Jargon-Übersetzer

Multimodal

Klartext: KI-Systeme, die mehrere Medientypen verarbeiten

Moderne LLMs wie GPT-4V oder Claude können nicht nur Text, sondern auch Bilder, Videos und Audio verarbeiten.

• Text + Bild: Screenshots in Dokumentation automatisch analysieren
• Text + Video: Tutorial-Videos auswerten
• Text + Audio: Meeting-Aufnahmen transkribieren

Für Dokumentation relevant: Diagramme, Screenshots, UML automatisch verstehen und beschreiben lassen.

Vorteil: Multimodale Doku = reichhaltigere KI-Analyse möglich

Computer Vision

Klartext: KI erkennt Inhalte in Bildern/Videos

Technologie, die es Maschinen ermöglicht, visuelle Inhalte zu verstehen – ein Teil von Multimodal AI.

• Screenshots automatisch beschreiben
• UI-Elemente in Bildern erkennen
• Diagramme und Flowcharts auswerten
• Fehler in visuellen Anleitungen finden

Use Case: Automatische Alt-Text-Generierung für Barrierefreiheit.

Vorteil: Bildlastige Dokumentation wird AI-durchsuchbar

ASR / Speech-to-Text

Klartext: Automatic Speech Recognition (Spracherkennung)

KI wandelt gesprochene Sprache in Text um – wichtig für Audio-basierte Dokumentation.

• Meeting-Protokolle automatisch erstellen
• Video-Tutorials transkribieren
• Podcast-Content dokumentieren
• Voice Commands in Software dokumentieren

Tools: Whisper (OpenAI), Google Speech-to-Text, Azure Speech Services

Vorteil: Audio-Content wird durchsuchbar und wiederverwendbar

NLP

Klartext: Natural Language Processing (Sprachverarbeitung)

Die Technologie hinter LLMs – ermöglicht Maschinen, menschliche Sprache zu verstehen und zu verarbeiten.

• Textanalyse und -klassifizierung
• Sentiment-Analyse in User-Feedback
• Named Entity Recognition (NER)
• Automatische Zusammenfassungen

Dokumentations-Use-Cases: Auto-Tagging, Konsistenz-Checks, Terminologie-Extraktion

Vorteil: Intelligente Textverarbeitung ohne manuelle Regeln

Embeddings

Klartext: Text als Zahlenvektor (für KI-Verarbeitung)

LLMs wandeln Text in hochdimensionale Vektoren um – die mathematische Repräsentation von Bedeutung.

• Semantic Similarity: "Auto" ≈ "Fahrzeug" (nicht nur String-Match)
• Basis für RAG: Ähnliche Inhalte finden
• Vector Databases: Pinecone, Weaviate, Chroma

Technisch: z.B. 1536-dimensionaler Vektor für jeden Text-Chunk

Vorteil: Semantische Suche statt Keyword-Matching

Chunking

Klartext: Dokumentation in LLM-verdauliche Stücke teilen

LLMs haben Token-Limits – grosse Dokumente müssen in kleinere "Chunks" aufgeteilt werden.

• Optimale Chunk-Grösse: 500-1500 Zeichen
• DITA-Vorteil: Topics sind natürliche Chunks!
• Overlap zwischen Chunks für Kontext
• Semantisches Chunking (Absatz/Kapitel-basiert)

Best Practice: Strukturierte Doku (DITA) = sauberes Chunking

Vorteil: Bessere RAG-Ergebnisse durch optimale Chunk-Grösse

Prompt Engineering

Klartext: LLMs richtig "fragen"

Die Kunst, Anfragen an LLMs optimal zu formulieren, um beste Ergebnisse zu erzielen.

• Few-Shot Prompting (Beispiele geben)
• Chain-of-Thought (Schritt-für-Schritt denken lassen)
• System Prompts (Rolle definieren)
• Context Window Management

Dokumentations-Use-Case: "Erstelle DITA-konforme Task-Topics aus diesem Text"

Vorteil: Qualität der LLM-Ausgabe um Faktor 10+ verbesserbar

Fine-tuning

Klartext: LLM für spezifische Aufgabe trainieren

Ein bestehendes LLM mit eigenen Daten nachtrainieren – im Gegensatz zu RAG sehr aufwändig.

