Glossar

Die Optimierung von Inhalten dafür, in den direkten Antworten von KI-Systemen (Answer Engines wie ChatGPT, Perplexity, Google AI Overviews) zitiert oder wörtlich verwendet zu werden.

Buzzword-Bingo: Wird oft synonym mit GEO benutzt – die Abgrenzung ist unscharf, weil beide Begriffe dasselbe Grundphänomen beschreiben. Wer „AEO“ sagt, sollte klarmachen, ob Answer Engine Optimization oder Agentic Engine Optimization gemeint ist (siehe eigener Eintrag) – im Zweifel nachfragen, bevor man den Begriff selbst übernimmt.

Ein neuerer, weniger etablierter Begriff für die Optimierung von Inhalten und Schnittstellen dafür, dass autonome KI-Agenten – nicht nur Antwort-generierende Systeme – sie zuverlässig verarbeiten, nutzen oder ansteuern können, etwa über strukturierte Daten, APIs oder WebMCP-ähnliche Mechanismen.

Buzzword-Bingo: Der Begriff ist neu genug, dass er teils vor der eigentlichen Praxis auftaucht – „Agentic Engine Optimization“ wird manchmal genutzt, um eine Zukunftsvision zu verkaufen, für die es noch kaum belastbare Umsetzungsbeispiele gibt. Prüf, ob dahinter eine konkrete technische Maßnahme steht oder nur eine Ankündigung.

Ausführlich in: Agentisches SEO: Türen für Gäste, die kaum kommen

Ein System, das mehrschrittig eigenständig Werkzeuge aufruft, Zwischenergebnisse bewertet und den nächsten Schritt selbst wählt – ohne dass für jeden Schritt neu ein Mensch promptet.

Buzzword-Bingo: Ein Chatbot mit einem Tool-Call ist kein Agent. Achte darauf, ob tatsächlich eine Schleife aus Plan → Aktion → Bewertung existiert, oder ob „Agent“ nur ein aufgehübschtes Single-Turn-Feature ist.

Software-Bibliothek (LangGraph, CrewAI, AutoGen u. a.), die Struktur für den Bau von Multi-Agenten-Systemen liefert – Zustandsverwaltung, Kommunikation zwischen Agenten, Ablaufsteuerung. Orchestrierung bezeichnet dabei konkret die Koordination: wer macht wann was, in welcher Reihenfolge, mit welchen Übergaben.

Buzzword-Bingo: Ein Framework macht aus einem einzelnen LLM-Call noch kein Multi-Agenten-System. Prüf, ob tatsächlich mehrere spezialisierte Agenten mit eigenen Rollen zusammenarbeiten, oder ob „Framework“ nur eine Prompt-Kette mit Namen ist.

Eine Datei (z. B. CLAUDE.md, AGENTS.md, .cursorrules), die einem Coding-Agenten projektspezifischen Kontext und Verhaltensregeln vorgibt, bevor er überhaupt einen Prompt bekommt.

Buzzword-Bingo: Wird oft mit einem System-Prompt verwechselt. Der Unterschied: Sie liegt im Projekt selbst, wird bei jeder Session neu geladen und ist typischerweise versioniert – kein Ad-hoc-Text, sondern Teil des Repos.

Ausführlich in: CLAUDE.md: Eine Datei reicht selten, eine lange nie

Die wiederholte Abfolge aus Planen, Handeln, Beobachten und Neubewerten, die einen Agenten von einem einmaligen Prompt-Response-Zyklus unterscheidet. Loop-Engineering bezeichnet das bewusste Gestalten dieser Schleife – Abbruchbedingungen, Zwischenprüfungen, Fehlerbehandlung.

Buzzword-Bingo: Wie bei Agentic AI: Ein einzelner Tool-Call ist keine Loop. Die Schleife muss tatsächlich mehrfach durchlaufen werden und auf eigenen Zwischenergebnissen aufbauen, sonst ist es nur ein umständlich benanntes Skript.

Die Erwähnung oder Verlinkung einer Quelle innerhalb einer KI-generierten Antwort – etwa wenn eine Answer Engine eine Website als Beleg für eine Aussage nennt.

