Augment Engineering: A Methodology for Multi-Tool AI Orchestration Across Professional Domains
Dieser Beitrag stellt „Augment Engineering" als Methodik zur Orchestrierung mehrerer spezialisierter KI-Tools über diverse professionelle Domänen hinweg vor, indem die portablen Metakompetenzen des Prompt- und Context-Engineerings genutzt werden, unterstützt durch einen Sechs-Phasen-Rahmen und vorläufige empirische Befunde aus einer Fallstudie mit einem einzelnen Praktiker, die eine Steigerung der Effizienz und Qualität nachweisen.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Die große Idee: Der „Super-Produzent"
Stellen Sie sich ein Filmstudio vor. Normalerweise benötigen Sie für die Herstellung eines Films einen Regisseur, einen Kameramann, einen Toningenieur, einen Drehbuchautor und einen Schnittmeister. Für jede Aufgabe stellen Sie einen anderen Experten ein.
Dieses Papier stellt eine mutige Frage: Was wäre, wenn eine Person all diese Jobs erledigen könnte?
Der Autor, Elias Calboreanu, argumentiert, dass man kein Meister jedes einzelnen Handwerks sein muss. Stattdessen muss man ein Meister darin sein, wie man mit den Werkzeugen spricht, die die Arbeit verrichten. Er nennt diese neue Disziplin „Augment Engineering".
Stellen Sie es sich so vor:
- Prompt Engineering ist das Erlernen, wie man einem einzelnen Koch bittet, ein perfektes Steak zuzubereiten.
- Context Engineering ist das Erlernen, wie man die Küche so organisiert, dass dieser Koch jedes Mal, ohne dass Sie zuschauen, perfekt das Steak zubereiten kann.
- Augment Engineering ist das Sein des Dirigenten eines Orchesters. Sie spielen nicht selbst die Geige oder das Schlagzeug. Stattdessen wissen Sie, wie Sie den Geiger, den Schlagzeuger und den Sänger anleiten, damit sie zusammenarbeiten und eine Symphonie erschaffen. Sie nutzen dieselben „Dirigenten-Fähigkeiten" (wie man Anweisungen gibt und die Bühne vorbereitet), unabhängig davon, welches Instrument sie spielen.
Die Kernaussage: Fähigkeiten sind portabel
Das Papier behauptet, dass die Fähigkeiten, die benötigt werden, um gute Ergebnisse von KI-Tools zu erzielen, portabel sind.
Wenn Sie lernen, wie man eine Anfrage an eine KI strukturiert, die Code schreibt, können Sie dasselbe exakte mentale Rahmenwerk verwenden, um eine KI dazu zu bringen, ein Video zu gestalten, einen Vertrag zu verfassen oder eine Website zu bauen. Sie müssen kein Video-Experte sein, um ein Video zu erstellen; Sie müssen nur wissen, wie man der „Video-KI" die richtigen Anweisungen und den richtigen Kontext gibt.
Das „Sechs-Schritte-Rezept" (Die Methodik)
Das Papier beschreibt einen Sechs-Schritte-Prozess, damit eine einzelne Person zu diesem „Super-Produzenten" wird. Betrachten Sie es als Rezept für den Aufbau einer persönlichen KI-Fabrik:
- Bestandsaufnahme: Listen Sie alle verschiedenen Arten von Arbeit auf, die Sie erledigen müssen (z. B. Programmieren, Schreiben, Video).
- Werkzeuge auswählen: Finden Sie das beste KI-Tool für jede spezifische Aufgabe.
- Transfer testen: Versuchen Sie, Ihre „Anweisungs-Fähigkeiten" auf das neue Tool anzuwenden. Funktioniert es? Müssen Sie anpassen, wie Sie mit ihm sprechen?
- Fließband designen: Überlegen Sie, wie Sie die Arbeit von einem Tool zum nächsten weitergeben. (z. B. Die „Schreib-KI" schreibt ein Drehbuch, das dann an die „Video-KI" weitergegeben wird, um einen Clip zu erstellen).
- Fabrik betreiben: Beginnen Sie mit der Arbeit und messen Sie, wie schnell Sie darin besser werden, neue Tools zu nutzen.
- Motor justieren: Prüfen Sie, was schiefgelaufen ist, tauschen Sie schlechte Tools aus und machen Sie den Prozess reibungsloser.
Das „Tachometer" (Metriken)
Wie wissen Sie, ob dies funktioniert? Das Papier stellt vier Möglichkeiten vor, den Erfolg zu messen:
- Transfer-Geschwindigkeit: Wie schnell können Sie ein neues Tool erlernen? (Das Papier schlägt vor, dass sobald Sie die ersten paar beherrschen, das Erlernen des nächsten immer schneller geht, wie eine Schneekugel, die einen Hang hinunterrollt).
- Qualität: Sieht das Endprodukt tatsächlich professionell aus? (z. B. Wurde das Video von einem Kunden angenommen? Hat der Code alle Tests bestanden?)
