12 Meta-Reflexions-Techiken, um KI noch intelligenter zu machen

Mit dem aktuellen Aufstieg von KI, repräsentiert durch Claude Code und OpenClaw, spüren wir immer stärker die beeindruckende Intelligenz der KI. Dennoch können Sie einige Meta-Reflexions-Techniken anwenden, um sie noch klüger zu machen.

Vielleicht gibt es keine Disziplin, die das Konzept von "Meta" so stark betont wie die Kognitionswissenschaft. In der Kognitionswissenschaft gibt es die Erforschung der Kognition der Kognition - die Metakognition; die Erforschung des Gedächtnisses des Gedächtnisses - das Metagedächtnis; und die Erforschung der Sprache der Sprache - die Metasprache. Solche Forschungen sind in der Kognitionswissenschaft allzu häufig. Was heißt Meta-Reflexion? Genau, es ist die Reflexion über die Reflexion.

Hier sind einige Meta-Reflexions-Techniken, die ich in der Praxis häufig verwende, als Referenz für Sie.

Erste Gruppe: Allgemeine Techniken

Technik 1: Meta-Reflexion

Beispielbefehl: Bitte führen Sie eine Runde Meta-Reflexion mit "Tiefgründiges Denken" (Aufruf von sequential - thinking mcp) durch. Ist Ihre Umsetzung korrekt? Haben Sie das Ziel erreicht? Gibt es gravierende logische Fehler oder Lücken? Besonders wichtig ist, dass bei der Erreichung eines neuen Ziels keine alten Funktionen beeinträchtigt werden.

Diese Technik ist die, die ich am häufigsten verwende. Wenn man die KI zur Meta-Reflexion bringt, wird immer ein neues Problem entdeckt. Die KI ist eine Vektormatrix mit tausenden von Dimensionen. Sie ist besser als wir Menschen in der Lage, Verbindungen und Pfade zu finden, auf die wir bisher nicht geachtet haben. Dies ist ihr Vorteil. Ihr Nachteil ist jedoch, dass jeder neuronale Netzwerk-Mechanismus zwangsläufig Einschränkungen bei der Informationsverarbeitung hat. Dies gilt sowohl für Menschen als auch für große KI-Modelle. Denn der Arbeitsmechanismus eines neuronalen Netzwerks ist eigentlich nur die Aktivierung von Gewichten/Parametern. Aktivierung bedeutet zwangsläufig ungenau und nicht exakt.

Deshalb ist der Meta-Reflexionsprozess für die KI ein äußerst notwendiger Schritt. Neben dem eingebauten Meta-Reflexionsprozess in Modellen wie dem think - Modell müssen wir die KI auch aktiv an kritischen Stellen zur Meta-Reflexion zwingen. Meine Erfahrung ist, dass bei fast jeder komplexen Aufgabe, wenn man die Meta-Reflexion vornimmt, die KI mich immer überrascht.

Technik 2: Begrenzung von Entitäten

Beispielbefehl: Bitte listen Sie die Entitäten auf, die in dieser Aufgabe involviert sind. Wird die Anzahl der Entitäten auf maximal 4 begrenzt? Wenn es mehr als 4 Entitäten sind, verwenden Sie TaskCreate, um die Aufgabe in Teilaufgaben aufzuteilen.

Große KI-Modelle sind immer noch "begrenzt rational". Unabhängig von der Gestaltung des Kontextfensters ist das beste Dialogmuster immer noch eine Session, in der maximal 4 Entitäten bearbeitet werden. Mit Datenbankterminologie ausgedrückt, bedeutet dies die Begrenzung auf maximal 4 Tabellen.

Sobald die Anzahl der Tabellen 4 überschreitet, macht das große Modell in den meisten Fällen Fehler. Dies hat nichts mit der Verwendung eines fortschrittlichen großen Modells zu tun. Es liegt an der natürlichen Schwäche, die durch die Imitation der menschlichen Gehirnstruktur in großen Modellen entsteht. Solange es sich um eine neuronale Netzwerkarchitektur handelt, gibt es zwangsläufig solche Mängel.

Technik 3: Neudefinition des Problems

Beispielbefehl: Bitte verwenden Sie "Tiefgründiges Denken" (Aufruf von sequential - thinking mcp), um das Problem gründlich zu verstehen. Existiert das Problem wirklich? Kann es neu definiert werden? Kann die Problemgrenze verkleinert oder das Problem in ein Problem umgewandelt werden, für das in der Branche oder in einem anderen Bereich bereits eine bewährte Lösung existiert?