• Aufwand: Hoch (Tausende Trainingsbeispiele, GPU-Zeit)
• Kosten: $$$$ (vs. RAG: $)
• Dynamik: Statisch (vs. RAG: dynamisch aktualisierbar)
• Use-Case: Hochspezialisierte Domänen-Sprache

Empfehlung: Für Dokumentation meist RAG besser geeignet

Achtung: Nur bei sehr spezifischen Anforderungen sinnvoll

Token

Klartext: Kleinste Einheit für LLM-Verarbeitung

LLMs verarbeiten Text nicht als Wörter, sondern als Tokens – oft Teilwörter oder Zeichen.

• 1 Token ≈ 4 Zeichen (Durchschnitt)
• 100 Tokens ≈ 75 Wörter
• Context Window: GPT-4: 128k Tokens
• Kosten: Abrechnung nach Input/Output-Tokens

Relevanz für Doku: Token-Limit bestimmt max. Dokumentationsgrösse pro Anfrage

Tipp: Strukturierte Doku = effizientere Token-Nutzung

Ingestion

Klartext: Datenaufnahme ins System

Der Prozess, Dokumentation in ein RAG-System zu importieren – inklusive Parsing, Chunking, Embedding-Erstellung.

• Parsing (PDF, HTML, DITA → strukturierte Daten)
• Chunking (grosse Docs aufteilen)
• Embedding-Generierung
• Metadaten-Extraktion
• Speicherung in Vector Database

Pipeline-Beispiel: DITA → Chunks → Embeddings → Pinecone

Vorteil: Strukturierte Doku (DITA/XML) = einfachere Ingestion

Semantic Search

Klartext: Suche nach Bedeutung (nicht nur Keywords)

Suche basierend auf semantischer Ähnlichkeit – findet "Auto" auch wenn Sie "Fahrzeug" suchen.

• Grundlage: Embeddings + Vector Similarity
• Beispiel: "Wie installiere ich?" findet auch "Setup-Anleitung"
• Tool: Elasticsearch, Algolia, Pinecone

Im Unterschied zu: Keyword-Suche ("Auto" findet nur "Auto", nicht "PKW")

Vorteil: Findet relevante Inhalte auch bei unterschiedlicher Formulierung

GEO

Klartext: Generative Engine Optimization

Die Optimierung für generative Suchmaschinen – Sichtbarkeit in AI-basierten Antworten wie Google AI Overviews, ChatGPT, Perplexity.

Branchenbegriffe 2026:

• GEO: Meist genutzter Sammelbegriff
• LLMO: LLM Optimization (Synonym)
• AEO: Answer Engine Optimization (Synonym)
• AI Search Optimization: Alternative Bezeichnung

Für technische Dokumentation entscheidend:

• Strukturierte Daten (DITA, XML) werden besser erkannt
• Klare Metadaten erhöhen Zitierwahrscheinlichkeit
• Semantische Markup verbessert Kontextverständnis
• Modularer Content ermöglicht präzise Antworten

Unterschied zu SEO: Nicht Link-Rankings, sondern direkte Erwähnung/Zitation in AI-generierten Antworten.

Vorteil: Strukturierte Dokumentation = bessere GEO-Readiness = Zukunftssicher

HTML5

Klartext: Modernes Web-Standard-Format

Der aktuelle Standard für Web-Content – wichtig für responsive Online-Hilfen und als Output-Format für strukturierte Dokumentation.

• Responsive Design (Mobile-freundlich)
• Semantische Elemente (<article>, <section>)
• LLMs können HTML generieren/parsen
• Standard-Output aus DITA-Publishing

DITA-Workflow: DITA → DITA-OT → HTML5

Vorteil: Universell zugänglich, suchmaschinenfreundlich

Markdown

Klartext: Einfaches Textformat für Dokumentation

Leichtgewichtiges Markup-Format – LLMs lieben Markdown, weil es strukturiert aber einfach ist.

