Episode Details

Title: #144 - Wie ich 94 Slides gebaut habe ohne zu prompten (Teil 2/2)

Teil 1 vom Montag war Theorie: Was ist ein Loop? Wie unterscheidet sich das von Agents und Workflows? Heute der konkrete Teil. Wir nehmen einen echten Use Case — meinen Workshop-Closeout bei Gärtner von Eden mit 94 Slides — und bauen ihn Schritt für Schritt mit Loops. Ihr seht, wie man konkret prompted, was die Done-Conditions sind, und warum dieselbe Logik bei Sales-Calls, F&E-Reports und Procurement-Audits funktioniert.

📍 Worum es heute geht: Loops am echten Workshop-Closeout — von 20 Workshop-Transkripten zum verifizierten 94-Slide-Deck. Mit konkreten Prompt-Mustern, der "linken Felge" und einer Einladung nach Wien.

🪙 Der Goldwäscher (Content-Extraction Loop). 20 Aufnahmen, Interviews, Toothbrush-Tests, Breakout-Rooms. Wie zieht ihr da raus, was wirklich drin ist? Ihr sagt der KI: "Extrahiere die Use Cases. Jeder Use Case braucht mindestens DREI Belege aus dem Transkript. Wenn nicht — raus. Wenn ja — drinnen." Und dann lasst ihr es laufen. Drei, vier Mal. Mit immer feinerem Sieb. Bis das Gold übrig bleibt. Das ist Loop Nummer eins.

🛠️ Die linke Felge (Personal Verify Loop). Mein Mechaniker weiß, wenn der Malcolm kommt — die linke Felge ist zerkratzt. Jedes Mal. Er muss nicht jeden Aspekt prüfen. Er prüft DAS eine, was bei mir IMMER schiefgeht. Genau das macht ein Verify Loop: er prüft NICHT alles, er prüft eure typischen Fehler. Wenn die KI bei euch immer Use Cases erfindet, die nie im Interview vorkamen — Verify Loop prüft genau das. Drei Mal. Vier Mal. Bis sicher.

📋 Memory Loop als Audit-Log. Ihr braucht keinen perfekten Mega-Prompt. Ihr braucht einen Memory Loop, der mitschreibt was passiert. Eine Zeile pro Schritt. Was wurde gebaut? Was wurde geprüft? Was war rot, was wurde gefixt? Wenn die KI in drei Stunden Arbeit vergisst, was sie gemacht hat — der Memory Loop weiß es noch. Audit-Log mit zwei Funktionen: erstens, lückenlos prüfbar. Zweitens, die KI selbst kann reinschauen und sich erinnern.

🏗️ Die 5 Templates aus der Nacht (im Detail im Listener Artifact unten):

• T1 — Content Extraction Loop: Goldwäscher. Aus messy Sources (Transkripte, Calls, E-Mails) das Gold sieben.
• T2 — Generation with Source-Pinning: Bauteil mit Prüfsiegel. Jede Behauptung muss auf eine Quelle zeigen, sonst FAIL.
• T3 — Adaptation Loop: Heimwerker am Auto. Eine Schraube ändern, nicht den Motor.
• T4 — Mechanical Verify: TÜV-Prüfer. Deterministisches Skript, keine LLM-Bewertung.
• T5 — Self-Catch Loop: Prüfstatiker. Frischer QA-Subagent, ohne Build-Kontext, findet deine eigenen Widersprüche.

⚡ Der 03:42-Moment. Die Build ist durch. Mechanical Verify grün. Espresso #3. Ich starte den QA-Subagent (frischer Kontext, kennt den Build nicht). 4 Minuten später schreibt er mir: "Die Rubric sagt Modul 03 unangetastet. Aber Slide 27 hat eine neue Bildreferenz. Welche Version stimmt?" — und ich dachte: f*ck. Ich hatte beides geschrieben. In meiner EIGENEN Rubric. Eine andere KI hat MICH gefunden.

📌 Drei Take-aways für drei Rollen:

1. CTO/CDO: T4 zuerst. Mechanical Verify ist die einzige Schicht, die nicht lügt. Baut das vor allem anderen.
2. Head of Sales: T1 (Extraction). CRM-Notizen, Calls, E-Mails — Goldwäscher. Was bewegt sich? Wer signalisiert?
3. R&D-Lead: T2 (Source-Pinning). KI in Forschung MUSS Quellen pinnen, sonst halluziniert sie eure Reputation kaputt.

💼 Wo das in eurer Firma als Pattern auftaucht — die 10-Säulen Commercial Maturity bei werc