Wer heute an Multi-Agenten-Systemen und autonomen KIs arbeitet, landet früher oder später in derselben Sackgasse: Entweder man jagt jede noch so banale Nutzeranfrage durch ein Large Language Model (LLM) – was spürbare Latenzen erzeugt, wertvollen VRAM blockiert und unweigerlich zu Halluzinationen führt –, oder man baut statische Regex- und if/else-Wände davor, die beim ersten unerwarteten Satzzeichen in sich zusammenfallen.
Bei der Entwicklung von L.U.N.A. Prime sind wir bei der Verwaltung großer Dokumentenkorpora genau an dieser Bruchlinie gelandet – und haben eine mathematische Lösung gefunden, die zeigt, wie echte Autonomie jenseits von Prompt-Wrappern funktioniert.
1. Die Falle statischer Stopwort-Listen
Der klassische Reflex vieler Entwickler beim Vorfiltern von Texten ist die berüchtigte Stopwort-Liste: Man schreibt eine Liste von Wörtern wie ["der", "die", "das", "und", "haben", "gelesen", "buch"] fest in den Code, um irrelevante Wörter herauszufiltern, bevor eine Suche startet.
Das klingt pragmatisch, ist in Wahrheit jedoch digitaler Dogmatismus. Sprache ist dynamisch und kontextabhängig.
Der Praxisschock
Bei uns führte genau das zu einem Parsing-Fehler. Auf die Frage:
„Wie viele Bücher hast du schon gelesen und im System?“
sollte L.U.N.A. eigentlich den Bibliotheksbestand der SQLite-Datenbank abfragen. Stattdessen sprang die Volltextsuche an. Warum? Das Wort „gelesen“ stand nicht auf der Liste der gefilterten Füllwörter. Der Algorithmus hielt „gelesen“ für einen hochspezifischen Suchbegriff, durchsuchte die Datenbank danach und spuckte als Antwort prompt einen Textauszug aus einem einzelnen Kapitel aus – wo das Wort zufällig im Fließtext vorkam.
Man gerät in eine endlose Wartungs-Spirale: Schreibt man „gelesen“ auf die Stopwort-Liste, funktioniert die Frage zwar, aber wenn ein Nutzer später nach einer Buchkritik zum Thema „gelesene Werke“ sucht, filtert das System den Begriff weg. Statische Listen heilen keine Symptome, sie verschieben sie nur.
2. Informationstheorie statt Wahrscheinlichkeits-Würfeln
Um L.U.N.A. unabhängig von solchen starren Krücken zu machen, haben wir die Stopwort-Listen komplett aus dem Code verbannt und durch dynamische Informationstheorie (Shannon-Entropie & TF-IDF / BM25) ersetzt.
Das Prinzip ist simpel, aber radikal: Wörter haben keinen absoluten Wert, sondern nur eine relative Informationsdichte innerhalb eines Korpus.
- Wörter, die in fast jedem Kapitel oder Textabschnitt auftauchen (hohe Document Frequency, DF), tragen statistisch betrachtet minimale Spezifität – sie sind strukturelles Rauschen.
- Begriffe, die punktuell und selten vorkommen („Der Fremde“, „Lichtsäule“, „Mephisto“), haben einen hohen IDF-Score (Inverse Document Frequency) und tragen die eigentliche semantische Last.
Die autonome Evolution
Bei jedem Ingestion-Prozess – egal ob Roman, Fachbuch oder Quellcode – berechnet L.U.N.A. Prime die Informationsdichte aller Begriffe im mathematischen Gedächtniskern vollautomatisch neu:
Formel zur Informationsgewichtung:
IDF(t) = ln((N + 1) / (DF(t) + 1)) + 1
Sobald ein Wort in mehr als 40 % aller Abschnitte vorkommt, stuft das System es deterministisch als temporäres Rauschen für Freitextsuchen ein. Niemand muss mehr manuelle Regeln schreiben. Das System lernt aus den gelesenen Texten selbst, was wichtig ist.
3. Der Multi-Dokumenten-Härtetest (N > 1)
Ein Korpus mit nur einem Text beweist lediglich die interne Wortdichte. Die wahre Belastungsprobe eines wissensbasierten Kernels entsteht erst im Multi-Dokumenten-Betrieb, wenn heterogene Werke aufeinandertreffen und die IDF-Matrix dokumentenübergreifend neu austariert werden muss.
Transparenz-Hinweis & Methodik: Als initialer Testkorpus diente mein publiziertes Dark-Fantasy-Buch „Als das Licht verschwand“ (18 Kapitel, ~11.500 Wörter), um deterministische Entitäten und Handlungsbögen an einem strukturell bekannten, vollständigen Werk zu validieren. Im nächsten Schritt zog L.U.N.A. eigenständig einen externen Klassiker (Goethes Faust I, ~34.000 Wörter) ein, um das selektive Cross-Document-Routing und die buchübergreifende Entropie live unter Beweis zu stellen.
Das Ergebnis im Produktiv-Dashboard:
```text 21:40:42 > Wie viele Bücher hast du schon gelesen und im System? 21:40:42 📚 L.U.N.A. Prime Archiv- und Bibliotheksbestand (Deterministische SQLite-Abfrage aus Vault/document_corpus.db | 0% Inferenz)
• Registrierte Werke / Dokumente: 2 • Gesamter erfasster Textumfang: 45,616 Wörter
Hinterlegte Dokumente: 1. 📖 Faust - Der Tragoedie erster Teil Goethe.txt [TEXT] • Abschnitte/Kapitel: 1 | Wörter: 34,117 | Erfasst: 07.10.2026 21:40
- 📖 ALS DAS LICHT VERSCHWAND - Korrekturvorlage.txt [TEXT] • Abschnitte/Kapitel: 18 | Wörter: 11,499 | Erfasst: 06.10.2026 22:45
Die Messwerte
- 0 Millisekunden Inferenz-Latenz: Die Abfrage ging weder an ein lokales Sprachmodell noch an eine Cloud-API. Der deterministische Parser erkannte das relationale Informationsmuster und lieferte die SQLite-Aggregationswerte verzögerungsfrei aus.
- 0 % Halluzination: Keine geratene Zahl, kein Erfinden dritter Werke – exakte Fakten auf Byte-Ebene.
- Ressourcenschonung: Der vGPU-Inferenz-Dispatcher blieb vollkommen unberührt. VRAM und Rechenleistung bleiben für genuine generative Aufgaben frei.
Fazit: Echte Autonomie entsteht jenseits des LLMs
Autonomie entsteht nicht dadurch, dass man ein Sprachmodell mit noch mehr Parametern füttert oder ihm gigantische System-Prompts vorsetzt. Echte Autonomie entsteht durch ein deterministisches, neuro-symbolisches Fundament.
Kompakte Modelle genügen völlig, um Ideen zu formulieren. Die Logik, das Gedächtnis und das Verständnis der Korpus-Struktur müssen jedoch im mathematischen Kernel liegen. L.U.N.A. Prime beweist jeden Tag aufs Neue: Wer Sprache mathematisch versteht, muss sie nicht erraten.