukturbasiert, semantisch oder LLM-basiert) → Embedding (Vektordarstellung) → Suche (Kosinusähnlichkeit der Top-K-Chunks). Keyword-Suche matcht auf Wörter (stark bei exakten Begriffen, schwach bei Synonymen), semantische Suche auf Bedeutung (umgekehrt), in der Praxis oft als Hybrid Search kombiniert. Systemlandschaft laut Deck: klassische Volltextsuche (Elasticsearch, OpenSearch, Solr), Vektordatenbanken (Pinecone, Weaviate, Qdrant, Chroma, pgvector), hybridfähige Systeme (Elasticsearch, Vespa, Azure AI Search).
Skills liefern nicht Wissen, sondern Vorgehen: Vorgehen, Templates, Referenzen und Beispiele, wie sie sonst nur im Kopf der erfahrensten Kollegin stecken. Merksatz: „RAG macht das KI-System belesen. Skills machen es zum Kollegen, der eure Art zu arbeiten kennt.” Am Beispiel eines Meeting-Protokolls zeigt das Deck denselben Rohtext einmal ohne Skill (unstrukturierter Fließtext) und einmal mit Skill (Entscheidungen, Action Items, offene Punkte klar getrennt). Wirkung im Team laut Deck: Standardisierung, Skalierung, Onboarding auf dem Niveau der besten Kollegin, zentrale Governance statt verstreuter Einzel-Prompts. Community-Skill-Marktplätze werden genannt (claude marketplaces, SkillsMP, tonsofskills, awesome-claude-skills, mcpmarket, LobeHub), mit der Warnung: „Goldgrube zum Experimentieren – Steinbruch für Produktivbetrieb ohne Review”, da Community-Skills ausführbare Logik sind und wie jede Open-Source-Abhängigkeit vor Einsatz geprüft werden sollten.
Ein Exkurs unter dem Stichwort „SaaSocalypse” beschreibt die These, dass KI-Agenten zunächst die Bedienoberfläche klassischer Software (am Beispiel SAP) ersetzen und mittelfristig auch Teile der Prozesslogik übernehmen, während Regulatorik, Zertifizierung und Ökosystem-Netzwerkeffekte etablierte Anbieter vorerst schützen. Als Beleg zeigt das Deck Kursverluste großer SaaS-Werte seit Anfang 2025 (Details siehe Notizen).
Abschließend eine Checkliste, wann RAG sinnvoll ist (internes Wissen soll für alle verfügbar sein, wiederkehrende Fragen an Dokumente, aktuelle quellenbasierte Antworten nötig) versus wann nicht (allgemeine Aufgaben, fehlendes Fachwissen, kein Umsetzungspartner), mit Praxisbeispielen aus HR, Vertrieb, Recht und IT-Support.
Praxis 1: Euer erster RAG-basierter Agent
Die Teilnehmenden bauen in Langdock einen wissensbasierten Agenten: Wissensbasis befüllen (Pflicht: aktueller Lebenslauf, ein bis drei Arbeitszeugnisse, LinkedIn-Profil, das KI-Kompetenzprofil aus Tag 4/5; empfohlen: Zertifikate, Projektbeschreibungen, Portfolio, Fachartikel), einen vorgefertigten Systemprompt aus der AITI Academy einsetzen, dann mit einer echten Stellenausschreibung testen: Match-Analyse mit Score 1–10 und konkreten Schärfungshinweisen, plus ein Motivationsschreiben (max. 250 Wörter, in der eigenen Stimme, ohne Bewerbungs-Floskeln). Beobachtungsauftrag: zieht der Assistent die richtigen Dokumente, wo halluziniert er? Drei Artefakte werden gesichert, jedes mit einem späteren Andockpunkt: der Systemprompt in die Prompt-Bibliothek, die Schärfungshinweise ins Kompetenzprofil, das Motivationsschreiben als Vorlage für einen späteren Claude Skill. Bonus für Teilnehmende ohne (aussagekräftiges) LinkedIn-Profil: ein Prompt zur eigenen Tonalitäts-Analyse anhand 2–3 selbst geschriebener Texte.
Praxis 2: KI-Kompetenzprofil weiterentwickeln
Recap der bisherigen Schritte im Claude-Projekt „Mein KI-Kompetenzprofil”:
01_berufsprofil.md (Dialog mit Claude über Miro-Rohmaterial aus Tag 1, mit
automatischen Vollständigkeits-, Abschluss- und Qualitäts-Checks) und
02_prozesse_und_potenzial.md (aus dem Tag-2-Material zu den drei Bereichen
Prozesse & Aufgaben, KI-Potenzialfeld, Zielsatz). Darauf folgt ein zweiter
Erarbeitungsprompt (aus Learnworlds/AITI Academy heruntergeladen) in einer
neuen Konversation desselben Projekts. Claude hat dabei bereits automatisch
Zugriff auf das hochgeladene Berufsprofil. Kernaufgabe: das eigene
Kompetenzprofil aus Tag 4 präziser formulieren und um zwei konkrete
Berufsfelder ergänzen, danach im Plenum reflektieren, was sich zwischen erstem
und zweitem Entwurf konkret verändert hat. Merksatz: „Bessere Datengrundlage =
bessere Ergebnisse. Das ist keine Magie, sondern Methode.”
Abschluss: Das nehmen wir mit
RAG als Architekturprinzip verstanden. Wissen dazuspielen statt das Modell zu verändern; die typischen Einsatzfelder (Dienstanweisungen, Kundenservice, technische Dokumentation) kennengelernt; einen ersten eigenen RAG-Agenten in Langdock gebaut. Ausblick auf Tag 7: „Wie ist der KI-Markt aufgebaut? Und welche Schicht ist für dich oder dein Unternehmen relevant?”