• Docs-as-Code: Mit Git versionierbar
• LLM-Training: Viele LLM-Daten in Markdown
• LLM-Output: Bevorzugtes Format für Generierung
• Tools: GitHub, GitLab, Notion, Obsidian

Konversion: Markdown ↔ DITA möglich (mit Pandoc)

Vorteil: LLMs generieren & verstehen Markdown nativ

JSON

Klartext: JavaScript Object Notation (Datenformat)

Standard-Format für Datenaustausch und APIs – wichtig für Metadaten, Konfiguration und System-Integrationen.

• API-Kommunikation (REST APIs)
• DITA-Metadaten exportieren
• LLM-Funktionsaufrufe (Function Calling)
• Konfigurationsdateien

Use-Case: DITA-Metadaten als JSON → RAG-System

Vorteil: Maschinenlesbar, universell unterstützt

DTD

Klartext: Document Type Definition (XML-Schema)

Definition der Struktur-Regeln für XML-Dokumente – DITA basiert traditionell auf DTDs.

• DITA-Standard: Nutzt DTDs (z.B. topic.dtd)
• Definiert erlaubte Elemente & Attribute
• Validierung von XML-Dokumenten
• Alternative: XSD (XML Schema Definition)

Immer noch verbreitet: Trotz XSD bleibt DTD DITA-Standard

Vorteil: Konsistente Dokumentstruktur erzwingen

API

Klartext: Application Programming Interface (Schnittstelle)

Schnittstellen für Systemkommunikation und Automatisierung – essentiell für moderne Dokumentations-Infrastruktur.

• FrameMaker API: ExtendScript-Automatisierung
• DITA-OT API: Publishing programmatisch steuern
• LLM APIs: OpenAI, Anthropic, Azure
• CCMS APIs: Content-Management integrieren

Use-Case: DITA Publishing via API automatisch triggern

Vorteil: Volle Automatisierung möglich

BPMN

Klartext: Business Process Model and Notation

Standard-Notation für Geschäftsprozesse – eine gemeinsame Sprache für Business und IT zur Visualisierung von Workflows.

• OMG-Standard: International standardisiert (BPMN 2.0)
• Visuelle Elemente: Events, Activities, Gateways, Flows
• Ausführbar: BPMN → Workflow Engine (z.B. Camunda)
• Dokumentierbar: XML-basiert, versionierbar in Git

Use-Case: Dokumentations-Workflow modellieren → automatisieren → CI/CD integrieren

Vorteil: Business versteht IT-Prozesse, IT kann Business-Prozesse automatisieren

Workflow

Klartext: Arbeitsablauf mit definierten Schritten

Strukturierte Abfolge von Aufgaben – von manuell zu teilautomatisiert bis vollautomatisiert. Kern der Prozessoptimierung.

• Review-Workflows: Technische Korrektheit + Freigabe
• Publishing-Workflows: Authoring → Build → Deploy
• Translation-Workflows: Extract → Translate → Re-import
• Approval-Workflows: Mehrst ufige Freigabeprozesse

DIBASS-Expertise: Workflow-Design, BPMN-Modellierung, CI/CD-Integration

Vorteil: Reproduzierbar, skalierbar, automatisierbar

Gap-Analyse

Klartext: Lückenanalyse (IST vs. SOLL)

Systematischer Vergleich des aktuellen Zustands (IST) mit dem Zielzustand (SOLL) – Basis für Roadmap-Entwicklung.

• Dokumentations-Audit: Welche Inhalte fehlen?
• Tool-Evaluation: Welche Features brauchen wir?
• Prozess-Optimierung: Welche Schritte sind ineffizient?
• Skill-Gap: Welches Wissen fehlt im Team?

Methodik: 1. IST aufnehmen → 2. SOLL definieren → 3. Gaps identifizieren → 4. Priorisieren

Vorteil: Fundierte Entscheidungsgrundlage statt Bauchgefühl

Proof of Concept (PoC)

Klartext: Machbarkeitsnachweis

Praktischer Test einer Idee oder Technologie – klein, fokussiert, zeitlich begrenzt. Risiko minimieren vor voller Investition.

• Tool-Evaluierung: CCMS testen mit real Content
• LLM-Integration: RAG-Prototyp mit eigener Doku
• CI/CD-Pipeline: Minimales Setup testen
• DITA-Migration: 10 Topics konvertieren → lernen

Erfolgskriterien: Funktioniert es? Performance OK? Anwenderfreundlich?

Vorteil: Schnelles Feedback, minimales Risiko, konkrete Learnings

Content-Strategie

Klartext: Planung für zielgruppengerechte Inhalte

Strategische Planung von Inhalten, Struktur und Workflows – was braucht die Zielgruppe wirklich? (Minimalismus statt "alles dokumentieren")

• Zielgruppendefinition: Wer nutzt die Dokumentation?
• Informationsbedarfsermittlung: Was brauchen sie wann?
• Minimalismus: Alte Zöpfe abschneiden, Fokus auf Essentials
• Datensilos optimieren: Single Source of Truth etablieren

DIBASS-Service: Content-Strategie-Beratung auf beratung.html

Vorteil: Weniger ist mehr – nur relevante Inhalte produzieren

Information Architecture (IA)

Klartext: Strukturierung von Informationen für optimale Nutzbarkeit

Design der Informationsstruktur – wie werden Inhalte organisiert, kategorisiert und gefunden? Fundament für User Experience.

• Navigation: Wie finden User Informationen?
• Taxonomie: Kategorisierung und Verschlagwortung
• Metadaten: Strukturierte Beschreibung von Inhalten
• Search: Findability durch gute IA

DITA-Context: Topic-Typen, Maps, Metadaten → strukturierte IA

Vorteil: User finden schneller, was sie brauchen

Change Management

Klartext: Begleitung bei Veränderungsprozessen

Strukturierte Einführung neuer Systeme und Prozesse – Menschen mitnehmen, nicht überrollen. Kritisch für Projekterfolg.

• Stakeholder-Kommunikation: Transparenz über Änderungen
• Training: Team befähigen, neue Tools zu nutzen
• Rollout-Planung: Schrittweise statt Big Bang
• Widerstände abbauen: Bedenken ernst nehmen

Typischer Fehler: Neues Tool kaufen, Team nicht schulen → Scheitern

Vorteil: Höhere Akzeptanz, schnellere Adoption

Stakeholder Management

Klartext: Management von Projektbeteiligten und deren Interessen

Identifizierung und Koordination aller relevanten Personen – wer hat Einfluss? Wer ist betroffen? Wer muss mitwirken?

• Identifikation: Wer sind die Stakeholder?
• Analyse: Interessen, Einfluss, Betroffenheit
• Kommunikation: Richtige Info zur richtigen Zeit
• Erwartungsmanagement: Realistische Ziele setzen

Dokumentations-Context: Autoren, Reviewer, Management, User

Vorteil: Konflikte früh erkennen, Alignment schaffen

SOP

Klartext: Standard Operating Procedure (Standardarbeitsanweisung)

Dokumentierte Standardprozesse für wiederkehrende Aufgaben – wie wird etwas gemacht? Schritt für Schritt, reproduzierbar.

• Prozessdokumentation: Klare Anweisungen für Workflows
• Qualitätssicherung: Konsistente Ergebnisse
• Onboarding: Neue Mitarbeiter schneller produktiv
• Automatisierbar: SOPs → Skripte/Workflows

Beispiel: SOP für DITA-Topic-Erstellung, Review-Workflow, Publishing

Vorteil: Weniger Fehler, weniger Fragen, mehr Effizienz

Business Process

Klartext: Geschäftsprozess

Strukturierte Abfolge von Aktivitäten zur Erreichung eines Geschäftsziels – kann mit BPMN modelliert und optimiert werden.

• End-to-End: Vom Trigger bis zum Ergebnis
• Rollen & Verantwortlichkeiten: Wer macht was?
• Input/Output: Was wird benötigt/erzeugt?
• Optimierbar: Ineffizienzen identifizieren

Doku-Beispiel: Content-Erstellung → Review → Freigabe → Publishing

Vorteil: Transparenz, Messbarkeit, kontinuierliche Verbesserung

XSLT

Klartext: Extensible Stylesheet Language Transformations

Transformationssprache für XML – konvertiert XML in andere Formate (HTML, PDF, Text). Essentiell für DITA-Publishing.

