Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
medium.com14. März 2026 · Q011287

Why Your AI Agent Needs a Database, Not a Folder

medium.com · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Der Autor argumentiert, dass Markdown-Ordner für verknüpftes und sich änderndes Unternehmenswissen zu wenig Struktur und Nachverfolgbarkeit bieten; eine Datenbank könne Beziehungen, Herkunft und Prüfbedarf nach Quellenänderungen erfassen. Eine SQLite-Abfrage zu Coding-Sitzungen dient als Beispiel, doch die weitergehenden Behauptungen zu Driftfreiheit und Skalierbarkeit werden im Beitrag nicht umfassend empirisch belegt.

Mittel

Der Beitrag plädiert dafür, Unternehmenswissen für KI-Agenten nicht nur in Markdown-Dateien und Ordnern abzulegen. Sobald Entscheidungen, Projekte und Forschung miteinander verknüpft werden, sei die Ablage bereits eine Art Schema, das Ordner nur unzureichend ausdrücken. Für Fragen, die Beziehungen und Widersprüche betreffen, böten Datenbanken laut Autor Abfragen, Indizes und typisierte Verknüpfungen; bei Dateien müsse der Agent den Inhalt durchsuchen und selbst einschätzen, was noch gilt.

Ein weiteres Problem seien doppelte Inhalte: Wird Wissen aus einem Quelldokument in eine Agentennotiz kopiert, könne die Notiz veralten. Eine Datenbank solle stattdessen Herkunft und Abhängigkeiten festhalten und zeigen, was nach Änderungen erneut geprüft werden muss. Der vorgeschlagene Aufbau besteht aus Arbeitsanwendungen als Quellen, einer Dateiebene für Anweisungen und einer Datenbank für abgeleitete Fakten und Beziehungen.

Als Beispiel zeigt der Autor eine SQLite-Abfrage über Sitzungsdaten eines Coding-Assistenten. Das illustriert strukturierte Auswertungen, belegt aber nicht umfassend die behauptete Überlegenheit für Unternehmenswissen. Das Zielbild eines Agenten mit laufend aktualisiertem Wissensgraphen bleibt ein Architekturvorschlag; die Aussagen zu Driftfreiheit und Skalierung werden nicht systematisch mit Messdaten gestützt.

Ausführlich lesen

Der Beitrag „Why Your AI Agent Needs a Database, Not a Folder“ argumentiert, dass Unternehmen ihr Wissen für KI-Agenten nicht allein in Markdown-Dateien und Ordnern organisieren sollten. Solche Ablagen wirkten zunächst wie Codebasen: Dateien ließen sich verknüpfen, und Agenten könnten ihnen folgen. Sobald Entscheidungen, Funktionen, Projekte und Forschung miteinander verbunden werden, entstehe jedoch bereits ein Schema – laut Autor eines, das in einer Ordnerstruktur nur unzureichend abgebildet sei.

Als zentrale Schwäche nennt der Beitrag die Suche per Volltext. Eine Frage wie „Welche Entscheidungen widersprechen der aktuellen Roadmap?“ erfordere typisierte Beziehungen und Abfragen über mehrere Datensätze. Datenbanken böten dafür etwa Verknüpfungen, Indizes und Einschränkungen. Bei Markdown müsse ein Agent dagegen viele Dateien durchsuchen und selbst beurteilen, ob Angaben veraltet, aktiv oder widersprüchlich seien. Der Autor behauptet außerdem, dass eine Kopie aus einem Quelldokument in eine Agentennotiz still veralten könne. Eine Datenbank könne stattdessen Fundstellen, Herkunft und Abhängigkeiten speichern und bei Änderungen gezielt eine erneute Prüfung anstoßen.

Der Text unterscheidet drei Ebenen: Arbeitsanwendungen wie Drive, Slack oder CRM bleiben die Quellen, in denen Menschen arbeiten; eine Dateiebene liefert dem Agenten Anweisungen und Abläufe; eine Datenbank hält daraus abgeleitete Fakten, Beziehungen, Herkunftsnachweise und Abhängigkeiten fest. Der Agent soll so erkennen können, ob ein Eintrag eine Entscheidung oder eine vorläufige Meinung ist, ob er überholt wurde und welche Angaben bei einer Quellenänderung neu geprüft werden müssen.