Oftmals ist die Definition des Problems wichtiger als seine Lösung. Die Neudefinition des Problems und die Optimierung seiner Grenzen lösen in der Regel bereits einen Großteil des Problems. Einmal musste ich über ein strategisches Problem nachdenken. Als ich die KI aufforderte, es in ein Zeitoptimierungsproblem umzuwandeln, war es viel einfacher zu lösen. Ein Problem, für das es in einem Bereich keine bewährte Lösung gibt, kann in einem anderen Bereich möglicherweise gelöst werden.

Zweite Gruppe: Intentionstechniken

Technik 4: Sicherheitsnetz setzen

Beispielbefehl: Haben Sie eine Sicherheitsstrategie in Betracht gezogen?

Unter einem Sicherheitsnetz versteht man, was passiert, wenn etwas schief geht. Die KI ist wie der Mensch durch die Trainingszeit begrenzt und versucht oft, Ihnen in möglichst kurzer Zeit eine Antwort zu geben. Diese Antwort basiert meist auf positiven Überlegungen, d. h. wie man erfolgreich ist, aber wird nie überlegt, was passiert, wenn es fehlschlägt.

Technik 5: Dreifache Absicherung

Beispielbefehl: Haben Sie die dreifache Absicherung in Betracht gezogen?

Diese Technik ähnelt der Sicherheitsnetz-Strategie, ist aber strenger. Sie wird in der Regel für kritische Szenarien angewendet. Es heißt: "Misfortunen kommen selten allein". Tatsächlich kann es in Produktionsumgebungen oder komplexen Projekten passieren, dass es entweder gar nicht zu einem Ausfall kommt oder, wenn es einen Ausfall gibt, eine einzige Absicherung in der Regel nicht ausreicht. Es müssen drei aufeinanderfolgende Absicherungen gesetzt werden, um sicherzustellen, dass alles in Ordnung bleibt, wenn etwas schief geht.

Technik 6: Selbstüberprüfung

Beispielbefehl: Schreiben Sie sich vor der Ausführung ein Prüfskript oder legen Sie einen Prüfstandard fest. Nach der Ausführung führen Sie das Prüfskript aus oder verwenden Sie den Prüfstandard, um festzustellen, was in Ihrer Ausführung fehlt, und optimieren Sie kontinuierlich.

Bevor Sie die KI mit einer komplexen Aufgabe betrauen, legen Sie zunächst Prüfstandards fest und stimmen Sie während der Ausführung immer wieder damit ab. Wenn Sie feststellen, dass die Prüfstandards fehlerhaft sind, optimieren Sie sie weiter. So wiederholen Sie den Vorgang. Wenn Sie die Datenüberwachung und den Prozessdesign gut vornehmen, kann die automatische Optimierung der KI zu erstaunlichen Ergebnissen führen. Ein gutes Beispiel ist die kürzlich populäre ralph - loop - Methode:

https://42plugin.com/plugins?q=ralph-loop

Aber diese Art von Schleifenmethode unterschätzt die Komplexität der realen Arbeit. Deshalb habe ich meine eigene bessere dev - loop - Methode entwickelt, die in der Praxis sehr gut funktioniert.

Dritte Gruppe: Implementierungstechniken

Technik 7: Watchdog

Beispielbefehl: Bitte verwenden Sie das CronCreate - Tool, um einen Watchdog zu erstellen, der die memory - Datei (oder eine andere Datei, in der Sie den Arbeitsfortschritt speichern) liest, den nächsten unvollendeten Schritt findet und sofort ausführt. Stellen Sie keine Fragen, sondern führen Sie einfach den nächsten Schritt aus.

Eine ähnliche Anwendung ist die Heartbeat - Überwachung. Beispielbefehl: Lesen Sie die memory - Datei und prüfen Sie, ob es zu bearbeitende Erinnerungen oder Aufgaben gibt. Wenn ja, führen Sie sie sofort aus, ohne mich zu fragen; wenn nicht, antworten Sie mit HEARTBEAT_OK.

