Wenden Sie sich an pi3g, um LLM-Inferenzserver zu erwerben<\/a><\/div>\n<\/div>\n\n\n\nDie Erfolge, die ich durch Local Deep Research (LDR) erzielt habe<\/h2>\n\n\n\n
Aus meiner Sicht empfand ich die Suche als ersch\u00f6pfend. Noch wertvoller ist jedoch, dass ich bei jeder Anwendung aktiv lokale Intelligenz aufbaue. <\/p>\n\n\n\n
Wenn LDR online Dokumente findet, die f\u00fcr meine Suche relevant sind, speichert und organisiert es diese automatisch und baut so eine interne Wissensbibliothek auf. <\/p>\n\n\n\n
Umgekehrt besteht bei einem bereits vorhandenen Bestand an geistigem Eigentum eine gro\u00dfe Wahrscheinlichkeit, dass LDR diesen direkt integrieren kann, sodass Sie Ihre propriet\u00e4ren Dateien nutzen k\u00f6nnen, um Ihre Forschungsfragen zu untermauern und zu rahmen. Dar\u00fcber hinaus gibt es eine \u201cNachrichten\u201d- und eine \u201cAbonnement\u201d-Funktion, die ich bisher noch nicht genutzt habe und die der Pflege fl\u00fcchtigerer beziehungsweise aktueller Quellmaterialien dienen.<\/p>\n\n\n\n
Die weniger erfreulichen Ergebnisse...<\/h2>\n\n\n\n
LDR sch\u00e4tzt es nicht, wenn ich mich als Beifahrer einmische. <\/p>\n\n\n\n
Als ich versuchte, ihm genaue Anweisungen bez\u00fcglich der Stimme oder des Rahmens einer Rechercheaufgabe zu geben, hat es mich entweder komplett ignoriert oder Dokumente mit sehr wenig n\u00fctzlichem Inhalt erstellt.<\/p>\n\n\n\n
Derzeit schlagen viele meiner Aufrufe mit Qwen 3.8 27B g\u00e4nzlich fehl und liefern keinerlei Recherchen, w\u00e4hrend 3.6 einwandfrei funktioniert hat. (Kurzer Einschub hierbei: Wenn man Qwen 3.8 mehr als die H\u00e4lfte (0.5) seines Kontextfensters zuweist, wird es extrem langsam.) Diese Art von Reibungsverlusten ist angesichts der Tatsache, dass wir uns an vorderster Front der Entwicklung befinden, bis zu einem gewissen Grad akzeptabel, aber das eigentliche Problem besteht darin, dass weder die Benutzeroberfl\u00e4che noch die Protokolle beim Auftreten dieser Fehler n\u00fctzliche Debugging-Informationen ausgegeben haben. <\/p>\n\n\n\n
Schlie\u00dflich \u2013 dies mag auf einen Anwenderfehler zur\u00fcckzuf\u00fchren sein \u2013 hatte ich deutlich mehr Erfolg mit allgemeinen, einfachen Fragen. Als eine sehr spezifische Anfrage zur Plugin-Architektur eines von mir verwendeten Frameworks fehlschlug, versuchte ich diese durch die Angabe eines Vergleichs zu pr\u00e4zisieren. <\/p>\n\n\n\n
Der Agent nahm es w\u00f6rtlich und lieferte drei Seiten Recherche zu der in dem Gleichnis erw\u00e4hnten Technologie anstelle des eigentlichen Frameworks.<\/p>\n\n\n\n
Zusammenfassung<\/h3>\n\n\n\n
Wenn es funktioniert und Sie ein mehrseitiges, datenreiches Dokument ohne verifizierbare M\u00e4ngel erhalten, f\u00fchlt sich das tiefgreifend an, \u00e4hnlich wie meine ersten Interaktionen mit ChatGPT. D\u00e4mpfen Sie jedoch vorerst Ihre Erwartungen: Betrachten Sie es als ein \u00e4u\u00dferst n\u00fctzliches Werkzeug und nicht als einen Dienst, der in der Lage ist, Absichten zu extrapolieren oder Nuancen in dem Ma\u00dfe zu erfassen, wie es modernste Tools verm\u00f6gen. <\/p>\n\n\n\n
Projekte in diesem Bereich entwickeln sich rasch. Es ist noch gar nicht allzu lange her, dass das UI-Paradigma f\u00fcr KI-Chat umstritten war; Entwickler-Frameworks und agentische Architekturen befinden sich derzeit eindeutig auf diesem Kontinuum. Deep Research als lokales, in sich geschlossenes Paradigma ist arguably noch im Entstehen begriffen. In der Zwischenzeit werde ich in das Open-Deep-Research-Repository von LangChain eintauchen, um zu sehen, wie deren LangGraph-Zustandsmaschinen-Ansatz dieselben Arbeitsabl\u00e4ufe handhabt, und um zu sehen, was ich sonst noch aus meiner n\u00e4chsten Erkundung lernen kann.<\/p>\n\n\n\n
Um Beispiele f\u00fcr die Arbeitsergebnisse zu sehen, besuchen Sie bitte mein Repository hier: https:\/\/github.com\/mwolf-pi3g\/harness-ldr<\/a><\/p>\n\n\n\nDies ist keine vollst\u00e4ndige Liste, verdeutlicht jedoch das Spektrum der Ergebnisse, die Sie erwarten k\u00f6nnen.<\/p>","protected":false},"excerpt":{"rendered":"
Europas Bestreben nach Datensouver\u00e4nit\u00e4t (dem Prinzip, dass Daten den Gesetzen und Governance-Strukturen des Landes unterliegen, in dem sie erhoben werden) hat sich allm\u00e4hlich von einem regulatorischen Diskussionsthema zu einer operativen Strategie gewandelt. Angetrieben von Bedenken hinsichtlich ausl\u00e4ndischer \u00dcberwachungsgesetze (wie dem US Cloud Act) und der potenziellen rechtlichen Instabilit\u00e4t transatlantischer\u2026<\/p>","protected":false},"author":865,"featured_media":0,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"footnotes":"","_links_to":"","_links_to_target":""},"categories":[1088,1087],"tags":[1074,1068],"class_list":["post-32097","post","type-post","status-publish","format-standard","hentry","category-nvidia-ai-software","category-nvidia-dgx-station","tag-dgx-spark","tag-nvidia"],"_links":{"self":[{"href":"https:\/\/pi3g.com\/de\/wp-json\/wp\/v2\/posts\/32097","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/pi3g.com\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/pi3g.com\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/pi3g.com\/de\/wp-json\/wp\/v2\/users\/865"}],"replies":[{"embeddable":true,"href":"https:\/\/pi3g.com\/de\/wp-json\/wp\/v2\/comments?post=32097"}],"version-history":[{"count":7,"href":"https:\/\/pi3g.com\/de\/wp-json\/wp\/v2\/posts\/32097\/revisions"}],"predecessor-version":[{"id":32193,"href":"https:\/\/pi3g.com\/de\/wp-json\/wp\/v2\/posts\/32097\/revisions\/32193"}],"wp:attachment":[{"href":"https:\/\/pi3g.com\/de\/wp-json\/wp\/v2\/media?parent=32097"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/pi3g.com\/de\/wp-json\/wp\/v2\/categories?post=32097"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/pi3g.com\/de\/wp-json\/wp\/v2\/tags?post=32097"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}