AquiLLM: An Architecture for Supporting Tacit Knowledge Capture in Research Groups

Stellen Sie sich eine Gruppe von Wissenschaftlern vor, die gemeinsam in einem Labor arbeiten, wie eine Band, die in einer Garage jammt. Sie haben ihre Notenblätter (veröffentlichte Arbeiten) und ihre Instrumente (Daten), aber die wahre Magie geschieht in den unaufgezeichneten Momenten: den Insider-Witzen, den „Fass nicht an den Knopf!“-Warnungen und den cleveren Abkürzungen, die sie spontan erfinden. Dies wird als implizites Wissen (tacit knowledge) bezeichnet – das Zeug, das man weiß, weil man es getan hat, und nicht, weil man es gelesen hat. Normalerweise geht dieses geheime Wissen mit dem Bandmitglied nach Hause, wenn es die Gruppe verlässt.

Um dies zu lösen, versuchen Wissenschaftler, Künstliche Intelligenz (KI) einzusetzen, die als Super-Gedächtnis für diese Gruppen fungiert. Stellen Sie sich die KI wie einen sehr schnellen, sehr klugen Bibliothekar vor, der jedes Buch in der Bibliothek sofort lesen kann. Die meisten dieser „Bibliothekare“ gehören jedoch großen Unternehmen. Dies schafft ein Problem: Wenn Sie einen Firmen-Bibliothekar eine Frage stellen, behält er möglicherweise eine Kopie Ihrer Frage, um seinen nächsten Bibliothekar zu trainieren, oder er zeigt Ihnen nicht exakt, wie er die Antwort gefunden hat. Für Wissenschaftler, die ihre Arbeit überprüfbar halten und ihre Daten privat halten müssen, ist das ein No-Go. Sie brauchen einen Bibliothekar, den sie selbst bauen können, den sie in ihrem eigenen Keller aufbewahren können und dem sie voll vertrauen können.

Hier kommt AquiLLM ins Spiel. Es ist ein neues Open-Source-Tool, das speziell für Forschungsgruppen entwickelt wurde, um dieses ungeordnete, ungesagte Wissen einzufangen. Das Paper beschreibt, wie das Team AquiLLM aufgerüstet hat, damit es mehr wie ein hilfreicher, lokaler Forschungsassistent funktioniert, der auf den eigenen Computern der Gruppe lebt. Anstatt Daten in die Cloud zu senden, nutzt es Retrieval-Augmented Generation (RAG). Stellen Sie sich RAG wie ein System vor, bei dem die KI nicht einfach Antworten aus ihrem eigenen Gehirn rät; stattdessen rennt sie zuerst zu einem bestimmten Bücherregal, schnappt sich genau die Seiten, die sie braucht, und liest sie dann laut vor, um Ihre Frage zu beantworten. Dies stellt sicher, dass die KI sich an die Fakten hält, die die Gruppe tatsächlich besitzt, anstatt Dinge zu erfinden.

Die Autoren dieses Papers haben nicht nur eine Basisfassung gebaut; sie haben ihr ein großes Makeover verpasst, basierend auf dem, was echte Wissenschaftler (wie Astrophysiker) tatsächlich benötigen. Sie haben Funktionen hinzugefügt, die es dem System ermöglichen, Bilder und Diagramme zu „sehen“, und gaben ihm ein „Gedächtnis“, das sich daran erinnert, wer Sie sind und worüber Sie zuvor gesprochen haben, ohne verschiedene Projekte zu vermischen. Sie haben auch dafür gesorgt, dass das System modular ist, was bedeutet, dass man Teile wie das Gehirn oder die Augen austauschen kann, ohne den ganzen Roboter neu bauen zu müssen.

Das Paper legt nahe, dass diese Upgrades das System wesentlich besser darin machen, die komplexe, visuelle und kollaborative Natur der realen Wissenschaft zu bewältigen. Die Autoren weisen jedoch vorsichtig darauf hin, dass das System zwar gut darin ist, Fakten in Dokumenten zu finden, es aber immer noch etwas Schwierigkeiten hat, wenn es darum geht, Informationen über viele verschiedene Quellen hinweg zu vergleichen oder wenn das „Gedächtnis“ zu voll wird. Sie haben noch nicht bewiesen, dass es perfekt ist; sie haben lediglich gezeigt, dass es ein vielversprechender Schritt hin zu einer KI ist, die die Privatsphäre respektiert und den Teams hilft, ihr kollektives Wissen sicher aufzubewahren.

