🤖 Erklären mit KI

Die KI-Fabrik verstehen: Multi-Modell-Orchestrierung erklärt¶

Übersicht¶

Die 4Geeks AI Factory ist die proprietäre Infrastruktur, die AI Studio antreibt. Im Gegensatz zu Tools, die auf einem einzigen LLM basieren, leitet die AI Factory Aufgaben dynamisch an das am besten geeignete Modell für jeden spezifischen Job weiter – und sorgt so für optimale Qualität, Geschwindigkeit und Kosteneffizienz.

In diesem Tutorial lernen Sie:

• Wie die AI Factory Aufgaben auswählt und an verschiedene LLMs weiterleitet
• Welche Modelle werden für welche Arbeiten verwendet?
• Wie die Orchestrierung mehrerer Modelle die Codequalität verbessert
• Wie Sie die Modellauswahl in Ihren Aufgabenberichten interpretieren

Die Modelle in der KI-Fabrik¶

Die AI Factory integriert vier führende LLMs mit jeweils unterschiedlichen Stärken:

So funktioniert die Aufgabenweiterleitung¶

Wenn Sie eine KI-Aufgabe einreichen, folgt die KI-Fabrik diesem Entscheidungsprozess:

Task Submitted
    │
    ▼
Task Classification
    │
    ├── Architecture/Design ──────► Claude 4.5 + Gemini 3 Pro (review)
    ├── Logic/Algorithm ──────────► GPT-5
    ├── Refactoring/Cleanup ──────► DeepSeek
    ├── UI Component ─────────────► GPT-5 + Claude 4.5 (review)
    ├── API Endpoint ─────────────► GPT-5
    ├── Tests ────────────────────► GPT-5
    └── Documentation ────────────► Claude 4.5
    │
    ▼
Context Injection (Smart Context)
    │
    ▼
Code Generation
    │
    ▼
Quality Gate (QA + Security)
    │
    ▼
Human Review (Senior Architect)
    │
    ▼
Pull Request

Beispiel: Aufbau eines Benutzerauthentifizierungssystems¶

So würde die AI Factory eine Aufgabe wie „Benutzerauthentifizierung mit JWT-Tokens erstellen“ handhaben:

1. Architekturphase (Claude 4.5): Entwirft den Authentifizierungsfluss, die Token-Struktur und die Sicherheitsschichten
2. Implementierungsphase (GPT-5): Schreibt den tatsächlichen Endpunktcode, die Middleware und die Logik zur Token-Generierung
3. Überprüfungsphase (Gemini 3 Pro): Validiert die Architektur anhand von Best Practices und Sicherheitsstandards
4. Refactoring-Phase (DeepSeek): Optimiert die Codestruktur, entfernt Redundanz und wendet Namenskonventionen an
5. Quality Gate: Automatisierter Schwachstellenscan + Generierung von Komponententests
6. Menschliche Überprüfung: Ihr leitender Architekt überprüft und genehmigt

Vorteile der Multi-Modell-Orchestrierung¶

1. Das beste Werkzeug für jeden Job¶

Kein einzelnes Modell übertrifft alles. Durch die Weiterleitung von Aufgaben an das Modell, das für die jeweilige Aufgabe am besten geeignet ist, stellt die AI Factory Folgendes sicher:

• Bessere Architekturentscheidungen anhand von Modellen, die auf Systemdesign trainiert wurden
• Genauerer Code aus für Logik optimierten Modellen
• Reduzierte Kosten durch den Einsatz effizienter Modelle für einfachere Aufgaben

2. Integrierte Qualität durch Kreuzvalidierung¶

Wenn mehrere Modelle die Arbeit des anderen überprüfen (z. B. Claude-Designs, GPT-Implementierungen, Gemini-Reviews), werden Fehler früher erkannt und die Codequalität ist deutlich höher.

3. Kostenoptimierung¶

Nicht für jede Aufgabe ist das teuerste Modell erforderlich. DeepSeek übernimmt Refactoring und Bereinigung zu einem Bruchteil der Kosten, während Premium-Modelle für komplexe Überlegungen und Architekturen reserviert sind.

4. Belastbarkeit und Redundanz¶

Wenn es bei einem Modell zu Ausfallzeiten oder Leistungseinbußen kommt, kann die AI Factory Aufgaben nahtlos an alternative Modelle weiterleiten und so sicherstellen, dass Ihre Entwicklung nie zum Stillstand kommt.

Anzeigen der Modellnutzung in Ihrem Dashboard¶

Im Dashboard Real-Time Token Audit können Sie Folgendes sehen:

• Modellaufschlüsselung: Welche Modelle wurden für jede Aufgabe verwendet
• Token-Verbrauch pro Modell: Wie viele Token jedes Modell verbraucht hat
• Kostenzuordnung: Wie viel jedes Modell zu Ihren Gesamtausgaben beigetragen hat
• Leistungsmetriken: Pro Modell für verschiedene Aufgabentypen benötigte Zeit

Lesen des Token-Audit-Berichts¶

Task: "Create user authentication endpoint"
├── Claude 4.5:    2,400 tokens  (Architecture design)
├── GPT-5:         8,200 tokens  (Code implementation)
├── Gemini 3 Pro:  1,800 tokens  (Architecture review)
├── DeepSeek:        900 tokens  (Code refactoring)
└── Total:        13,300 tokens

Modelleinstellungen konfigurieren¶

Während die AI Factory für jede Aufgabe automatisch das beste Modell auswählt, können Sie das Routing beeinflussen:

1. Gehen Sie zu den KI-Werkseinstellungen Ihres Projekts.
2. Unter Modelleinstellungen können Sie:
3. Qualität priorisieren: Bevorzugen Sie Claude 4.5 und GPT-5 für alle Aufgaben (höhere Kosten, höhere Qualität)
4. Kosten optimieren: Nutzen Sie DeepSeek intensiver für Routineaufgaben
5. Benutzerdefiniertes Routing: Legen Sie bestimmte Modelle für bestimmte Aufgabentypen fest
6. Klicken Sie auf „Speichern“

Hinweis: Ihr leitender Architekt kann Präferenzen außer Kraft setzen, wenn er feststellt, dass ein anderes Modell bessere Ergebnisse für eine bestimmte Aufgabe liefern würde.

Best Practices¶

Wann man jeden Modelltyp verwenden sollte¶

Überwachung der Modellleistung¶

• Sehen Sie sich die Modellaufschlüsselung in Ihrem wöchentlichen Token-Bericht an
• Vergleichen Sie die Zeit bis zur Fertigstellung verschiedener Modelle für ähnliche Aufgaben
• Verfolgen Sie die Überarbeitungsrate (Aufgaben, die nach der ersten Einreichung überarbeitet werden mussten)
• Passen Sie Modellpräferenzen basierend auf den spezifischen Anforderungen Ihres Projekts an

Was kommt als nächstes?¶

• Erfahren Sie, wie Sie [Smart Context Injection] (/en/tutorials/smart-context-injection/) für eine bessere Modellleistung einrichten
• Entdecken Sie [Automatisierte Qualitätssicherung und Sicherheitsleitplanken] (/en/tutorials/automated-qa-security/), um Qualitätstore zu verstehen
• Lesen Sie mehr über Token-Nutzung überwachen, um Ihre Ausgaben zu optimieren

Brauchen Sie Hilfe?¶

• Dokumentation: docs.4geeks.io
• Discord: Discord
• Support: Verfügbar über das Konsolen-Dashboard

Noch Fragen? Get support or explore tutorials