als Programmierwerkzeug. Als Programmiertool ist es wirklich erstaunlich, leistet unglaubliche Arbeit und hat mich wahrscheinlich zu einem um ein Vielfaches effizienteren Ingenieur gemacht.

Claude Code lässt sich jedoch auch für viele andere äußerst nützliche Anwendungsbereiche nutzen. Sie können es für Aufgaben wie das Erstellen von Präsentationen verwenden, was durch das Schreiben von Code, zum Beispiel Python oder LaTeX, sehr effizient erledigt wird. Darüber hinaus können Sie Claude Code auf Anwendungsfälle anwenden, die überhaupt nichts mit Codierung zu tun haben, z. B. die Organisation Ihrer Vertriebsaktivitäten oder die Erstellung einer Wissensdatenbank, worauf ich in diesem Artikel eingehen werde.

Eine LLM-basierte Wissensdatenbank ist ein unglaublich leistungsstarkes Konzept, das Sie weitaus effizienter machen kann, einfach weil Sie relevante Informationen schneller abrufen können. Ich werde erläutern, wie Sie dies einrichten, warum Sie es einrichten sollten und wie Sie Ihre Wissensdatenbank optimum nutzen können.

Warum eine LLM-gestützte Wissensdatenbank einrichten?

Zunächst erläutere ich, warum Sie eine LLM-basierte Wissensdatenbank einrichten sollten. Der einfache Grund ist, dass LLMs umso besser funktionieren, je mehr Kontext sie haben, und je mehr Kontext Sie Ihren Sprachmodellen zur Verfügung stellen können, desto besser können sie verschiedene Probleme lösen, die Sie ihnen stellen.

Daher ist das Speichern möglichst vieler Informationen in einer Wissensdatenbank unglaublich leistungsfähig, da das LLM bei Bedarf darauf zugreifen kann.

Ich versuche, absolut alles, was ich tue, in einer zentralen Wissensdatenbank zu speichern. Das können Dinge sein wie:

• die Conferences, an denen ich teilnehme
• Notizen, über die ich nachdenke
• Fehler, die meine Agenten machen und wie man sie vermeidet

und so weiter.

Vor LLMs hätte man gedacht, dass es keinen Sinn macht, eine so große Wissensdatenbank mit so vielen Informationen aufzubauen, weil man die relevanten Informationen einfach nicht abrufen konnte, wenn man sie brauchte. Wenn Sie beispielsweise eine Notiz von einer bestimmten Besprechung benötigen, wäre es sehr aufwändig, zuerst das Transkript dieser bestimmten Besprechung zu finden und dann in dieser Abschrift den spezifischen Punkt zu finden, nach dem Sie suchen, und so die gewünschten Informationen zu erhalten.

Dies änderte sich jedoch völlig, als große Sprachmodelle auf den Markt kamen, denn plötzlich konnte man innerhalb weniger Sekunden problemlos auf eine große Menge an Informationen zugreifen. Die Verfügbarkeit von Informationen hat über Nacht enorm zugenommen.

Die enorm erhöhte Informationsverfügbarkeit von LLM machte die Wissensdatenbanken viel wertvoller

Um es kurz zu beantworten: Der Grund, warum Sie eine LLM-gestützte Wissensdatenbank aufbauen sollten, besteht darin, dass Sie relevante Informationen dann abrufen können, wenn Sie oder Ihr Programmieragent sie am meisten benötigen. Die Tatsache, dass Sie mit LLMs eine leistungsstarke Wissensdatenbank erhalten, macht die Informationen sehr leicht zugänglich, was bedeutet, dass Sie eine große Menge an Informationen speichern können.

So richten Sie eine LLM-gestützte Wissensdatenbank ein

Jetzt gehe ich darauf ein, wie Sie Ihre eigene LLM-basierte Wissensdatenbank einrichten können. In Wirklichkeit ist es ganz einfach. Sie müssen lediglich alle Informationen in einem Ordner auf Ihrem Pc speichern.

In der Praxis ist es jedoch etwas schwieriger als Sie denken, da Sie es sich zur Gewohnheit machen müssen, alle Informationen an diesem Ort zu speichern. Ich erkläre Ihnen jedoch Schritt für Schritt, wie ich mit der Einrichtung begann, und indem ich mich im Laufe der Zeit darauf konzentrierte, wurde ich immer besser darin, meine Wissensdatenbank zu aktualisieren und ihr alle relevanten Informationen hinzuzufügen.