Das große Upgrade: Vom klobigen Roboter zum smarten Laborpartner

Was genau hat das Team also mit AquiLLM gemacht? Betrachten Sie das ursprüngliche System als einen hilfreichen, aber etwas tollpatschigen Roboter. Er konnte zwar sprechen, war aber langsam, konnte keine Bilder sehen und vergaß manchmal, was Sie ihm vor fünf Minuten erzählt hatten. Die neue Version ist wie eine Gehirntransplantation, neue Augen und ein persönliches Notizbuch für diesen Roboter.

1. Das „Lokale Gehirn“ und die „Lokale Bibliothek“
Die größte Änderung ist, dass alles direkt auf den Computern der Gruppe abläuft. Das Team hat die Notwendigkeit teurer, externer kommerzieller Dienste durch Open-Weight-Modelle ersetzt. Stellen Sie sich vor, anstatt einen berühmten, teuren Berater zu rufen, um ein Problem zu lösen, haben Sie einen brillanten lokalen Tutor, der bei Ihnen zu Hause wohnt. Dieser Tutor (das KI-Modell) ist kostenlos nutzbar, und Sie besitzen alle Notizen, die er macht. Das Team hat sich speziell für Modelle wie Qwen3.6-27B für Chats und Qwen3-VL für das Sehen von Bildern entschieden. Sie haben auch externe Suchwerkzeuge durch lokale ersetzt, was bedeutet, dass der Teil der KI, der als „Suchmaschine“ fungiert, ebenfalls im Keller der Gruppe lebt und nicht in einer Unternehmens-Cloud. Dies hält sensible Daten, wie unveröffentlichte Forschung oder private Notizen, vollständig vom Internet fern.

2. Der KI „Augen“ geben (Multimodale Fähigkeiten)
Wissenschaft besteht nicht nur aus Worten; es geht auch um Graphen, Fotos von Sternen und Diagramme. Das alte System hatte damit Schwierigkeiten. Das neue AquiLLM kann nun „sehen“. Es verwendet ein multimodales Modell, das in der Lage ist, ein Bild eines Graphen anzusehen, zu verstehen, was die Linien bedeuten, und darüber zu sprechen, genau wie ein Mensch es tun würde. Es ist, als würde man ein Modell von einem Roboter aufrüsten, der nur eine Speisekarte lesen kann, zu einem, der das Essen auf dem Teller betrachten und Ihnen sagen kann, wie es schmeckt. Dies ist enorm wichtig für Forscher, die über Abbildungen aus ihren Papern diskutieren müssen, ohne jeden einzelnen Pixel in Text beschreiben zu müssen.

3. Das „Persönliche Gedächtnis“ vs. das „Gemeinsame Notizbuch“
Eine der coolsten neuen Funktionen ist eine Gedächtnisschicht (Memory Layer). Stellen Sie sich vor, Sie führen ein Gespräch mit einem Freund. Sie wollen nicht jedes Mal Ihre gesamte Lebensgeschichte neu erzählen, wenn Sie „Hallo“ sagen. Das neue System hat zwei Arten von Gedächtnis:

• Stabile Fakten: Dies ist wie ein permanenter Ausweis. Es erinnert sich an Ihren Namen, Ihr bevorzugtes Forschungsthema und Ihren Tonfall.
• Episodisches Gedächtnis: Dies ist wie ein Tagebuch Ihrer jüngsten Chats. Wenn Sie gestern nach einem spezifischen Sternhaufen gefragt haben, erinnert sich die KI heute an diesen Kontext.
  Entscheidend ist, dass dieses Gedächtnis privat für den Nutzer und das Projekt ist. Es wird nicht mit den Daten aller anderen vermischt. Das Paper merkt an, dass dieses Gedächtnis optional ist und aktiviert werden muss, da das Speichern zu vieler Informationen unübersichtlich werden kann. Wenn das Gedächtnis versagt, greift das System einfach auf die Dokumente zurück, sodass das Gespräch nicht unterbrochen wird.