• XML → HTML: Online-Hilfen generieren
• XML → XSL-FO: Basis für PDF-Generierung
• DITA → Custom Output: Individuelle Formate
• Template-basiert: Regeln für Transformation

DIBASS-Expertise: XSLT-Entwicklung für automatisierte Publishing-Pipelines

Vorteil: Volle Kontrolle über Output-Format, wiederverwendbar

UML

Klartext: Unified Modeling Language

Standard-Notation für Software-Modellierung – visualisiert Systeme, Prozesse und Datenstrukturen. Ergänzend zu BPMN.

• Use Case Diagramme: Funktionale Anforderungen
• Class Diagramme: Datenmodelle, API-Struktur
• Sequence Diagramme: Interaktionsabläufe
• Activity Diagramme: Ähnlich BPMN, aber IT-fokussiert

Dokumentations-Context: CCMS-Architektur, Publishing-Pipeline visualisieren

Vorteil: Gemeinsames Verständnis komplexer Systeme

KPI

Klartext: Key Performance Indicator (Leistungskennzahl)

Messbare Kennzahlen für Leistung und Fortschritt – ohne Messung keine Verbesserung. Essential für Prozessoptimierung.

• Build-Zeit: Wie lange dauert Publishing?
• Fehlerrate: Anzahl Broken Links, Validation Errors
• Reuse-Rate: Wie oft werden Topics wiederverwendet?
• Time-to-Deploy: Von Commit bis Live

Management-Prinzip: "What gets measured gets improved"

Vorteil: Datengetriebene Entscheidungen, sichtbarer Fortschritt

Technical Debt

Klartext: Technische Schulden

Kosten von Schnelllösungen und veralteten Systemen – heute Zeit sparen = morgen doppelte Arbeit. Muss aktiv gemanagt werden.

• Legacy-Formate: FrameMaker 7.x ohne Struktur
• Organisch gewachsen: Inkonsistente Templates
• Fehlende Automatisierung: Manuelle, fehleranfällige Prozesse
• Dokumentations-Debt: Undokumentierte Workarounds

Strategie: Debt regelmässig abbauen, nicht akkumulieren lassen

Vorteil: Bewusstsein für langfristige Kosten, bessere Priorisierung

SSOT

Klartext: Single Source of Truth

Prinzip: Eine zentrale, verlässliche Datenquelle – keine Duplikate, keine Inkonsistenzen. Ideal für Content Reuse.

• DITA-Topics: Einmal schreiben, mehrfach publishen
• Produktdaten: PIM als SSOT für technische Specs
• Terminologie: Termbank statt lokale Listen
• Version Control: Git als SSOT für Code/Content

Problem ohne SSOT: Datensilos, veraltete Kopien, Inkonsistenzen

Vorteil: Eine Wahrheit, keine Konflikte, einfachere Wartung

Pipeline

Klartext: Automatisierte Prozess-Kette

Verkettung von automatisierten Arbeitsschritten – z.B. Code-Commit → Build → Test → Deploy.

• CI/CD Pipeline: Automatisches Publishing
• Doku-Pipeline: DITA → Validate → Transform → Publish
• RAG-Pipeline: Ingest → Chunk → Embed → Index
• Tools: Jenkins, GitLab CI, GitHub Actions

Beispiel: Git Push → Auto-Build PDF → Deploy zu Server

Vorteil: Zero-Touch Publishing, Fehler früh erkennen

Python

Klartext: Programmiersprache für Automatisierung

Die Sprache für LLM-Integration und Dokumentations-Automatisierung – einfache Syntax, mächtige Libraries.

• LLM-Integration: LangChain, LlamaIndex
• XML-Verarbeitung: lxml, BeautifulSoup
• Publishing: DITA-OT via Python steuern
• Data Processing: Pandas, NumPy

Use-Case: Python-Script für DITA → RAG-Ingestion

Vorteil: Riesiges Ökosystem für AI/ML

Git

Klartext: Versionskontroll-System

Standard für Docs-as-Code – verwaltet Änderungen, ermöglicht Zusammenarbeit und Nachvollziehbarkeit.