Sie können damit beginnen, einen Assembly-Notizenschreiber zu haben und sicherzustellen, dass er die Notizen immer mit allen relevanten Informationen speichert, wie z. B. den Teilnehmern des Conferences, der Uhrzeit des Conferences, dem Namen des Conferences und dem Kontext des Conferences. Dabei handelt es sich um Informationen, die Sie beispielsweise aus Ihrem Kalender abrufen können

Das einfache Hinzufügen aller Besprechungsnotizen und Transkripte in einem zentralen Ordner erledigt einen Großteil der Arbeit.

Beachten Sie auch, dass die Wissensdatenbank kein lokaler Ordner sein muss. Es können auch cloudbasierte Anwendungen wie Notion sein, in denen Sie Textdateien speichern können. Eine Wissensdatenbank muss eigentlich nicht viel mehr sein. Es muss lediglich Textual content gespeichert werden.

---

Darüber hinaus werde ich mehrmals professional Woche daran erinnert, Dinge in der Wissensdatenbank zu speichern, über die ich nachdenke, Erkenntnisse aus meiner Arbeit oder andere nützliche Informationen, über die ich nachgedacht habe. Ich versuche, nicht zu sehr darüber nachzudenken, was ich der Wissensdatenbank hinzufüge. Das Wichtigste ist, die Informationen hinzuzufügen, was ich tue, indem ich einfach Claude Code auffordere:

zu meiner Wissensdatenbank hinzufügen

Claude Code findet dann heraus, welche Datei oder welcher Unterordner für diese Data am relevantesten ist, und speichert die Informationen für mich.

Um meine Wissensdatenbank auf den neuesten Stand zu bringen, bitte ich Claude Code außerdem, jeden Tag einen Rundgang durch alle meine Agenteninteraktionen im Laufe des Tages zu machen. Dabei kann es sich sowohl um Interaktionen handeln, die ich mit meinem persönlichen Claude Code hatte, als auch um Interaktionen mit meinen OpenClaw-Bots oder um Interaktionen mit anderen Personen, die ich mit meinen OpenClaw-Bots hatte. Wir besprechen, was intestine gelaufen ist und was nicht, und relevantes, verallgemeinerbares Wissen wird automatisch in meinem Allgemeinwissensordner gespeichert, damit es für später zugänglich ist. Dies geschieht durch die einfache Einrichtung eines Cron-Jobs, der täglich ausgeführt wird.

---

Sie haben natürlich andere Arbeitsabläufe als ich, speichern additionally unterschiedliche Informationen und haben auch Zugriff auf unterschiedliche Informationen. Ich fordere Sie daher dringend auf, über anderes Wissen nachzudenken, das Sie gerne gespeichert hätten, und zu versuchen, dieses Wissen in einer Wissensdatenbank zu speichern. Als allgemeine Faustregel gilt, dass Sie so viel Kontext wie möglich in der Wissensdatenbank speichern sollten. Es spielt keine Rolle, ob die Kontext-Wissensdatenbank zu groß wird, und Sie sollten versuchen, das Speichern von Informationen in der Wissensdatenbank so automatisch wie möglich zu gestalten

Mit „automatisch“ meine ich, dass Sie beispielsweise Ihre Besprechungsnotizen nicht jedes Mal, wenn Sie eine Besprechung haben, manuell in die Wissensdatenbank kopieren müssen. Das ist natürlich eine Menge manueller Arbeit, die zum einen mit der Zeit lästig wird und zum anderen kann es passieren, dass man sie nach einem Assembly vergisst. Stattdessen sollten Sie ein automatisches Skript oder einen automatischen Ablauf einrichten, der die Besprechungsnotizen für Sie in einer Wissensdatenbank speichert.

So nutzen Sie die Wissensdatenbank

Im letzten Abschnitt habe ich erläutert, wie Sie die Wissensdatenbank erstellen und Informationen darauf speichern können. In der zweiten Hälfte der Wissensbasis geht es natürlich darum, wie Sie die Wissensbasis in der Praxis nutzen. Dafür habe ich zwei hochrangige Themen, die ich behandeln werde.

1. Suchen Sie nach Informationen, wann immer Sie sie persönlich benötigen
2. Geben Sie Claude Code oder Ihren anderen Agenten Zugriff auf die Informationen, die Sie abrufen können, wenn diese für die Erledigung einer Aufgabe related sind.

