Weltmodelle und Vorausplanung
Sagen Sie das Ergebnis einer Aktion voraus, bevor Sie sie ausführen, und wählen Sie die Aktion mit dem besten prognostizierten Ergebnis.
Weltmodelle und Vorausplanung ist eine kostenlose AI Agents-Lektion auf CoddyKit. Dies ist Lektion 3 von 4. Du kannst die komplette Lektion unten kostenlos lesen – dann übst du sie direkt im Browser mit einem integrierten Code-Editor und einem KI-Tutor rund um die Uhr. Sie ist Teil des AI Agents-Lernpfads, und dein Fortschritt wird über Web und CoddyKit-App synchronisiert. Der AI Agents-Kurs umfasst insgesamt 4 Lektionen.
Teile dieser Lektion wurden noch nicht übersetzt und werden auf Englisch angezeigt.
Vor dem Handeln vorhersagen
Die besten Agenten probieren nicht einfach Dinge aus – sie sagen zuerst die Ergebnisse voraus, wählen die beste Möglichkeit und handeln dann. Das ist dieselbe Idee wie beim Vorausplanen mehrerer Züge im Schach.
Was ist ein Weltmodell?
Ein Weltmodell sagt voraus: Wie lautet bei einem aktuellen Zustand S und einer Aktion A der nächste Zustand S'?
Bei einem LLM-Agenten kann das LLM selbst als Weltmodell dienen:
prediction_prompt = '''
Current state: {state}
Proposed action: {action}
What is the most likely outcome? Return JSON: {new_state, success_probability}.
'''Warum Vorausschau hilft
Manche Aktionen sind unumkehrbar (E-Mails senden, Daten löschen). Eine vorherige Vorhersage kann kostspielige Fehler vermeiden.
Andere Aktionen haben unklare Ergebnisse. Eine Vorhersage zwingt den Agenten, über die Konsequenzen nachzudenken.
Simple 1-Step Lookahead
candidates = [a1, a2, a3]
predictions = [predict(state, a) for a in candidates]
best = max(zip(predictions, candidates), key=lambda p: p[0].success_probability)[1]
act(best)Mehrschrittige Vorausschau (Baumsuche)
Erweitern Sie die Suche um mehrere Schritte. Sagen Sie für jeden Kandidaten die Ergebnisse voraus und anschließend die Ergebnisse dieser Ergebnisse:
def search(state, depth=2):
if depth == 0:
return value(state)
actions = candidate_actions(state)
best_score = -math.inf
for a in actions:
next_state = predict(state, a)
score = search(next_state, depth - 1)
best_score = max(best_score, score)
return best_scoreTree of Thoughts
Yao et al. 2023 – erweitert CoT zu einem Baum. Der Agent erzeugt mehrere „Gedankenpfade“, bewertet jeden davon und erweitert den vielversprechendsten:
import random
def continue_thought(question):
return question + ' -> idea' + str(random.randint(1, 100))
def score(t):
return len(t)
def expand_top_k(thoughts, scores, k):
ranked = sorted(zip(thoughts, scores), key=lambda x: -x[1])
return [t for t, s in ranked[:k]]
def ToT(question):
thoughts = [continue_thought(question) for _ in range(5)]
for depth in range(2):
scores = [score(t) for t in thoughts]
thoughts = expand_top_k(thoughts, scores, k=3)
return thoughts
result = ToT('How to reduce agent latency?')
print('Top thoughts:', result)
Monte-Carlo-Baumsuche (MCTS)
Für sehr große Suchbäume: Stichprobenpfade, bewerten Sie die Ergebnisse und übertragen Sie die Bewertungen nach oben, um künftige Auswahlen zu beeinflussen. Diese Methode wird intensiv bei spielender KI eingesetzt und findet zunehmend Anwendung in der Agentenforschung.
Kosten der Vorausschau
Jede vorhergesagte Aktion ist ein LLM-Aufruf. Eine Vorausschau mit depth=2 und branch=3 erfordert neun Aufrufe, nur um EINE Aktion zu entscheiden. Verwenden Sie Vorausschau nur für Entscheidungen mit hohen Auswirkungen.
Heuristisches Beschneiden
Überspringen Sie Vorhersagen für offensichtlich schlechte Aktionen. Filtern Sie mögliche Aktionen vorab mit einem kostengünstigen Klassifikator oder einer Regel.