Buzzword-Bingo: Eine Citation ist kein Klick. Zitiert zu werden fühlt sich nach Sichtbarkeit an, bringt aber nicht zwangsläufig Traffic oder Conversion – der Nutzer bekommt seine Antwort oft direkt in der KI-Oberfläche und muss die Quelle gar nicht mehr besuchen.

Ausführlich in: GEO-Citations bringen keine Conversions

Ein standardisiertes Testset mit fester Aufgabenstellung und Bewertungsmetrik (z. B. MMLU, HumanEval, GPQA), mit dem Modelle untereinander vergleichbar gemacht werden sollen.

Buzzword-Bingo: Hohe Benchmark-Werte sagen wenig über Praxistauglichkeit für eine konkrete Aufgabe aus – viele Benchmarks sind längst Teil der Trainingsdaten oder werden gezielt optimiert („Benchmark-Overfitting“). Ein Modell, das bei MMLU vorne liegt, muss bei deinem tatsächlichen Anwendungsfall nicht besser sein.

Ausführlich in: Wenn Benchmarks lügen – warum der LLM-Vergleich kaputt ist

Bring Your Own Key – Nutzer verwenden einen eigenen API-Key eines Modellanbieters innerhalb eines Drittanbieter-Produkts, statt über den Anbieter des Produkts abzurechnen.

Buzzword-Bingo: Wird oft als reines Kostenargument verkauft. Relevanter ist meist die Kontrolle über Datenverarbeitung und Ratenlimits – wer nur auf den Preis schaut, verpasst den eigentlichen Punkt.

Das Aufteilen längerer Dokumente in kleinere Textabschnitte vor dem Einbetten (Embedding) und Speichern in einer Vektor-Datenbank – notwendig, weil zu große Textblöcke schlechtere, unpräzisere Embeddings ergeben.

Buzzword-Bingo: Chunk-Größe und -Strategie (nach Sätzen, Absätzen, fester Zeichenzahl) beeinflussen die Retrieval-Qualität stark – „wir chunken die Dokumente“ ohne Angabe der Strategie ist eine unvollständige technische Aussage, kein Qualitätsmerkmal.

Command Line Interface – die textbasierte Bedienung eines Programms über ein Terminal, ohne grafische Oberfläche. Für Coding-Agenten oft die primäre Ausführungsumgebung.

Buzzword-Bingo: Kein Bingo-Kandidat, reines Grundvokabular – aufgenommen, weil viele Anleitungen zu Coding-Agenten CLI-Kenntnisse stillschweigend voraussetzen.

Ein KI-System, das eigenständig Code liest, schreibt, ausführt und testet – über mehrere Schritte hinweg, mit Zugriff auf Terminal, Dateisystem und ggf. Versionskontrolle.

Buzzword-Bingo: Nicht jedes Tool mit Code-Vervollständigung ist ein Coding-Agent. Entscheidend ist die Fähigkeit zu eigenständigen Zyklen aus Ausführen, Prüfen, Korrigieren – nicht nur Vorschläge zu unterbreiten, die ein Mensch übernimmt.

Der zugrundeliegende technische Mechanismus, bei dem während der Token-für-Token-Generierung nur Ausgaben zugelassen werden, die einer vorgegebenen Grammatik oder einem Schema entsprechen – die Basis, auf der Features wie Structured Outputs oder JSON Mode aufbauen.

Buzzword-Bingo: Wird selten im Marketing verwendet, aber wenn doch, dann oft ungenau als Synonym für „das Modell hält sich an Regeln“ – tatsächlich beschreibt es einen sehr spezifischen Eingriff in den Generierungsprozess, keine Verhaltensregel im Sinne von Guardrails.

Explizite Einschränkungen, die einem Modell im Prompt oder System-Prompt mitgegeben werden – Formatvorgaben, Längenbegrenzungen, Ausschlusskriterien, Verhaltensregeln.