In vielen Situationen suche ich nach einer Data, von der ich weiß, dass ich sie in einer Besprechung besprochen habe oder über die ich zu einem früheren Zeitpunkt nachgedacht habe. In solchen Situationen ist es äußerst frustrierend, wenn Sie keinen Zugriff auf die Informationen haben. Ich bitte Claude Code, meine Wissensdatenbank zu durchsuchen und die Antwort auf meine Frage zu finden. Manchmal findet es keine direkte Antwort, sondern believable andere Antworten oder Informationen, die mit meiner Frage in Zusammenhang stehen, was in vielen Situationen auch sehr nützlich ist.

Der zweite Anwendungsbereich der Wissensdatenbank besteht darin, Claude Code Zugriff darauf zu gewähren, damit er jederzeit darauf zugreifen kann, wenn er es für related hält. Wenn Sie es beispielsweise bitten, eine Codierungsaufgabe zu erledigen, könnten in der Wissensdatenbank nützliche Informationen dazu enthalten sein. Oder wenn Sie beispielsweise Präsentationen halten, können Sie nach früheren Präsentationen suchen.

Wenn es sich bei der Wissensdatenbank um einen zentralen Ordner handelt, sollten Sie zunächst sicherstellen, dass Sie Claude Code oder Ihrem Programmieragenten Zugriff auf diesen Ordner gewährt haben.

Zweitens benötigen Sie eine Ability-Datei oder claude.md-Datei auf Benutzerebene, damit der Codierungsagent jederzeit über die Wissensdatenbank Bescheid weiß und weiß, wie er darauf zugreifen kann. Es ist wichtig, dass Ihr Programmieragent die Wissensdatenbank jederzeit kennt, unabhängig davon, von wo aus Sie das Modell aufrufen.

Fehler, die es zu vermeiden gilt

Ich möchte auch auf einige Fehler eingehen, die beim Erstellen einer Wissensdatenbank leicht passieren können. Der erste Fehler, den ich behandeln möchte, ist, was passiert, wenn die Wissensdatenbank veraltet ist. Natürlich gibt es Informationsdrift. Ihre Meinungen zu Themen könnten sich ändern oder einzelne Informationen könnten veraltet sein. Daher ist es wichtig, Ihre Wissensdatenbank regelmäßig auf veraltete Informationen zu überprüfen.

Bei dieser Überprüfung kann es sich einfach um einen Cron-Job handeln, den Sie wöchentlich ausführen. Dabei überprüft Claude Code alle Interaktionen, die Sie in der letzten Woche damit hatten, und vergleicht sie mit der Wissensdatenbank, um nach veralteten Informationen zu suchen.

---

Ein weiterer häufiger Fehler besteht darin, dass Sie den Agenten nicht auf die Wissensdatenbank aufmerksam machen, wenn diese in bestimmten Ordnern ausgeführt wird. Wenn Sie den Codierungsagenten beispielsweise nur über die Wissensdatenbank in einer Claude.md-Datei auf Projektebene informieren, wird Claude nichts von der Wissensdatenbank wissen, wenn sie in einem anderen Ordner ausgeführt wird. Das ist natürlich sehr problematisch, denn wenn Claude in diesem anderen Ordner ausgeführt wird, hat es keinen Zugriff auf alle gleichen Informationen.

Hier sind Claude- oder abilities.md-Dateien auf Benutzerebene nützlich, da sie immer in Ihren Codierungsagenten geladen werden, unabhängig davon, aus welchem ​​Ordner Sie sie ausführen.

Abschluss

In diesem Artikel habe ich beschrieben, wie man eine auf Claude Code basierende Wissensdatenbank aufbaut. Hierbei handelt es sich im Grunde um einen zentralen Speicher für alle Informationen, mit denen Sie täglich interagieren. Dies verschafft Ihnen einen großen Vorteil, da Sie schneller auf Informationen zugreifen und die Wissensdatenbank mithilfe von LLMs durchsuchen können. Codierungsagenten sind beim Durchsuchen großer Informationsmengen, wie z. B. Ordnern, äußerst effizient, und das Speichern/Zugreifen auf relevante Informationen erfolgt daher schnell, selbst wenn die Wissensbasis groß ist. Ich fordere Sie dringend auf, zu versuchen, eine persönliche Wissensdatenbank aufzubauen. Versuchen Sie, alle Informationen, mit denen Sie täglich interagieren, in dieser Wissensdatenbank zu speichern, und versuchen Sie, diese Wissensdatenbank aktiv zu nutzen, um sowohl selbst nach Informationen zu suchen als auch sie Ihren Programmieragenten zur Verfügung zu stellen, damit diese effizienter arbeiten können. Ich glaube, dass solche persönlichen Wissensbasen auf Ihren Vorlieben und spezifischen Informationen in Zukunft immer wichtiger werden, wenn Codierungsagenten immer leistungsfähiger werden.

Nehmen Sie Kontakt auf

Mein kostenloses E-Ebook und Webinar:

Verzehnfachen Sie Ihr Engineering mit LLMs (kostenloser 3-tägiger E-Mail-Kurs)

Holen Sie sich mein kostenloses E-Ebook „Imaginative and prescient Language Fashions“.

Mein Webinar zu Imaginative and prescient Language Fashions

Finden Sie mich in den sozialen Netzwerken:

Unterstapel

LinkedIn

X / Twitter

Wie wandeln Sie echte Agentenverfolgungen in Reinforcement Studying RL-Übergänge um, um Richtlinien-LLMs zu verbessern, ohne Ihren bestehenden Agentenstapel zu ändern? Veröffentlichungen des Microsoft AI-Groups Agent Lightning zur Optimierung von Multiagentensystemen. Agent Lightning ist ein Open-Supply-Framework, das Reinforcement Studying für jeden KI-Agenten ohne Umschreibungen ermöglicht. Es trennt Coaching und Ausführung, definiert ein einheitliches Hint-Format und führt LightningRL ein, eine hierarchische Methode, die komplexe Agentenläufe in Übergänge umwandelt, die standardmäßige Single-Flip-RL-Coach optimieren können.

Was Agent Lightning macht?

Das Framework modelliert einen Agenten als Entscheidungsprozess. Es formalisiert den Agenten als einen teilweise beobachtbaren Markov-Entscheidungsprozess, bei dem die Beobachtung die aktuelle Eingabe in das Richtlinien-LLM ist, die Aktion der Modellaufruf ist und die Belohnung terminaler oder intermediärer Natur sein kann. Aus jedem Lauf werden nur die vom Richtlinienmodell getätigten Aufrufe sowie Eingaben, Ausgaben und Belohnungen extrahiert. Dadurch werden andere Rahmengeräusche entfernt und saubere Übergänge für das Coaching erzielt.

LightningRL führt die Kreditzuweisung über mehrstufige Episoden hinweg durch und optimiert dann die Richtlinie mit einem einzigen RL-Ziel. Das Forschungsteam beschreibt die Kompatibilität mit Single-Flip-RL-Methoden. In der Praxis nutzen Groups häufig Coach, die PPO oder GRPO implementieren, wie z. B. VeRL, das zu dieser Schnittstelle passt.

Systemarchitektur

Agent Lightning verwendet Coaching Agent Disaggregation. Ein Blitz Server führt Coaching und Bereitstellung durch und stellt eine OpenAI-ähnliche API für das aktualisierte Modell bereit. Ein Lightning-Consumer führt die Agentenlaufzeit dort aus, wo sie sich bereits befindet, erfasst Spuren von Eingabeaufforderungen, Toolaufrufen und Belohnungen und streamt sie zurück an den Server. Dadurch bleiben Instruments, Browser, Shells und andere Abhängigkeiten nah an der Produktion, während das GPU-Coaching auf der Serverebene verbleibt.

Die Laufzeit unterstützt zwei Ablaufverfolgungspfade. Ein Standardpfad verwendet OpenTelemetry-Spans, sodass Sie Agententelemetrie über Standardkollektoren weiterleiten können. Es gibt auch einen leichtgewichtigen eingebetteten Tracer für Groups, die OpenTelemetry nicht einsetzen möchten. Beide Wege enden zum Coaching im selben Laden.

Einheitliche Datenschnittstelle

Agent Lightning zeichnet jeden Modellaufruf und jeden Toolaufruf als Spanne mit Eingaben, Ausgaben und Metadaten auf. Die Algorithmusschicht passt Spannen in geordnete Tripletts aus Aufforderung, Antwort und Belohnung an. Durch diese selektive Extraktion können Sie einen Agenten in einem Multi-Agenten-Workflow oder mehrere Agenten gleichzeitig optimieren, ohne den Orchestrierungscode zu berühren. Dieselben Spuren können auch eine automatische Immediate-Optimierung oder eine überwachte Feinabstimmung vorantreiben.

Experimente und Datensätze

Das Forschungsteam meldet drei Aufgaben. Für Textual content-to-SQL verwendet das Group den Spider-Benchmark. Spider enthält mehr als 10.000 Fragen in 200 Datenbanken, die 138 Bereiche umfassen. Das Richtlinienmodell ist Llama 3.2 3B Instruct. Die Implementierung verwendet LangChain mit einem Author-Agenten, einem Rewriter-Agenten und einem Checker. Der Author und der Rewriter werden optimiert und der Checker bleibt unverändert. Die Belohnungen verbessern sich während des Trainings und zur Prüfungszeit stetig.

Für die Retrieval-Augmented-Generierung verwendet das Setup den MuSiQue-Benchmark und einen Wikipedia-Skalenindex mit etwa 21 Millionen Dokumenten. Der Retriever verwendet BGE-Einbettungen mit Kosinusähnlichkeit. Der Agent wird mit dem OpenAI Brokers SDK erstellt. Die Belohnung ist eine gewichtete Summe aus einem Format-Rating und einem F1-Korrektheits-Rating. Belohnungskurven zeigen stabile Zuwächse während des Trainings und der Bewertung mit demselben Basismodell.

Für die Beantwortung mathematischer Fragen mithilfe eines Instruments wird der Agent mit AutoGen implementiert und ruft ein Taschenrechnertool auf. Der Datensatz ist Calc X. Das Basismodell ist wiederum Llama 3.2 3B Instruct. Das Coaching verbessert die Fähigkeit, Instruments korrekt aufzurufen und Ergebnisse in endgültige Antworten zu integrieren.

Wichtige Erkenntnisse

1. Agent Lightning nutzt Coaching Agent Disaggregation und eine einheitliche Hint-Schnittstelle, sodass bestehende Agenten in LangChain, OpenAI Brokers SDK, AutoGen oder CrewAI nahezu ohne Codeänderungen verbunden werden können.
2. LightningRL wandelt Flugbahnen in Übergänge um. Es wendet die Kreditzuweisung auf mehrstufige Läufe an und optimiert dann die Richtlinie mit Single-Flip-RL-Methoden wie PPO oder GRPO in Standardtrainern.
3. Automated Intermediate Rewarding, AIR, liefert dichtes Suggestions. AIR wandelt Systemsignale wie den Standing der Werkzeugrückgabe in Zwischenbelohnungen um, um Probleme mit spärlichen Belohnungen in langen Arbeitsabläufen zu reduzieren.
4. Die Forschung wertet Textual content nach SQL auf Spider, RAG auf MuSiQue mit einem Wikipedia-Skalenindex unter Verwendung von BGE-Einbettungen und Kosinusähnlichkeit sowie die Verwendung von Mathematiktools auf Calc X aus, alles mit Llama 3.2 3B Instruct als Basismodell.
5. Die Laufzeit zeichnet Traces über OpenTelemetry auf, streamt sie an den Trainingsserver und stellt einen OpenAI-kompatiblen Endpunkt für aktualisierte Modelle bereit, wodurch skalierbare Rollouts ohne das Verschieben von Instruments ermöglicht werden.

Agent Lightning ist eine praktische Brücke zwischen der Agentenausführung und dem verstärkenden Lernen und nicht eine weitere Neufassung des Frameworks. Es formalisiert Agentenläufe als Markov-Entscheidungsprozess (MDP), führt LightningRL für die Kreditzuweisung ein und extrahiert Übergänge, die in Single-Flip-RL-Coach eingefügt werden. Das Coaching Agent Disaggregation-Design trennt einen Consumer, der den Agent ausführt, von einem Server, der einen OpenAI-kompatiblen Endpunkt trainiert und bedient, sodass Groups vorhandene Stacks behalten. Die automatische Zwischenbelohnung wandelt Laufzeitsignale in dichtes Suggestions um und reduziert so spärliche Belohnungen in langen Arbeitsabläufen. Insgesamt ist Agent Lightning ein sauberer Weg mit minimaler Integration, der es Agenten ermöglicht, aus ihren eigenen Spuren zu lernen.

---

Schauen Sie sich das an Papier Und Repo. Schauen Sie sich gerne bei uns um GitHub-Seite für Tutorials, Codes und Notebooks. Sie können uns auch gerne weiter folgen Twitter und vergessen Sie nicht, bei uns mitzumachen 100.000+ ML SubReddit und Abonnieren Unser E-newsletter. Warten! Bist du im Telegram? Jetzt können Sie uns auch per Telegram kontaktieren.