renate.chat
renate.chat — drei Kapitel
renate.chat ist der Wissensassistent der AusbilderInnen-Community (AuCo) — ein CODIP-Projekt mit HWK Dresden und KOMPASS gGmbH für Fragen rund um die Berufsausbildung.
Der Garten
- Renate. Ein Name schafft Verantwortung.
- Jede Oberfläche hat genau einen Metapher-Owner.
pond_object · PicnicWorkflow · drain— Namen sind Produktionscode.
Durability
- Restate: jeder Schritt wird zwischengespeichert, Absturz → Neustart ohne Fehler.
- Hybrides Retrieval: Embed → Topic-Filter → Rerank.
- Eval-Gate: nichts deployed ohne bestandenen Lauf.
Demo
- Live-Abfrage mit Herkunftsnachweis.
- /picnic: URL → Lernhappen im Teich.
- Expert Digest: drain → Community, human-in-the-loop.
Der Garten
Renate.
Nicht "AI Chat", nicht "Assistent". Personas sind ein UX-Prinzip: ein Name schafft Verantwortung — und stellt eine Beziehung her.
- Warum das zählt: sonst ist es schwer, über technische Systeme im Allgemeinen — und über KI im Speziellen — zu sprechen.
- Jede Antwort zeigt ihren Herkunftsnachweis — den Lernhappen, aus dem sie kommt.
- Pond · Picnic · Shed · Rundholz — die Garten-Vokabeln sind Produktionscode-Identifier, keine Marketingbegriffe.
SECI, nachträglich passend
Der Garten entstand, weil Ausbilderinnen Fragen hatten — nicht, weil wir mit Nonaka & Takeuchi angefangen haben. Praxis zuerst, Theorie danach.
- Renate wurde als Ingenieursarbeit gebaut. SECI passt hinein — nachträglich, nicht als Plan.
- Trotzdem komplementär: renate.chat ist ein dokumentiertes Fallbeispiel für den HAC-SECI-Innenzyklus in Produktion.
Durability
Zwölf Monate Chatbots, einer pro Monat
Liz, Luc, Lucy, Klaus, Werner — jeder eine andere Frage: welches Modell, welches Framework. Die Antworten waren mittelmäßig.
- Der Wendepunkt: nicht mehr "welches Modell?", sondern "wie sieht der Teich eigentlich aus?"
- Die Wissensbasis war einmalig importiert und wurde seitdem nicht aktualisiert — dabei wird sie laufend von AP6 gepflegt und erweitert.
Eine KI ist nur so gut wie ihre Wissensorganisation.
Verlässlich schlägt schnell
Ich hätte Renate mit Token-Streaming schneller wirken lassen können — das ist der Standard-Trick. Ich habe mich bewusst dagegen entschieden.
- Restate persistiert jeden Schritt im Hintergrund (Durable Execution) — fällt ein Dienst aus, setzt das System genau dort fort. Die Nutzerin sieht eine Verzögerung, nie einen Fehler.
- Kein Token-Streaming — Durability vor gefühlter Geschwindigkeit. Eine Designentscheidung.
Wer sieht was, und wo liegt es?
Dieselbe Architektur, durch die Datenschutz-Brille: welche Station bekommt was zu sehen, und wo liegen die Daten aktuell?
- drain.duckdb ist die einzige Komponente mit echtem Personenbezug (user_id + Fragetext) — aktuell noch auf DigitalOcean, Migration auf die TUD-VM geplant.
- pond.duckdb (Lernhappen) und die externen Dienste (ScaDS, Discourse, Yellow Pages) sind unkritisch oder nur mit übertragenem Query-Text.
Ein Notizzettel für jeden Schritt
Restate ist die Software im Hintergrund, die sich nach jedem Arbeitsschritt merkt, wie weit sie gekommen ist.
läuft …
- Ein Vorgang wie "Frage beantworten" läuft durch mehrere Schritte: einbetten, suchen, neu sortieren, antworten.
- Nach jedem abgeschlossenen Schritt schreibt Restate mit, was passiert ist — bevor der nächste beginnt. Genau das ist mit "persistiert" gemeint.
- Stürzt der Prozess mittendrin ab, beginnt er nicht bei Schritt ① — sondern genau dort, wo er aufgehört hat.
- Von Zeit zu Zeit führen wir ein Picknick durch: der PicnicWorkflow läuft nach demselben Prinzip — nur Human-in-the-loop, dafür langsamer.
Retrieval Pipeline Internals
Drei Stufen: Embedding (Ähnlichkeitssuche), Themenfilter (LDA), Reranker für die Feinsortierung.
- Qwen3-Embedding-4B — das Embedding-Modell für die Ähnlichkeitssuche, läuft über ScaDS.
- MALLET (MAchine Learning for LanguagE Toolkit) — das Werkzeug hinter dem LDA-Themenmodell: klassisches, statistisches ML, kein LLM.
- bge-reranker-v2-m3 — der Reranker für die Feinsortierung der Kandidaten.
- In v0.1.6 waren alle vier Modi identisch — die LDA-Tabelle war im falschen Vektorraum gebaut. Das ist behoben.
- Aber nicht jede dieser drei Stufen hat sich am Ende bewährt, wie sich zeigen wird — dazu gleich mehr, beim Eval-Gate.
Genau die richtigen Probleme
Das Eval-Gate blockiert jeden Deploy, dessen Kriterien nicht erreicht sind. Das bremst — mit Absicht.