Buzzword-Bingo: Constraints sind kein Ersatz für Guardrails. Ein Modell folgt einer Formatvorgabe zuverlässiger als einer Sicherheitsregel – wer beides gleich behandelt, überschätzt die Verbindlichkeit von Prompt-Anweisungen.

Ausführlich in: Constraint-Based Prompting bei Reasoning-Modellen schadet mehr, als das es nützt

Das systematische Gestalten dessen, was ein LLM zum Zeitpunkt der Anfrage an Information sieht – Systemprompt, Tool-Definitionen, Retrieval-Ergebnisse, Gesprächsverlauf. Anders als Prompt Engineering geht es nicht um die einzelne Formulierung, sondern um die gesamte Informationsarchitektur einer Anfrage.

Buzzword-Bingo: Wenn „Context Engineering“ fällt und danach nur ein längerer Systemprompt kommt, ist es umbenanntes Prompt Engineering. Der Begriff trägt nur, wenn tatsächlich mehrere Informationsquellen orchestriert werden.

Ausführlich in: Context Engineering: Warum der perfekte Prompt nur ein Baustein ist

Numerische Vektor-Repräsentationen von Text (oder anderen Daten), bei denen semantisch ähnliche Inhalte im Vektorraum nah beieinander liegen – Grundlage für semantische Suche und Retrieval.

Buzzword-Bingo: Kein Bingo-Kandidat im eigentlichen Sinn, aber wichtig zu wissen: Die Qualität eines Embedding-Modells ist aufgabenabhängig – gut für allgemeine Textsuche heißt nicht automatisch gut für Code oder mehrsprachige Inhalte.

Der systematische Prozess, ein Modell oder ein KI-System anhand eigener, oft aufgabenspezifischer Testfälle zu bewerten – im Unterschied zum Benchmark nicht zwingend standardisiert oder öffentlich vergleichbar.

Buzzword-Bingo: „Wir machen Evals“ ohne Angabe, was genau getestet wird und gegen welchen Maßstab, ist wenig aussagekräftig. Eine Eval ist nur so gut wie die Testfälle, die sie tatsächlich abdeckt.

Eine Prompting-Technik, bei der dem Modell mehrere Beispiele für die gewünschte Aufgabe direkt im Prompt mitgegeben werden, bevor es die eigentliche Anfrage bearbeitet.

Buzzword-Bingo: Kein Bullshit-Kandidat – aber die Qualität der Beispiele entscheidet mehr als ihre Anzahl. Drei schlecht gewählte Beispiele bringen weniger als ein einziges präzises.

Das Nachtrainieren eines bereits vortrainierten Modells auf einem kleineren, spezifischeren Datensatz, um es an eine bestimmte Aufgabe, einen Ton oder eine Domäne anzupassen.

Buzzword-Bingo: Wird manchmal als Standardlösung für Probleme verkauft, die eigentlich mit besserem Prompting oder RAG günstiger lösbar wären. Fine-Tuning lohnt sich vor allem dort, wo Verhalten oder Stil konsistent verändert werden soll – nicht als erste Anlaufstelle für jedes Qualitätsproblem.

Ein großes, breit trainiertes Modell, das als Ausgangsbasis für spezialisierte Anwendungen dient – über Fine-Tuning, Prompting oder zusätzliche Systeme angepasst, statt für jede Aufgabe von Grund auf neu trainiert zu werden.

Buzzword-Bingo: „Foundation Model“ wird manchmal genutzt, um jedes größere LLM aufzuwerten. Der Begriff trägt eigentlich nur die Eigenschaft „breit einsetzbare Basis für vielfältige nachgelagerte Anwendungen“ – nicht automatisch „besonders leistungsfähig“.

Generative Engine Optimization – die Optimierung von Content dafür, dass er in KI-generierten Antworten (ChatGPT, Perplexity, Google AI Overviews) zitiert oder verarbeitet wird, statt nur in klassischen Suchergebnislisten zu ranken.

Buzzword-Bingo: Wird oft synonym mit klassischem SEO verkauft, nur mit neuem Etikett. Trägt gemeinsam mit technischem SEO nur, wenn die Maßnahmen tatsächlich auf Zitierfähigkeit und Extrahierbarkeit zielen – Struktur, Prägnanz, Fakten-Dichte – statt auf Backlinks und Keywords.