Als praktisches Beispiel beschreibt der Autor den Wechsel von Sitzungsdaten eines KI-Coding-Assistenten aus flachen Dateien zu SQLite. Eine gezeigte SQL-Abfrage filtert Sitzungen nach Titel und Änderungen, verknüpft Nachrichten und sortiert nach Umfang. Der Beitrag präsentiert dazu beispielhafte Ergebnisse und führt an, dass solche Auswertungen mit einer Ordnerablage nicht sauber und zuverlässig in großem Maßstab möglich seien. Das Beispiel veranschaulicht strukturierte Abfragen, belegt aber für sich genommen nicht sämtliche weitergehenden Aussagen über Unternehmenswissen.

Als Zielbild entwirft der Beitrag einen Agenten, der Daten über APIs aus vorhandenen Quellen übernimmt, abgeleitete Informationen samt Beziehungen speichert und bei Änderungen die betroffenen Aussagen erneut bewertet. Auch menschliche Entscheidungen, von Vorschlägen des Agenten abzuweichen, sollen dokumentiert werden. Der Autor vertritt die These, dass ein solcher fortlaufend gepflegter Wissensgraph Agenten vom bloßen Copiloten zu verlässlicheren Mitarbeitern machen könne. Die Darstellung ist dabei ein Plädoyer für eine Architektur, kein systematischer Vergleich mit Messdaten; die behauptete Driftvermeidung und Skalierbarkeit werden im Text nicht umfassend empirisch belegt.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Luna hat zwei Zusammenfassungen (kurz und mittel) geliefert; beide wurden gemeinsam bewertet. Die Einordnungen weichen bei SF-H3, SF-E4, SF-T1, SF-T1-T05 und SF-A1-T04 teils deutlich von Lunas Stufen ab, weil der Bericht die Fragen nur am Rande oder gar nicht berührt.

Im Bericht, aber nicht in der Zusammenfassung

  • Der Bericht sagt, Struktur selbst sei Information für den Agenten, weil das Schema Herkunft, Abhängigkeiten und Status einer Aussage erkennbar macht.
  • Traversieren eines Graphen ist keine Wahrheitspflege: Ein Agent erkennt ohne Schema nicht, welche Aussagen veraltet, ersetzt oder nur Einzelmeinungen sind.
  • Der Zielzustand sieht vor, dass verworfene Vorschläge des Agenten in einer eigenen Tabelle festgehalten werden und der Agent daraus lernt.

Automatische Gegenprüfung mit dem vollständigen Originaltext (Batch, 20.11.2026). Ungeprüft durch Menschen.

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 8 von 8
Angezeigte Modelle
Fähigkeiten messen
Unabhängig prüfen
Tempo und Grenzen
  1. SF-T1 Welche messbaren Schwellen sollen eine Pause auslösen, und wer prüft sie?
    • clef 100 %kein Bezug
    • Luna 65 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung kein Bezug

  2. SF-T3 Woran erkennt man, dass KI beginnt, ihre eigene Weiterentwicklung voranzutreiben, und wer darf das erlauben?
    • clef 35 %gleiches Oberthema, hilft nicht
    • Luna 36 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 47 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 65 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
Vertrauen in Modelle
  1. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 100 %kein Bezug
    • Luna 53 %Hintergrund, keine Belege
    • JEV 25 %einzelne zitierbare Belege
    • amos 44 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 46 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug

Agenten und vernetzte Systeme
  1. SF-A1 Welche Befugnisse darf ein KI-Agent haben, also eine KI, die selbstständig mit Werkzeugen handelt? Wer entzieht sie ihm, und wie prüft man, dass er in seinem Auftrag bleibt?
    • clef 100 %kein Bezug
    • Luna 27 %Hintergrund, keine Belege
    • JEV 41 %gleiches Oberthema, hilft nicht
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug

Modelle teilen und schützen
  1. SF-H3 Wie lässt sich nachverfolgen, woraus ein Modell entstanden ist und was in ihm steckt?
    • clef 100 %kein Bezug
    • Luna 36 %einzelne zitierbare Belege
    • JEV 38 %beantwortet teilweise oder widerspricht
    • amos 38 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung gleiches Oberthema, hilft nicht

Frieden und Sicherheit
Beteiligung und Gemeinwohl
  1. SF-E4 Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
    • clef 100 %kein Bezug
    • Luna 70 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung kein Bezug

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →