Bearbeitungszugang anfragen
Session-Dokumentation • Input • Deutsch

Ein Prompt ist kein Team - Warum KI-Agenten für komplexe Lehrprojekte nötig sind

Cover-Bild für Ein Prompt ist kein Team - Warum KI-Agenten für komplexe Lehrprojekte nötig sind

Hinweis: Die Inhalte auf dieser Seite wurden teilweise von KI generiert und können Fehler enthalten.

Wortwolke

KI-generierter Inhalt

Zusammenfassung

KI-generierter Inhalt

Kontext

Der Vortrag von André Dietrich (TU Bergakademie Freiberg) thematisiert die Grenzen prompt-basierter KI-Werkzeuge in der Hochschullehre. Während einfache Aufgaben damit effizient lösbar sind, stoßen solche Ansätze bei komplexen Lehrprojekten an ihre Grenzen – etwa durch vage Ergebnisse, Halluzinationen oder fehlende Transparenz. Kommerzielle Plattformen verschärfen das Problem, indem sie Prompts hinter grafischen Oberflächen verstecken („KI-Dosensuppe“) und Lehrenden kaum Gestaltungsspielraum lassen. Als Alternative wird ein agentenbasiertes System vorgestellt, das auf strukturierten Workflows, klaren Rollen und wiederverwendbaren Artefakten basiert.

Kernaussagen

1. Grenzen des Promptings

  • Einfache Chat-Interfaces (z. B. ChatGPT) liefern bei komplexen Projekten oft statistisch wahrscheinliche, aber unpräzise Ergebnisse (ca. 80 % der Fälle erfordern Nachbearbeitung).
  • Probleme:
    • Kurze Prompts führen zu generischen Lösungen („statistisches Mittelmaß“).
    • Lange Kontexte erhöhen das Risiko von Halluzinationen.
    • KI wird als „Ein- und Ausgabemaschine“ genutzt, obwohl sie Dialoge und iterative Anpassungen benötigt.
  • Beispiel: Ein Prompt wie „Erzeuge eine Unterrichtsplanung für die 7. Klasse“ liefert oberflächliche Ergebnisse ohne didaktische Tiefe.

2. Kritik an kommerziellen Plattformen („KI-Dosensuppe“)

  • Viele Bildungsplattformen verstecken Prompts hinter grafischen Oberflächen, ohne Nutzenden Kontrolle über die zugrundeliegenden Anweisungen zu geben.
  • Folgen:
    • Lehrende haben keinen Zugriff auf Finetuning oder individuelle Anpassungen.
    • Ergebnisse werden uniform (z. B. ähnliche Lehrpläne für alle Nutzer:innen).
    • Blackbox-Problem: Der Entstehungsprozess der Inhalte bleibt intransparent.
  • Metapher: Wie Dosensuppe – vorgefertigt, nicht anpassbar und ohne Einfluss auf die Zutaten.

3. Konzept der KI-Agenten

  • Strukturierte Workflows mit spezialisierten Agenten, die klare Rollen, Personas und Aufgaben übernehmen (analog zu Küchenrollen wie Sous-Chef oder Sommelier).
  • Komponenten:
    • Agenten: Textuelle Beschreibungen ihrer Rolle, Verhaltensweise und Expertise (z. B. „Agent für didaktische Konzepte“).
    • Tasks: Formalisierte Arbeitsschritte mit definierten Eingaben/Ausgaben (z. B. „Erstelle eine Kursoutline“).
    • Artefakte: Nachvollziehbare Ergebnisse (z. B. Markdown-Dateien, Lehrmaterialien), die versionierbar (via Git) und wiederverwendbar sind.
  • Vorteile:
    • Transparenz: Jeder Schritt ist dokumentiert und nachvollziehbar.
    • Wiederverwendbarkeit: Agenten und Workflows lassen sich für andere Projekte adaptieren.
    • Modularität: Komplexe Projekte werden in kleinere, handhabbare Tasks zerlegt.

4. Iterative Kursplanung und Simulation von Lernenden

  • Schrittweiser Prozess vom Groben zum Feinen:
    1. Kursdefinition (Zielgruppe, Lernziele).
    2. Outline-Erstellung (Strukturierung der Inhalte).
    3. Materialgenerierung (Vorlesungen, Übungen).
    4. Validierung (Syntaxprüfung, Review durch „Lerner-Personas“).
  • Lerner-Personas:
    • KI-generierte Profile (z. B. „Studierende im 1. Semester Informatik mit wenig Programmiererfahrung“), die Lehrmaterialien vorab testen.
    • Identifikation von Verständnisproblemen oder Wissenslücken.
  • KI als Sparringspartner: Agenten hinterfragen didaktische Entscheidungen (z. B. „Ist der Schwierigkeitsgrad angemessen?“).

5. Technische Umsetzung und Open Educational Resources (OER)

  • Tools und Protokolle:
    • Desktop-Umgebungen: Nutzung von VS Code mit Erweiterungen wie GitHub Copilot oder Claude Code.
    • MCP (Model Context Protocol): Ermöglicht Agenten den Zugriff auf lokale Dateien, Browser oder externe Dienste (z. B. für Bildgenerierung).
    • Leascript: Eigene, einfacher editierbare Sprache für interaktive Lehrinhalte (Alternative zu HTML/JavaScript).
  • Open-Source-Ansatz:
    • Agenten-Workflows und Kursinhalte werden unter freien Lizenzen (z. B. GitHub) geteilt.
    • Community-basierte Weiterentwicklung: Nutzer:innen können Agenten anpassen und teilen (z. B. via Leascript-Plattform).
  • Beispielprojekt:
    • Datenbanken-Vorlesung: Vollständig mit KI-Agenten geplant und als interaktiver OER-Kurs umgesetzt (inkl. SQL-Übungen und Diagrammen).

Fazit

Handlungsempfehlung:

  • Für Lehrende: Komplexe Lehrprojekte nicht mit einzelnen Prompts, sondern mit agentenbasierten Workflows umsetzen. Dies erfordert initial mehr Aufwand (z. B. Definition von Agenten und Tasks), ermöglicht aber transparente, wiederverwendbare und anpassbare Prozesse.
  • Für Hochschulen/Plattformen: Offene Formate (wie Leascript) und OER-Prinzipien fördern, um Abhängigkeiten von kommerziellen „Blackbox“-Lösungen zu vermeiden.
  • Praktische Schritte:
    1. Agenten-Workflows lokal in VS Code mit MCP-Protokoll testen (z. B. via GitHub-Projekt).
    2. Lerner-Personas für Feedback einbinden.
    3. Ergebnisse als OER teilen und in der Community weiterentwickeln.

Kernbotschaft: KI-Agenten ersetzen nicht Prompts, sondern skalieren deren Einsatz – von der Einmal-Abfrage zur kollaborativen, strukturierten Wissensarbeit. Der Schlüssel liegt in der Modularisierung, Transparenz und Wiederverwendbarkeit der erstellten Artefakte.

Fragen & Antworten

KI-generierter Inhalt
Warum wurde der Umweg über Leascript gewählt, wenn man interaktive Inhalte wie Diagramme auch direkt in HTML/JavaScript umsetzen kann?

Leascript ist für Menschen einfacher zu editieren als komplexer HTML/JavaScript-Code. Zudem bietet es mehr Sprachfeatures und ermöglicht den Export in verschiedene Formate wie SCORM oder Android APK.

Funktioniert das System auch auf Deutsch oder arbeiten die Modelle dann ungenauer?

Ja, es funktioniert auf Deutsch. Obwohl die ursprünglichen Agenten auf Englisch definiert sind, bleibt die KI in der Regel bei der vom Nutzer eingestellten Sprache.

Auf welche Datenbasis greift die KI zu und wie wird ein Faktencheck sichergestellt?

Für gängige Programmiersprachen nutzt die KI ihr internes Wissen; Spezialwissen kann über Verzeichnisse oder Tools wie RAG hinterlegt werden. Ein Faktencheck kann durch einen zusätzlichen Validierungs-Agenten erfolgen, der Quellen systematisch überprüft.

Lassen sich lokale Modelle mit Cloud-Modellen kombinieren, um beispielsweise die Nachhaltigkeit zu erhöhen?

Eine Kombination ist technisch möglich. Allerdings bieten aktuelle Cloud-Modelle wie Claude Code derzeit eine deutlich höhere Performance als die meisten lokal verfügbaren Modelle.

Diagramm

KI-generierter Inhalt
100% 
mindmap
  root)Ein Prompt ist kein Team - KI-Agenten für Lehrprojekte(
    ["Grenzen des Promptings"]
      ["Statistisch unpräzise Ergebnisse"]
      ["Halluzinationen bei langen Kontexten"]
      ["Fehlende Dialogfähigkeit"]
    ["Kritik an kommerziellen Plattformen"]
      ["Versteckte Prompts hinter GUIs"]
      ["Kein Finetuning möglich"]
      ["Uniforme, intransparente Ergebnisse"]
    ["Konzept der KI-Agenten"]
      ["Spezialisierte Rollen und Tasks"]
      ["Nachvollziehbare Artefakte"]
      ["Modularität und Wiederverwendbarkeit"]
    ["Iterative Kursplanung"]
      ["Schrittweise von Grob zu Fein"]
      ["Lerner-Personas für Validierung"]
      ["KI als didaktischer Sparringspartner"]
    ["Technische Umsetzung"]
      ["VS Code mit MCP-Protokoll"]
      ["Leascript für interaktive Inhalte"]
      ["Open-Source und OER"]
    ["Fazit & Handlungsempfehlung"]
      ["Agentenbasierte Workflows nutzen"]
      ["OER-Prinzipien fördern"]
      ["Lokale Tests mit VS Code"]