• Branching: Features parallel entwickeln
• Pull Requests: Review-Prozess für Doku
• History: Jede Änderung nachvollziehbar
• Integration: GitHub/GitLab mit CI/CD

Workflow: Markdown/DITA in Git → Auto-Publish via Pipeline

Vorteil: Professionelle Versionierung wie bei Code

CI/CD

Klartext: Continuous Integration / Continuous Deployment

Automatisches Testen und Veröffentlichen – jede Änderung wird sofort geprüft und deployed.

• CI: Automatisch validieren (XML, Links, Style)
• CD: Automatisch publishen (PDF, HTML, etc.)
• Fehler früh erkennen
• Konsistente Build-Umgebung

Doku-Pipeline: Git Push → Validate DITA → Build PDF → Deploy

Vorteil: Schneller, zuverlässiger, wiederholbar

CCMS

Klartext: Component Content Management System

Spezialisiertes CMS für strukturierte, wiederverwendbare Dokumentation – das Herzstück enterprise DITA-Workflows.

• Content-Reuse Management
• Versionskontrolle auf Component-Ebene
• Workflow & Review-Prozesse
• Multi-Channel Publishing

Systeme: IXIASOFT, SDL, Oxygen Content Fusion

Vorteil: Enterprise-skalierbare Dokumentations-Infrastruktur

TTS

Klartext: Text-to-Speech (Sprachsynthese)

KI wandelt Text in gesprochene Sprache um – wichtig für Barrierefreiheit und Audio-Content.

• Dokumentation vorlesen lassen
• Audio-Versionen von Anleitungen
• Voice Assistants (Alexa Skills Docs)
• Mehrsprachige Sprachausgabe

Tools: ElevenLabs, Google Cloud TTS, Azure Speech

Vorteil: Barrierefreiheit, neue Content-Formate

GPU

Klartext: Graphics Processing Unit (Grafikprozessor)

Hardware für LLM-Training und -Inferenz – deutlich schneller als CPUs für parallele Berechnungen.

• NVIDIA: CUDA-Ökosystem, Standard für AI
• AMD: ROCm-Alternative
• Use-Case: RAG-Pipeline lokal betreiben
• Consumer: RTX 4090, Enterprise: A100, H100

Doku-Relevanz: "Welche GPU für lokale DITA→RAG Pipeline?"

Vorteil: Lokale Verarbeitung = Datenschutz

VRAM

Klartext: Video RAM (GPU-Speicher)

Der limitierende Faktor für lokale LLM-Grösse – je mehr VRAM, desto grössere Modelle können geladen werden.

• 7B Modell: ~6GB VRAM (Consumer-GPU)
• 13B Modell: ~13GB VRAM
• 70B Modell: ~40GB VRAM (Enterprise)
• Lösung: Quantization reduziert VRAM-Bedarf

Beispiel: RTX 4090 = 24GB VRAM

Tipp: Quantization ermöglicht grössere Modelle

Inferenz

Klartext: LLM nutzen (nicht trainieren)

Der Prozess, ein trainiertes LLM zu verwenden – im Gegensatz zum Training (teuer, zeitaufwändig).

• Kosten: $/Token (Input + Output)
• Geschwindigkeit: Tokens/Sekunde
• Lokal vs. Cloud: On-Premise = keine Übertragung
• Relevanz: Jede RAG-Anfrage ist Inferenz

Doku-Use-Case: "Inferenz über eigene Dokumentation"

Vorteil: Lokal = Keine API-Kosten

HuggingFace

Klartext: Open-Source LLM Platform

Die Plattform für Open-Source AI-Modelle, Datasets und Tools – "GitHub für AI".

• Model Hub: Tausende LLMs kostenlos
• Transformers: Python-Library
• Datasets: Training-Daten
• Llama 3, Mistral, Qwen – alle auf HF

Doku-Relevanz: DITA-optimierte Modelle finden

Vorteil: Open-Source, keine Vendor Lock-in

Ollama

Klartext: Tool für lokales LLM-Management

Das einfachste Tool für lokale LLMs – "Docker für AI-Modelle", extrem populär in der AI-Community.