Vorhersagen kalibrieren
LLM-Vorhersagen sind unvollkommen. Kalibrieren Sie sie, indem Sie gelegentlich vorhergesagte und tatsächliche Ergebnisse vergleichen:
for trace in recent_traces:
predicted = trace.predicted_outcome
actual = trace.actual_outcome
log.info('prediction-accuracy', match=(predicted == actual))Wann Sie KEINE Vorausschau verwenden sollten
- Kostengünstige, umkehrbare Aktionen – führen Sie sie einfach aus
- Latenzkritische Abläufe
- Aufgaben, bei denen die Ergebnisse offensichtlich sind
Wann Sie Vorausschau verwenden sollten
- Unumkehrbare Aktionen (Finanzen, Kommunikation)
- Mehrschrittige Pläne, bei denen sich Fehler vervielfachen
- Bereiche mit hohen Risiken (Medizin, Recht)
- Konfrontative Aufgaben (Spiele, Debatten)
Interne Vorausschau im o1-Stil
Reasoning-Modelle wie OpenAI o1 / o3 führen während der „Denkphase“ automatisch eine interne Vorausschau durch. Sie untersuchen viele mögliche Fortsetzungen, bevor sie sich festlegen. Sie müssen dies nicht extern implementieren.
Kompromiss bei der Vorausschau
Was ist der wichtigste Kostenfaktor einer mehrschrittigen Vorausschau?
Zusammenfassung
Sagen Sie Ergebnisse voraus, bevor Sie handeln. Eine Vorausschau um einen Schritt ist kostengünstig und nützlich; Baumsuche ist teuer, aber leistungsfähig. Reasoning-Modelle (o1, o3) automatisieren dies. Setzen Sie die Methode sparsam ein.
Lerne AI Agents mit einem KI-Tutor — kostenlos
Schreibe und führe echten Code in deinem Browser aus, bekomme sofortige Hilfe von einem 24/7 KI-Tutor und setze dein Lernen im Web oder in der App fort.
- Kurse
- 60
- Lektionen
- 239
Häufig gestellte Fragen
Ist die Lektion „Weltmodelle und Vorausplanung“ kostenlos?
Ja — der vollständige Text von „Weltmodelle und Vorausplanung“ ist hier im Web kostenlos zu lesen. Um sie interaktiv zu üben (integrierter Code-Editor und 24/7 KI-Tutor) und den Rest des AI Agents-Kurses freizuschalten, upgrade auf CoddyKit PRO. Der AI Agents-Kurs umfasst insgesamt 4 Lektionen.
Was lerne ich in „Weltmodelle und Vorausplanung“?
Sagen Sie das Ergebnis einer Aktion voraus, bevor Sie sie ausführen, und wählen Sie die Aktion mit dem besten prognostizierten Ergebnis. Du übst AI Agents mit praktischem Code, den du direkt im Browser ausführst, und ein 24/7 KI-Tutor beantwortet deine Fragen während du die Lektion bearbeitest.
Brauche ich Erfahrung, um AI Agents zu starten?
Keine Vorkenntnisse erforderlich. AI Agents auf CoddyKit ist für Anfänger bis fortgeschrittene Lernende strukturiert, sodass du hier starten oder von Anfang an beginnen und in deinem eigenen Tempo voranschreiten kannst. Dies ist Lektion 3 von 4.
Wie lange dauert die Lektion „Weltmodelle und Vorausplanung“?
Die meisten CoddyKit-Lektionen dauern etwa 5–10 Minuten. Jede ist kompakt und interaktiv, sodass du stetig Fortschritte machst und genau dort weitermachst, wo du aufgehört hast – im Web und in der App.
Kann ich in dieser AI Agents-Lektion Code schreiben und ausführen?
Ja. Jede AI Agents-Lektion enthält einen integrierten Code-Editor, sodass du echten Code direkt in deinem Browser schreibst und ausführst und sofort KI-Feedback erhältst — ohne lokale Einrichtung erforderlich.
Alle Lektionen in diesem Kurs
- Hierarchische Aufgabenzerlegung
- Zielstapel und Backtracking
- Weltmodelle und Vorausplanung
- Reflexions- und Selbstkritikschleifen