Ausführlich in: GEO ohne technisches SEO ist Kaffeesatzleserei

Die Verknüpfung einer Modellantwort mit überprüfbaren, externen Quellen oder Daten – etwa durch Retrieval, Tool-Aufrufe oder Live-Suche – statt sich allein auf im Training gelerntes Wissen zu verlassen.

Buzzword-Bingo: „Gegroundet“ wird manchmal als Sicherheitsversprechen verkauft. Grounding senkt das Halluzinationsrisiko, eliminiert es aber nicht – ein Modell kann eine reale Quelle trotzdem falsch zusammenfassen oder falsch zuordnen.

Mechanismen, die die Ein- oder Ausgaben eines LLM-Systems auf unerwünschte Inhalte prüfen oder einschränken – von einfachen Regex-Filtern bis zu eigenen Klassifikations-Modellen.

Buzzword-Bingo: „Wir haben Guardrails“ sagt nichts darüber aus, wie robust sie sind. Ein einzelner Prompt-Zusatz wie „Antworte nicht zu X“ ist kein Guardrail im belastbaren Sinn, sondern eine Bitte an ein System, das nicht zuverlässig gehorcht.

Eine vom Modell erzeugte Aussage, die faktisch falsch oder erfunden ist, aber sprachlich genauso selbstsicher und flüssig formuliert wird wie eine korrekte Aussage. „Konfabulation“ wird von manchen als präziserer Begriff bevorzugt, weil er nicht suggeriert, das Modell „sehe“ etwas, das nicht da ist.

Buzzword-Bingo: „Wir haben Halluzinationen im Griff“ ist eine Behauptung, die kaum vollständig einlösbar ist – das Phänomen lässt sich reduzieren (Grounding, RAG, Guardrails), aber bisher nicht zuverlässig auf null bringen. Skepsis ist bei absoluten Aussagen hier angebracht.

Die Ausführungsumgebung, die einem Agenten Werkzeuge, Grenzen und eine Feedback-Schleife bereitstellt – etwa wie Claude Code oder ein CI-Runner Tool-Calls entgegennimmt, ausführt und Ergebnisse zurückgibt.

Buzzword-Bingo: Wird manchmal fälschlich synonym mit „Framework“ verwendet. Unterschied: Ein Harness ist näher an der Laufzeitumgebung, ein Framework eher an der Struktur, in der Agentenlogik geschrieben wird.

Ein Systemdesign, bei dem an definierten Punkten ein Mensch eine KI-generierte Entscheidung oder Ausgabe prüft, bevor sie wirksam wird oder weiterläuft.

Buzzword-Bingo: „Human-in-the-loop“ wird manchmal als Sicherheitsversprechen genannt, ohne dass klar ist, wie viele Fälle der Mensch tatsächlich sieht und wie gründlich geprüft wird. Ein Freigabe-Klick ohne echte inhaltliche Prüfung ist Human-in-the-loop nur dem Namen nach.

Die großen Cloud-Anbieter – AWS, Microsoft Azure, Google Cloud –, die die Infrastruktur bereitstellen, auf der die meisten LLM-Anbieter trainieren und hosten.

Buzzword-Bingo: Kein Bingo-Kandidat, eher Infrastruktur-Vokabular – relevant im DSGVO-Kontext, weil Serverstandort und Auftragsverarbeitung daran hängen.

Eine Formulierungstechnik, die versucht, die Sicherheitsregeln eines Modells über geschickte Prompt-Gestaltung zu umgehen – etwa durch Rollenspiel-Rahmung oder mehrstufige Umleitung.

Buzzword-Bingo: Siehe Prompt Injection – die Abgrenzung lohnt sich, weil beide unterschiedliche Gegenmaßnahmen brauchen.

Eine oft ältere oder einfachere API-Funktion, die lediglich garantiert, dass die Ausgabe syntaktisch valides JSON ist – ohne Garantie, dass sie einem bestimmten Schema (Feldnamen, Typen) entspricht.

Buzzword-Bingo: JSON Mode wird häufig mit Structured Outputs verwechselt oder gleichgesetzt. Der Unterschied ist praktisch relevant: valides JSON ist kein Garant dafür, dass die erwarteten Felder überhaupt vorhanden sind.

Ausführlich in: LLM-Datenformate: Wie man mit einem Modell spricht – und in welcher Sprache es antwortet

Bots, die Websites im Auftrag von KI-Anbietern (GPTBot, ClaudeBot, PerplexityBot u. a.) besuchen, um Trainingsdaten zu sammeln oder Live-Antworten zu grounden. Unterscheiden sich von klassischen Suchmaschinen-Crawlern in Verhalten und Absicht.

Buzzword-Bingo: „Wir blockieren alle KI-Crawler“ klingt nach Kontrolle, ignoriert aber oft, dass manche Crawler – etwa für Live-Retrieval – Sichtbarkeit bringen, andere nur fürs Training sammeln. Pauschales Blocken ohne Differenzierung ist keine Strategie, sondern Bequemlichkeit.

Die maximale Menge an Text, gemessen in Tokens, die ein Modell in einer einzelnen Anfrage gleichzeitig verarbeiten kann – Eingabe, bisheriger Verlauf und Ausgabe zusammengenommen.

Buzzword-Bingo: Ein großes Kontextfenster garantiert nicht, dass das Modell alles darin gleich gut nutzt. Relevante Information am Anfang eines sehr langen Kontexts wird nachweislich schlechter berücksichtigt als Information am Ende – Größe ist nicht gleich Nutzung.

Ein auf sehr großen Textmengen trainiertes neuronales Netz, das Wahrscheinlichkeiten für die Fortsetzung von Text vorhersagt – Grundlage praktisch aller aktuellen KI-Chat- und Assistenzsysteme.

Buzzword-Bingo: Kein Bingo-Kandidat im eigentlichen Sinn, aber ein Grundbegriff, der oft mit „KI“ gleichgesetzt wird, obwohl LLMs nur eine Teilmenge von KI-Systemen sind.

Der Einsatz eines – meist stärkeren – Sprachmodells, um die Ausgabe eines anderen Modells zu bewerten, etwa für automatisierte Qualitätsprüfung in großem Maßstab, wo menschliche Bewertung zu aufwendig wäre.

Buzzword-Bingo: Das bewertende Modell hat eigene Verzerrungen und Schwächen – „von einem LLM geprüft“ ist keine neutrale, objektive Qualitätsgarantie, sondern eine zweite, ebenfalls fehleranfällige Meinung.

Die Verkettung mehrerer Verarbeitungsschritte rund um einen oder mehrere LLM-Aufrufe – etwa Vorverarbeitung, Retrieval, Modellaufruf, Nachbearbeitung, Validierung.

Buzzword-Bingo: „Pipeline“ wird oft für einen einzelnen Prompt-Response-Aufruf verwendet, der gar keine Verkettung enthält. Der Begriff trägt nur, wenn tatsächlich mehrere unterscheidbare, nacheinander laufende Schritte existieren.

Model Context Protocol – ein offener Standard, über den LLMs strukturiert auf externe Tools und Datenquellen zugreifen, ohne dass für jede Integration ein eigenes Custom-Format nötig ist.

Buzzword-Bingo: Nicht jede Tool-Integration braucht MCP. Der Nutzen zeigt sich erst, wenn dieselbe Tool-Anbindung über mehrere Clients oder Modelle hinweg wiederverwendet wird – für eine einmalige Anbindung ist es oft Overhead.

Mechanismen, mit denen ein KI-System Informationen über eine einzelne Anfrage hinaus behält – von einfachem Gesprächsverlauf bis zu persistenten, strukturierten Fakten über einen Nutzer.

Buzzword-Bingo: „Das System hat Memory“ sagt nichts über Umfang, Persistenz oder Kontrollmöglichkeiten aus. Ein paar Zeilen Gesprächsverlauf im Kontextfenster ist etwas anderes als eine durchsuchbare, nutzerseitig einsehbare Faktenbasis.