- KI-Systeme sind massiv verteilte Systeme, deren nutzerseitige Affordanzen noch nicht vollständig erkundet sind.
- Jeder Eval-Lauf ist eine Spekulation: Spiegelt unsere Entwickler-Intuition über Nutzerbedürfnisse noch das tatsächliche Verhalten des Systems?
- In klassischer Software ist das der Abnahmetest — die Verhaltensseite der Testsuite. Bei KI-Systemen ist "Abnahme" noch viel schwächer definiert.
- v2026.06.2 zertifizierte Baseline (MRR@5 0,833, Top-1 83,3 %) · Gate besteht weiter bis zur aktuellen v2026.06.8.
Was bleibt?
In sechs Monaten wird sich niemand mehr für renate.chat als Produkt interessieren. Diese Lineage — wie das Messinstrument sich entwickelt hat — ist, was bleibt.
nomic-embed-text
Gute Retrieval-Werte — aber 0 % Ctrl-Refusal. Das System konnte "gehört nicht hierher" nicht erkennen.
Wechsel zu Qwen3-Embedding-4B
Nicht die Retrieval-Qualität war schuld — ein stiller Bash-Bug (ungeschütztes grep unter set -euo pipefail) hatte die Schwelle auf 0,50 statt 0,65 zurückgesetzt.
Schwelle kalibriert (0,65)
Aber alle vier Retrieval-Modi weiterhin identisch — LDA-Dim-Mismatch und erzwungenes Reranking verdeckten jedes echte Signal. Der eigentliche Vergleich war noch gar nicht möglich.
.06.2
Parallelitäts-Bug behoben (ev4l)
plain gewinnt (83,3 % Top-1) — Reranker und LDA-Filter verschlechtern beide. Sechs Wochen, um eine ehrliche Messung überhaupt erst möglich zu machen.
.06.8
Docker-Umstieg
Die Messung hält auch über eine Infrastruktur-Migration hinweg stand.
Weniger Stufen gewinnen
Die Lineage hat es eben gezeigt: nicht jede Stufe hat sich bewährt. Hier der Beleg im Detail — 24 Fragen, Lauf vom 2026-06-17.
- Reranker (zweite Sortierstufe): Top-1 fällt von 83,3 % auf 70,8 % — echte Treffer werden zu Fehlanzeigen. Bleibt deaktiviert.
- LDA-Themenvorfilter: Top-1 fällt auf 50,0 % — die 10 gelernten Themengrenzen sind zu grob für Lernhappen, die mehrere Themen berühren. Bleibt deaktiviert.
- Embed-only (plain) ist die Baseline geblieben: MRR@5 0,833, keine Fehlanzeigen.
Demo
"Renate schaut nach …"
1
Restate-Durability. Die Ladeanimation zeigt: ein Schritt läuft gerade und wird persistiert. Fällt der Service aus, setzt Restate beim letzten abgeschlossenen Schritt fort — die Nutzerin sieht eine Verzögerung, keinen Fehler.
2
Herkunftsnachweis. Zwei Quellen-Chips, canonical_id-dedupliziert, klickbar zurück zur ausbilderinnen-community.de. Nicht "eine KI hat das gesagt" — "dieser Lernhappen hat das gesagt."
GRAI: generativ vs. rezeptiv, sichtbar gemacht
GRAI (Böhm & Durst, 2025) fragt in jeder SECI-Phase: wer spielt die generative (wissenserzeugende) und wer die rezeptive (wissensverarbeitende) Rolle — Mensch oder KI?
- Eben, bei Renates Antwort: das System war generativ — der Lernhappen, aus dem die Antwort kam.
- Der Quellen-Chip macht diese Rolle sichtbar und prüfbar: nicht "eine KI hat das gesagt", sondern "dieser Lernhappen hat das gesagt".
- Die Ausbilderin bleibt rezeptiv — aber informiert, nicht ausgeliefert.
/picnic — von URL zu Lernhappen
Eine URL rein, ein neuer Lernhappen im Teich. Fetch → chunk → embed → write, jeder Schritt persistiert.
- Human-in-the-loop, aber langsam — das läuft nicht bei jeder Frage, sondern von Zeit zu Zeit, angestoßen von einer Praktikerin.
- Stürzt der Workflow mittendrin ab, geht es beim Neustart genau dort weiter, wo er aufgehört hat — die URL wird nicht noch einmal abgerufen, der Text nicht noch einmal eingebettet.
- SECI-Externalisierung, buchstäblich: eine Praktikerin findet etwas Wissenswertes, es wird Teil der Infrastruktur. 🪷 274 Lernhappen und wachsend.
drain → Digest → Community
Einmal pro Woche liest der Expert Digest aus dem drain: was wurde gefragt, was hat geholfen, wo hakt es. Daraus wird eine Zusammenfassung, die zurück in die Community gepostet wird.
- Human-in-the-loop ist Designentscheidung, nicht Einschränkung: ein Mensch liest den Digest und entscheidet, was davon tatsächlich gepostet wird — nicht Renate selbst.
- SECI: drain = Prüfen, Digest = Internalisierung, Community-Post = Sozialisierung.
- Auch der Digest läuft als eigener Restate-Service — dieselbe Durability wie bei der Anfrage-Pipeline und beim PicnicWorkflow.