• Ein Command: `ollama run llama3`
• Automatisches Modell-Download & Management
• API-kompatibel mit OpenAI
• GGUF-Format Support

Doku-Use-Case: Llama 3 lokal für Dokumentations-QA

Vorteil: 5 Minuten Setup, keine Cloud

Quantization

Klartext: Modelle verkleinern

Technik, um LLMs deutlich kleiner zu machen – von 32-bit auf 4-bit, ohne viel Qualitätsverlust.

• 32-bit → 8-bit: Halbiert Speicher
• 32-bit → 4-bit: 1/8 Speicher!
• Ermöglicht: 70B Modell auf Consumer-GPU
• Tools: GPTQ, AWQ, GGUF

Beispiel: Llama 3 70B: 140GB → 18GB (4-bit)

Vorteil: Grosse Modelle auf kleiner Hardware

GGUF

Klartext: Quantisiertes Modell-Format

Das Standard-Format für quantisierte LLMs – optimiert für llama.cpp und Ollama.

• Nachfolger von GGML
• Unterstützt verschiedene Quantisierungsstufen
• CPU + GPU Inferenz
• Ollama verwendet GGUF intern

File-Endung: model-Q4_K_M.gguf (4-bit quantized)

Vorteil: Plattformübergreifend, CPU-tauglich

On-Premise

Klartext: Lokal statt Cloud

LLM-Deployment auf eigener Infrastruktur – im Gegensatz zu Cloud/SaaS (OpenAI, Anthropic).

• DSGVO-konform: Daten bleiben intern
• Kosten: Hardware-Invest, keine API-Gebühren
• Kontrolle: Volle Anpassung möglich
• Ideal für Kundendaten-Dokumentation

Use-Case: Vertrauliche Dokumentation = On-Premise RAG

Vorteil: Datenschutz, keine Cloud-Abhängigkeit

Edge AI

Klartext: AI direkt am Endgerät

LLM-Inferenz direkt auf Device (Laptop, Smartphone) – nicht Server oder Cloud.

• Offline-fähig (keine Internet-Verbindung)
• Niedrige Latenz (keine Server-Roundtrip)
• Datenschutz (Daten verlassen Device nicht)
• Beispiel: Llama 3 auf iPhone 15 Pro

Doku-Use-Case: Offline-Suche in PDF-Handbüchern

Vorteil: Funktioniert überall, auch ohne Internet

System Prompt

Klartext: LLM-Rolle definieren

Der Kontext am Anfang jedes LLM-Gesprächs – definiert Rolle, Verhalten und Constraints des LLMs.

• Setzt Erwartungen: "Du bist DITA-Experte..."
• Definiert Output-Format
• Gibt Kontext für gesamte Session
• Wird bei jeder Anfrage berücksichtigt

Beispiel: "Du bist technischer Redakteur. Antworte in DITA XML."

Vorteil: Konsistente LLM-Antworten

User Prompt

Klartext: Die eigentliche Anfrage

Der Input vom Benutzer – die konkrete Aufgabe oder Frage an das LLM.

• Die eigentliche Arbeitsanweisung
• Kann Kontext enthalten
• Kann auf System Prompt aufbauen
• Im Chat: jede neue Nachricht

Beispiel: "Konvertiere folgenden Text in DITA Task Topic: ..."

Tipp: Klare Anweisungen = bessere Ergebnisse

Assistant Prompt

Klartext: LLM-Antwort im Kontext

Die Antwort des LLMs – wird teil des Gesprächs-Kontexts für Follow-up Fragen.

• Wird zum Kontext für nächste Frage
• Ermöglicht Multi-Turn Gespräche
• Bei Few-Shot: Beispiel-Antworten
• Beeinflusst weiteren Verlauf

Few-Shot: User: "..." → Assistant: "..." (Beispiel)

Vorteil: Kontextuelle Gespräche möglich

AI Agent / Agentic AI

Klartext: Autonomes LLM mit Tools

LLM, das selbstständig Tools nutzen kann – nicht nur Text, sondern Aktionen ausführen.