Eine Modellarchitektur, bei der pro Anfrage nur ein Teil der insgesamt vorhandenen Parameter – „Experten“ – aktiv gerechnet wird, statt aller. Das erlaubt große Gesamtmodelle bei geringeren Rechenkosten pro Anfrage.

Buzzword-Bingo: „MoE“ wird manchmal als reines Effizienz-Gütesiegel verkauft, ohne dass klar ist, wie die Experten geroutet werden. Schlechtes Routing kann Qualitätsverluste verursachen, die die Effizienzgewinne wieder auffressen.

Eine vom Anbieter veröffentlichte Dokumentation zu einem Modell – Trainingsdaten, soweit offengelegt, Limitierungen, empfohlene und nicht empfohlene Anwendungsfälle, Benchmark-Werte.

Buzzword-Bingo: Wird oft als reines Marketing-Datenblatt behandelt und ungeprüft übernommen. Benchmark-Werte einer Model Card sind selten unabhängig reproduziert – als alleinige Entscheidungsgrundlage zu dünn.

Die trainierten Gewichte eines neuronalen Netzes – ihre Anzahl, oft in Milliarden angegeben, ist ein grober Indikator für Modellgröße, nicht für Qualität.

Buzzword-Bingo: „Mehr Parameter“ wird oft unreflektiert mit „besser“ gleichgesetzt. Kleinere, gezielt trainierte Modelle schlagen größere in spezifischen Aufgaben regelmäßig – Parameteranzahl allein ist ein schwacher Qualitätsproxy.

Das Nachvollziehbarmachen, was in einem LLM-System bei einer Anfrage tatsächlich passiert ist – welche Prompts, Tool-Calls, Zwischenschritte und Kosten pro Schritt angefallen sind. Tracing bezeichnet konkret die Aufzeichnung des einzelnen Ausführungspfads.

Buzzword-Bingo: „Wir haben Observability“ ohne konkrete Aussage darüber, was geloggt und wie lange es aufbewahrt wird, ist wenig belastbar. Gerade bei mehrstufigen Agenten-Systemen ist Tracing keine Nice-to-have-Ergänzung, sondern oft die einzige Möglichkeit, Fehlverhalten überhaupt zu diagnostizieren.

Modelle, deren trainierte Parameter öffentlich zum Download verfügbar sind – im Gegensatz zu Modellen, die nur über eine API zugänglich sind. Sagt nichts über die Offenlegung der Trainingsdaten oder des Trainingscodes aus.

Buzzword-Bingo: Wird oft mit „Open Source“ gleichgesetzt. Ein Modell mit offenen Gewichten, aber unbekannten Trainingsdaten und proprietärer Trainingspipeline ist nicht im gleichen Sinn offen wie klassische Open-Source-Software.

Ein Angriff, bei dem über Eingabedaten – Nutzertext, abgerufene Dokumente, Tool-Ergebnisse – Anweisungen eingeschleust werden, die das Modell von seinem eigentlichen Auftrag ablenken oder gegen ihn richten.

Buzzword-Bingo: Wird oft mit Jailbreak verwechselt. Unterschied: Prompt Injection nutzt meist fremde, externe Inhalte als Vektor, Jailbreak zielt direkt über die Nutzereingabe auf die Systemregeln des Modells selbst.

Das gezielte Formulieren einzelner Anfragen an ein LLM – Wortwahl, Beispiele, Rollenvorgaben, Ausgabeformat –, um eine bestimmte Antwortqualität zu erreichen. Im Unterschied zu Context Engineering bezieht es sich auf die einzelne Formulierung, nicht auf die gesamte Informationsarchitektur einer Anfrage.

Buzzword-Bingo: Wird oft als eigenständige Disziplin verkauft, obwohl es meist Trial-and-Error mit ein paar Heuristiken ist. Ein „Prompt-Engineering-Kurs“, der nur Formulierungstricks lehrt, aber nichts über Modellverhalten oder Evaluierung vermittelt, bleibt an der Oberfläche.