- Overhead: Wie viel Zeit verbringen Sie damit, die Tools zu verwalten im Vergleich zur Arbeit selbst? Sie möchten mehr Zeit damit verbringen, Dinge zu erstellen und weniger Zeit damit, kaputte Verbindungen zwischen Tools zu reparieren.
- Abdeckung: Wie viele verschiedene „Jobs" können Sie erledigen? (Das Ziel ist es, viele Bereiche abzudecken, wie Video, Code und Schreiben, alle gleichzeitig).
Der Realitäts-Test (Die Fallstudie)
Um zu beweisen, dass dies funktioniert, führte der Autor ein 5-monatiges Experiment an sich selbst durch.
- Das Setup: Er hatte einen „Stack" aus 10 Tools (5 KI-Tools und 5 Hilfs-Tools wie Projektmanagement-Software).
- Die Herausforderung: Er griff 7 verschiedene professionelle Bereiche an.
- Er war Experte in: Software-Programmierung und Vertragsverfassung.
- Er hatte KEINE vorherige Erfahrung in: Videoproduktion, Präsentationsdesign, Lehrplanentwicklung, akademischem Publizieren und Web-Bereitstellung.
- Das Ergebnis: Er produzierte professionelle Arbeit in allen 7 Bereichen.
- Er erstellte Schulungsvideos und Präsentationen, ohne jemals einen Kurs darüber besucht zu haben.
- Er veröffentlichte wissenschaftliche Arbeiten und baute Websites.
- Er tat dies, indem er dieselben „Anweisungs-Fähigkeiten" anwandte, die er für das Programmieren verwendet hatte, auf diese neuen Bereiche.
Die „Geschwindigkeitsfalle" (Was die Daten zeigen)
Das Papier enthält einige Mathematik, um dies zu untermauern:
- Der „Erster Durchgang"-Test: Sie untersuchten 200 Interaktionen mit KI. Sie stellten fest, dass, je strukturierter und ausgefeilter die Anweisungen (Prompts) wurden, die KI es viel häufiger beim ersten Versuch richtig verstand. Es ging von einer Trefferquote von 15 % bei einfachen Anweisungen auf 44 % bei komplexen, strukturierten Anweisungen.
- Die „Lernkurve": Als er mehr Tools zu seinem Portfolio hinzufügte, sank die Zeit, die benötigt wurde, um ein neues Tool zu beherrschen, erheblich. Dies folgte einem mathematischen Muster (Wright'sches Gesetz), was darauf hindeutet, dass je mehr Tools Sie beherrschen, desto einfacher das nächste wird.
Die Grenzen (Was es nicht kann)
Das Papier ist ehrlich darüber, wo dies zusammenbricht:
- Physische Arbeit: Sie können KI nicht verwenden, um eine physische Maschine zu montieren oder ein undichtes Rohr zu reparieren.
- Menschliche Entscheidungen: Sie können KI nicht verwenden, um einen Vertrag zu verhandeln oder die Emotionen eines Teams zu managen. Sie benötigen immer noch menschliches Urteilsvermögen für die endgültigen „Go/No-Go"-Entscheidungen.
- Sackgassen: Einige Tools (wie Video-Generatoren) erstellen ein Endprodukt, das nicht einfach in ein anderes Tool eingespeist werden kann. Sie müssen dort die „Fließbandarbeit" stoppen und einige manuelle Arbeiten durchführen.
- Der „Boden": Sie können niemals 100 % der Arbeit automatisieren. Es gibt immer eine kleine Zeitspanne (etwa 5 %), die Sie damit verbringen müssen, die Arbeit zu überprüfen, um sicherzustellen, dass sie sicher und korrekt ist. Dies ist das „menschliche Sicherheitsnetz".
Das Fazit
Dieses Papier schlägt vor, dass die Zukunft der Arbeit nicht darin besteht, für jede Aufgabe ein Team von Spezialisten einzustellen. Stattdessen geht es darum, einen „Augment Engineer" einzustellen (oder auszubilden), der weiß, wie man ein Portfolio von KI-Tools orchestriert.
Durch die Beherrschung der Kunst des Strukturierens von Eingaben und des Managements von Workflows kann eine einzelne Person als komplettes Studio, als komplettes Engineering-Team oder als komplette Marketingabteilung fungieren. Das Papier behauptet, dies sei möglich, weil die Methode, mit KI zu sprechen, dieselbe ist, selbst wenn das Thema (Video vs. Code) völlig unterschiedlich ist.
Hinweis: Der Autor gibt zu, dass dies auf der Erfahrung einer Person basiert. Obwohl die Ergebnisse vielversprechend sind, sagt das Papier, dass wir mehr Menschen benötigen, die dies ausprobieren, um zu beweisen, dass es für alle funktioniert. Es ist ein „Proof of Concept", der sagt: „Hey, das ist möglich; testen wir es im größeren Maßstab."
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.