4. „Fähigkeiten“ und „Skill Packs“
Dies ist eine clevere Art, der KI beizubringen, wie ein spezifisches Team arbeitet. Stellen Sie sich vor, ein neuer Praktikant tritt in ein Labor ein. Er muss die spezifischen Regeln kennen: „Plotte Daten immer in Blau“ oder „Prüfe diese Checkliste, bevor du das Experiment ausführst“. Im neuen System werden diese Regeln in Skills gebündelt. Wenn ein Forscher einen Chat über ein bestimmtes Projekt startet, lädt die KI automatisch das passende „Skill Pack“ für dieses Projekt. Es ist, als würde die KI je nach Team, mit dem sie spricht, einen anderen Hut aufsetzen. Ein Spektroskopie-Team erhält einen anderen Satz von Anweisungen als ein Photometrie-Team, und das, ohne dass die KI durcheinanderkommt.

5. Der „Smarte Bibliothekar“ (Context Packing)
Eine KI hat ein Limit für die Menge an Informationen, die sie gleichzeitig lesen kann (ihr „Kontextfenster“). Wenn Sie ihr eine ganze Bibliothek geben, könnte sie überfordert sein. Das Team hat ein Salienz-bewusstes Context-Packing-System hinzugefügt. Betrachten Sie dies als einen super-effizienten Bibliothekar, der genau weiß, welche Seiten eines Buches für die Frage, die Sie gerade stellen, am wichtigsten sind. Anstatt einfach das Ende des Buches willkürlich abzuschneiden, rankt das System die Informationen: „Dieser Satz ist entscheidend“, „Dieses Bild ist relevant“, „Diese alte Chat-Nachricht kann zusammengefasst werden“. Es verwendet ein Tool namens LLMLingua-2, um den Text zu schrumpfen, ohne die Bedeutung zu verlieren, wodurch die KI mehr wichtige Informationen in ihr Gehirn aufnehmen kann, ohne abzustürzen.

Der Realitätscheck: Was ist noch schwierig?

Die Autoren sind sehr ehrlich darüber, was dieses System noch nicht kann. Sie behaupten nicht, dass es ein Zauberstab ist.

• Es ist ein Hybrid: Das System ist immer noch eine Mischung aus altem und neuem Code. Einige Teile funktionieren perfekt auf lokalen Computern, während andere noch für die Cloud ausgelegt sind. Dies kann zu seltsamen Fehlern führen, wie etwa, dass sich das System je nach „Modus“ unterschiedlich verhält.
• Gedächtnis-Verzögerung (Memory Lag): Da die Gedächtnis-Updates im Hintergrund ablaufen (um den Chat schnell zu halten), gibt es eine winzige Verzögerung. Wenn Sie eine Frage stellen, unmittelbar nachdem Sie der KI etwas Neues gesagt haben, hat sie es möglicherweise noch nicht „gehört“.
• Der „Tacit“-Test: Das Team hat das System an formalen Dokumenten wie Astronomie-Papern getestet, und es hat gute Arbeit geleistet. Sie geben jedoch zu, dass sie das eher unordentliche Material, wie Slack-Nachrichten, Sitzungsprotokolle oder Code-Kommentare, noch nicht vollständig getestet haben. Sie legen nahe, dass das Erfassen dieser Art von informellem, „implizitem“ Wissen die nächste große Herausforderung ist.
• Geschwindigkeit vs. Intelligenz: Das System ist schnell, aber manchmal muss es sich zwischen Geschwindigkeit und Genauigkeit entscheiden. Wenn der Computer an seinen Speicherplatz (VRAM) stößt, muss es entweder langsamer werden oder Informationen weglassen.

Das Fazament

AquiLLM ist ein bedeutender Schritt nach vorn für die wissenschaftliche Forschung. Es bewegt sich weg von der Vorstellung, dass KI eine Black Box sein muss, die einem Unternehmen gehört, und bringt sie zurück in die Hände der Forscher. Indem es das System lokal, multimodal und gedächtnisbewusst gestaltet, respektiert es die Privatsphäre und den Arbeitsablauf der Wissenschaft. Das Paper legt nahe, dass es zwar nicht perfekt ist, aber ein mächtiges Werkzeug ist, um das kollektive Gehirn einer Forschungsgruppe intakt zu halten, auch wenn Mitglieder kommen und gehen. Es ist kein gelöstes Problem, aber ein sehr vielversprechender Prototyp für die Zukunft der kollaborativen Wissenschaft.