Die Reduktion der Zahlengenauigkeit, mit der Modell-Parameter gespeichert werden – etwa von 16-Bit auf 4-Bit –, um Speicherbedarf und Rechenaufwand zu senken, meist bei geringem, aber nicht verschwindendem Qualitätsverlust.

Buzzword-Bingo: „Kein spürbarer Qualitätsverlust“ ist eine Behauptung, die von der konkreten Aufgabe abhängt. Bei einfachen Aufgaben stimmt das oft, bei komplexem Reasoning zeigt sich der Verlust deutlicher.

Retrieval-Augmented Generation – ein Modell ruft vor der Antwortgenerierung relevante Dokumente aus einer externen Wissensbasis ab und nutzt sie als zusätzlichen Kontext, statt sich nur auf Trainingswissen zu verlassen.

Buzzword-Bingo: „Wir haben RAG“ ohne Angaben zur Retrieval-Qualität ist wenig aussagekräftig – ein schlechter Retriever liefert dem Modell irrelevanten Kontext, und die Antwort wird dadurch nicht automatisch besser, nur anders falsch.

Ein einstellbarer Parameter, der steuert, wie viel interne Rechenzeit bzw. wie viele Tokens ein Reasoning-Modell für seinen Denkprozess vor der Antwort verwenden darf.

Buzzword-Bingo: Mehr Reasoning Effort bedeutet nicht automatisch eine bessere Antwort – bei einfachen Aufgaben kann übermäßiges „Nachdenken“ sogar zu überkomplizierten oder inkonsistenten Ergebnissen führen. Die Einstellung sollte zur Aufgabenkomplexität passen, nicht pauschal maximiert werden.

Reasoning-Modelle erzeugen vor der eigentlichen Antwort einen mehrschrittigen internen Denkprozess (Chain-of-Thought), der explizit für komplexere, mehrstufige Aufgaben optimiert ist. Non-Reasoning-Modelle antworten direkter, ohne diesen expliziten Zwischenschritt – meist schneller und günstiger, aber bei komplexen logischen Aufgaben tendenziell schwächer.

Buzzword-Bingo: „Reasoning“ wird oft mit „Qualität“ gleichgesetzt. Für einfache, gut definierte Aufgaben liefert ein Non-Reasoning-Modell oft ein vergleichbares Ergebnis, schneller und günstiger – Reasoning ist kein genereller Qualitätsmodus, sondern ein Werkzeug für eine bestimmte Aufgabenklasse.

Ausführlich in: Reasoning ist kein Qualitätsmodus – wann Denkmodelle Geld sparen und wann sie nur langsam sind

Ein versioniertes Verzeichnis mit Code, meist unter Git verwaltet – die Arbeitsgrundlage, auf der Coding-Agenten operieren.

Buzzword-Bingo: Kein eigentlicher Bingo-Kandidat, eher Grundvokabular. Trägt seinen Platz im Glossar, weil viele Agent-Workflows stillschweigend voraussetzen, dass klar ist, was gemeint ist, wenn ein Agent „das Repo durchsucht“.

Ein zweiter Bewertungsschritt nach dem initialen Retrieval, bei dem ein spezialisiertes Modell die zunächst gefundenen Kandidaten-Dokumente noch einmal genauer nach Relevanz zur Anfrage sortiert.

Buzzword-Bingo: Reranking wird manchmal als optionales Extra dargestellt, ist aber bei vielen RAG-Systemen der Schritt, der die Retrieval-Qualität am stärksten verbessert. Wer RAG ohne Reranking baut und trotzdem hohe Präzision verspricht, überspringt einen in der Praxis oft entscheidenden Schritt.

Eine Technik, bei der dieselbe Anfrage mehrfach unabhängig beantwortet und anschließend die häufigste oder konsistenteste Antwort ausgewählt wird, um die Zuverlässigkeit bei Aufgaben mit mehreren möglichen Lösungswegen zu erhöhen.

Buzzword-Bingo: Erhöht Rechenkosten proportional zur Anzahl der Durchläufe – „Self-Consistency einbauen“ klingt nach kostenlosem Qualitätsgewinn, ist aber ein bewusster Trade-off zwischen Zuverlässigkeit und Ressourcenverbrauch.