Warum ist der Watchdog oder die Heartbeat - Überwachung wichtig? Weil sie uns vom Menschen im Loop (human in loop) befreien und uns erlauben, die Konversation mit der KI zu verlassen und andere Dinge zu tun. Kürzlich habe ich meinen Schülern live gezeigt, wie die KI arbeitet. Ich war im Außenpark joggen, und die KI hat zu Hause 90 Minuten lang kontinuierlich und ohne menschliche Intervention live gearbeitet. Hinter diesem Erfolgt steht der Watchdog.

Technik 8: Vollständigkeit

Beispielbefehl: Haben Sie die Atomarität/Transaktionskonsistenz/Idempotenz in Betracht gezogen?

Diese Begriffe unterscheiden sich geringfügig voneinander. Die Atomarität betont, dass eine Aktion entweder ganz ausgeführt wird oder gar nicht; die Transaktionskonsistenz betont, dass der Zustand legal bleiben muss, d. h. von einem legalen Zustand A zu einem legalen Zustand B zu gelangen, ohne dass es illegalen Zwischenzuständen gibt. Das heißt, es kann entweder fehlschlagen oder erfolgreich sein, es darf kein halb erfolgreiches und halb fehlgeschlagenes Zwischenstadium geben; die Idempotenz betont, dass die Wiederholung einer Aktion keine negativen Auswirkungen hat, d. h. das Ergebnis ist das gleiche, ob die Aktion einmal oder zehnmal ausgeführt wird.

Aber die allgemeine Richtung ist ähnlich. Sie betont, dass wir bei unseren Handlungen umfassender denken müssen: Wir müssen sicherstellen, dass die Aktionen und die Ergebnisse vollständig und sauber sind - es dürfen keine Halbfabrikate entstehen, keine unsauberen Daten erzeugt werden und keine Fehler durch Wiederholungen auftreten.

Technik 9: Abgleich! Abgleich! Abgleich!

Beispielbefehl: Bitte vergleichen Sie sorgfältig Ihre aktuelle Umsetzung mit dem ursprünglich geschriebenen Plan oder der Spezifikation (Spec). Stimmt sie überein? Gibt es gravierende logische Fehler oder Lücken?

Der Schlüssel für die zehnmal schnellere Arbeit der KI ist: Abgleich! Abgleich! Abgleich!

Tatsächlich bedeutet Abgleich = Nutzung der Vervollständigungsfähigkeit des großen Modells. Wenn A unvollständig ist, vervollständigt B es; wenn B unvollständig ist, vervollständigt A B.

Wenn der Mensch unvollständig ist, vervollständigt die KI den Menschen; wenn die KI unvollständig ist, vervollständigt der Mensch die KI.

Wenn Projekt 1 unvollständig ist, vervollständigt Projekt 2 es; wenn Projekt 2 unvollständig ist, vervollständigt Projekt 1 es.

Wenn Modul 1 eines Projekts unvollständig ist, vervollständigt das relativ vollständige Modul 2 es; wenn Modul 2 unvollständig ist, vervollständigt das relativ vollständige Modul 1 es.

So wiederholt sich der Vorgang. Dies ist die Zeit des echten "Hybrid - Intelligenz"! Dies ist die zehnmal schnellere Arbeit!

Dies ist der Schlüssel für diese Welle von großen Modellen!

Deshalb ist die Ermittlung des relativ vollständigen Punktes der Ausgangspunkt oder der Schlüssel für das gesamte "zehnmal schnelleren Arbeitsablaufs".

Bei jeder Arbeit gibt es einen "relativ vollständigen" Punkt. Wenn es keinen gibt, können Sie ihn "aus dem Nichts erschaffen". Nutzen Sie die Vollständigkeit anderer, um Ihre Unvollständigkeit zu vervollständigen.

Alles dreht sich um diesen einen Punkt: Die Ermittlung des relativ vollständigen Punktes ist der Ausgangspunkt für die Gestaltung des gesamten Arbeitsablaufs.

Und wie man "Vollständigkeit" beurteilt, ist das, was ich in meinem Neujahrsvortrag "Die Intensionsrevolution: Auf dem Weg in die Zeit der Hybrid - Intelligenz" als "Bestätigungskosten" und "Bestätigungsfaktor" bezeichnet habe.