• Tool Use: Code ausführen, APIs aufrufen
• Planung: Multi-Step Tasks aufteilen
• Iteration: Fehler erkennen & korrigieren
• Beispiel: "Validiere DITA & erstelle PDF"

Doku-Use-Case: Agent automatisiert DITA-Publishing-Pipeline

Vorteil: Komplexe Workflows automatisiert

Multi-Agent Systems

Klartext: Mehrere Agenten arbeiten zusammen

Mehrere spezialisierte AI Agents kooperieren – jeder Agent hat eigene Rolle & Expertise.

• Spezialisierung: Writer, Reviewer, Editor
• Workflows: Sequentiell oder parallel
• Qualität: Peer-Review durch Agents
• Framework: AutoGen, CrewAI

Doku-Beispiel: Writer-Agent + Reviewer-Agent + QA-Agent

Vorteil: Höhere Qualität durch Spezialisierung

Cursor

Klartext: AI-first Code Editor

VS Code Fork mit eingebauter AI – für AI-gestütztes Programmieren optimiert.

• AI-Chat im Editor
• Code-Completion (Tab)
• Codebase-weites Understanding
• Claude, GPT-4 Integration

Doku-Use-Case: ExtendScript für FrameMaker mit Cursor entwickeln

Vorteil: Schnellere Entwicklung, weniger Fehler

Antigravity

Klartext: Google's AI Coding Agent

Agentic AI von Google – autonomer Coding-Agent in VS Code, powered by Gemini 2.0.

• Multi-File Editing
• Tool Use (Terminal, Browser, etc.)
• Iterative Problem-Solving
• Integration: VS Code Extension

Doku-Use-Case: Docs-as-Code Workflows mit Antigravity

Vorteil: Komplexe Tasks autonom lösen

Windsurf

Klartext: Codeium's AI IDE

AI-nativer Editor von Codeium – Alternative zu Cursor mit Fokus auf "Flows".

• Cascade: AI übernimmt schrittweise
• Free Tier verfügbar
• Codebase Understanding
• Multi-File Edits

Doku-Use-Case: DITA-Plugin-Entwicklung mit Windsurf

Vorteil: Kostenloser Einstieg möglich

Context Window

Klartext: Token-Gedächtnis des LLMs

Die maximale Anzahl Tokens, die ein LLM gleichzeitig verarbeiten kann – Input + Output zusammen.

• GPT-4: 128k Tokens (~96k Wörter)
• Claude 3: 200k Tokens
• Gemini 1.5 Pro: 2M Tokens (!)
• Limit: Grösser = teuerer

Doku-Relevanz: 128k Context = ganzes Handbuch auf einmal

Vorteil: Grosse Context Windows = weniger Chunking

Temperature

Klartext: Kreativität vs. Determinismus

Parameter (0-1), der Zufälligkeit der LLM-Antwort steuert – niedrig = vorhersagbar, hoch = kreativ.

• 0.0: Deterministisch, immer gleiche Antwort
• 0.7: Standard, ausgewogen
• 1.0+: Sehr kreativ, unvorhersagbar
• Für Doku: Meist 0.0-0.3

Use-Case: Temp=0 für konsistente Dokumentations-Generierung

Tipp: Niedrige Temperature für technische Texte

Top-K

Klartext: Sampling aus Top-K Tokens

Sampling-Strategie: LLM wählt nur aus den K wahrscheinlichsten Tokens – reduziert "Halluzinationen".

• K=1: Greedy (immer wahrscheinlichstes)
• K=50: Standard-Wert
• K=100: Mehr Diversität
• Kombination mit Temperature üblich

Doku-Use-Case: Top-K=50 für konsistente Terminologie

Vorteil: Weniger unwahrscheinliche Outputs

Top-P (Nucleus Sampling)

Klartext: Kumulatives Wahrscheinlichkeits-Sampling

Alternative zu Top-K: LLM wählt aus Tokens, die zusammen P% Wahrscheinlichkeit ergeben – dynamische Grösse.

• P=0.9: Standard (90% kumulative Wahrsch.)
• P=0.95: Etwas mehr Diversität
• P=1.0: Alle Tokens möglich
• Oft besser als Top-K für Qualität

Empfehlung: Top-P=0.9 für die meisten Use-Cases

Vorteil: Flexibler als Top-K