Suche, die auf Bedeutungsähnlichkeit (über Embeddings) basiert statt auf exaktem Wort- oder Keyword-Abgleich – findet auch Ergebnisse, die anders formuliert sind, aber inhaltlich passen.

Buzzword-Bingo: Semantic Search ersetzt klassische Keyword-Suche nicht immer besser – bei sehr präzisen, eindeutigen Suchbegriffen (Produktnummern, Eigennamen) kann klassische Volltextsuche zuverlässiger sein. Hybrid-Ansätze sind oft die bessere Wahl als reines Entweder-oder.

Eine Modell- bzw. API-Funktion, die garantiert, dass die Ausgabe einem vorgegebenen Schema (z. B. JSON-Schema) entspricht – durchgesetzt auf Ebene des Generierungsprozesses, nicht nur durch Anweisung im Prompt.

Buzzword-Bingo: Zu unterscheiden von reinem „im Prompt nach JSON fragen“ – Structured Outputs im engeren Sinn erzwingt die Struktur technisch, statt nur darum zu bitten. Anbieter, die beides unter demselben Namen bewerben, verwischen einen relevanten Unterschied.

Ausführlich in: LLM-Datenformate: Wie man mit einem Modell spricht – und in welcher Sprache es antwortet

Die Komponente, die Text in die kleineren Einheiten – Tokens – zerlegt, mit denen ein Modell tatsächlich rechnet. Nicht zwangsläufig ganze Wörter, oft Wortteile oder einzelne Zeichen.

Buzzword-Bingo: „Mehr Kontext-Tokens“ wird oft mit „mehr Text“ gleichgesetzt, ohne zu bedenken, dass unterschiedliche Sprachen und Tokenizer unterschiedlich viele Tokens pro Wort brauchen – ein Vergleich über Modelle oder Sprachen hinweg ohne Tokenizer-Kenntnis hinkt.

Ausführlich in: Claude Sonnet 5 ist da – näher an Opus, aber mit Sternchen beim Preis

Die Fähigkeit eines LLM, strukturierte Aufrufe an definierte Funktionen oder Tools zu generieren, statt nur Freitext zu produzieren – Grundlage für alles, was ein Modell tatsächlich „tun“ kann.

Buzzword-Bingo: Kein eigentlicher Bingo-Begriff, aber häufig missverstanden: Das Modell führt die Funktion nicht selbst aus, es generiert nur den Aufruf. Die Ausführung übernimmt die Anwendung drumherum.

Eine Datenbank, die auf das effiziente Speichern und Durchsuchen von Embeddings spezialisiert ist – zentrale Infrastrukturkomponente für RAG-Systeme.

Buzzword-Bingo: „Wir nutzen eine Vektor-Datenbank“ sagt nichts über die Qualität des Retrievals aus. Gute Embeddings in einer schlecht konfigurierten Vektor-Datenbank liefern trotzdem irrelevante Ergebnisse, wenn Indexierung oder Ähnlichkeitsmetrik nicht zur Aufgabe passen.

Ein vorgeschlagener browserseitiger Standard, über den Websites selbst strukturierte Tools/Fähigkeiten bereitstellen, die KI-Agenten direkt im Browser ansteuern können – als Gegenstück zum serverseitigen MCP.

Buzzword-Bingo: Noch früher Entwicklungsstand – Vorsicht bei Formulierungen, die WebMCP als etablierten, breit unterstützten Standard darstellen, statt als Vorschlag/Entwurf.

Eine Anfrage ohne mitgelieferte Beispiele – das Modell soll die Aufgabe allein aus der Beschreibung lösen.

Buzzword-Bingo: Eher Gegenstück zu Few Shot als eigener Bingo-Punkt. Erwähnenswert vor allem, wenn Zero-Shot-Fähigkeit als genereller Qualitätsbeweis verkauft wird – sie sagt nichts über Zuverlässigkeit bei komplexeren, unklar formulierten Aufgaben aus.