Vierte Gruppe: Feedbacktechniken

Technik 10: Geschwindigkeits-Test

Beispielbefehl: Haben Sie extreme Fälle in Betracht gezogen? Wenn Sie die Geschwindigkeit oder die Qualität Ihrer Ausgabe um das 10 - fache, 100 - fache oder 1000 - fache erhöhen möchten, wird Ihre Ausführung dadurch beeinträchtigt? Wenn ja, wie können Sie Ihre Ausführung verbessern?

Oftmals ist es schwierig, gute Lösungen zu finden, wenn man in der gleichen Größenordnung denkt. Aber wenn man darüber nachdenkt, wie man die Ausgabe oder die Geschwindigkeit um das 10 - fache, 100 - fache oder 1000 - fache erhöhen kann, sind gute Lösungen eher zu finden.

Bei der Programmierung ist es üblich, Parallelität und Asynchronität zu verwenden. Deshalb sollten Sie die KI auch fragen: Haben Sie eine Hochleistungsversion in Betracht gezogen? Zum Beispiel die Umstellung auf parallele oder asynchrone Ausführung? Wenn ja, haben Sie eine Strategie für den Fall, dass die parallele oder asynchrone Ausführung nicht möglich ist, in Betracht gezogen? D. h. eine Sicherheitsnetz - Strategie setzen, wie in Technik 4 beschrieben.

Technik 11: Suche nach ähnlichen Fehlern

Beispielbefehl: Bitte überlegen Sie sich noch einmal, ob es ähnliche Fehler gibt. Insbesondere Varianten des gerade behobenen Fehlers?

Zwingen Sie die KI, zu verallgemeinern und nach ähnlichen Problemen zu suchen. Dies ist eine Technik, die ich in der Praxis sehr oft verwende. Oftmals ist die KI durch das Kontextfenster begrenzt. Wenn Sie nicht explizit darauf hinweisen, wird sie nicht nach ähnlichen Problemen suchen. Beispielsweise behebt sie einen Fehler beim Sammeln in der Arbeitszone, aber ignoriert den gleichen Fehler in der Diskussionszone oder im Kursinhalt.

Technik 12: Musterakkumulation

Beispielbefehl: Bitte fügen Sie die in dieser Arbeitsrunde neu entdeckten Muster der Datei memory/dev - loop - patterns.md hinzu.

Die Fähigkeit der großen KI - Modelle, Muster zu verstehen, ist weitaus besser als die des Menschen. Sie können leicht Muster entdecken, auf die wir nicht geachtet haben. Wenn Sie diese Muster sammeln, wird ähnliche Arbeit in Zukunft viel einfacher.

Diese Technik kann man oft mit Zielen verknüpfen und sich auf die Verbesserung von Schlüsselindikatoren konzentrieren. Beispielsweise kann man einen bestimmten Indikator bei der Training des großen Modells kontinuierlich verbessern. In Kombination mit den zuvor genannten Techniken können sehr beeindruckende Ergebnisse erzielt werden. Dies ist die Schreibweise eines Skills in einem von mir entwickelten System für die autonome Arbeit der KI:

Neu entdeckte Muster → Hinzufügen zur Datei memory/dev - loop - patterns.md

Schlüsselindikatoren → Hinzufügen zur Datei memory/dev - loop - metrics.md

Zusammenfassung

Meine Schüler, die mich gut kennen, werden vielleicht den Gedanken hinter diesen Techniken erkennen. Ist das nicht das "Handlungsring", den Sie in der "Meta - Wissen" - Vortragsreihe beschrieben haben?

Ja, genau. Der Handlungsring besteht aus vier Elementen: die Absicht der Handlung, die Durchführung der Handlung, das Feedback der Handlung und die Situation, in der der Handelnde sich befindet. Um die Handlungsfähigkeit des Menschen zu verbessern, sollten wir uns um diese Elemente kümmern. Ebenso sollten wir, um die Leistung der KI zu verbessern, uns um diese Elemente kümmern. Nur ist die Situation der KI der Kontext (Context).

Die derzeitigen führenden großen KI - Modelle werden in der Regel während des Nachtrainings in Reflexionstechniken wie der Chain of Thought (CoT) trainiert. Aber wenn man die KI in einem passenden Kontext zur Meta - Reflexion bringt, kann man überraschende Ergebnisse erzielen. Nach alledem ist es unmöglich, dass die großen KI - Modelle während des Trainings alle Kontexte, die Sie in