Mit über 20 Jahren Erfahrung verwandeln wir Ihre digitale Präsenz. Wir sind spezialisiert auf Website- und E-Shop-Entwicklung, SEO und digitales Marketing, ERP-Software und intelligente Automatisierung, die Ihr Unternehmen auf die nächste Stufe heben.
Adresse:
Egnatia 154, Thessaloniki 546 36
Telefon:
+30 231 231 4095
E-Mail:
[email protected]
Sind Sie bereit für den nächsten Schritt?;
Der SchemaRouter veranschaulicht, wie KI-Agenten die richtigen Werkzeuge und Felder auswählen, den Kontext reduzieren und Herkunft, Einheiten sowie Nutzungslizenzen beibehalten.
Zunächst die Antwort: Der SchemaRouter zeigt, dass ein KI-Agent weder das gesamte API-Verzeichnis einsehen noch alle verfügbaren Felder abrufen muss, um korrekt zu antworten. Er benötigt einen kleinen, umsetzbaren Plan, der die richtigen Werkzeuge auswählt, die kritischen Felder beibehält und zusammen mit diesen Einheiten, Herkunft und Lizenz überträgt.
Im Benchmark dieser Arbeit erzielte der Ansatz eine Antwortgenauigkeit von 0,71 mit 227 abgerufenen Kontext-Tokens, gegenüber 2.066 Tokens beim „Fetch-All“-Verfahren mit einer Genauigkeit von 0,70. Das Ergebnis bezieht sich auf 110 Fragen aus dem Bereich der Materialwissenschaften und belegt keine allgemeine Überlegenheit. Es liefert jedoch eine konkrete architektonische Erkenntnis für Agenten, die mit CRM, Analytics, E-Commerce-Katalogen, Datenbanken und externen APIs verbunden sind.
Je mehr Werkzeuge ein KI-Agent erhält, desto schwieriger wird eine scheinbar einfache Entscheidung: Welches Werkzeug soll er aufrufen, mit welchen Parametern und welche Felder genau muss er zurückgeben? Bei einem einfachen Chatbot antwortet das Modell auf der Grundlage des vorgegebenen Kontexts. Bei einem agentenbasierten RAG-System muss es zunächst entscheiden, wo es suchen soll, und diese Entscheidung anschließend in einen gültigen Aufruf umsetzen.
Eine Abfrage kann eine Kombination aus einer internen Datenbank, einem Vektorspeicher, einem Graphenspeicher und einer externen API erfordern. Die Auswahl beschränkt sich nicht nur auf den Namen des Tools: Jeder Endpunkt hat unterschiedliche obligatorische Parameter, Antwortfelder, Einheiten, Quellen und Nutzungsbeschränkungen. Fehlt eines davon, ist der Plan zwar semantisch relevant, aber technisch nicht umsetzbar.
Die Forschungsarbeit SchemaRouter: Feldorientiertes Tool-Routing für effiziente heterogene agentenbasierte RAGs, das am 3. Juli 2026 auf arXiv veröffentlicht wurde, schlägt eine zwischengeschaltete Routing-Schicht vor. Ein kleines LLM extrahiert die Absicht und die Kernkonzepte; anschließend wählen deterministische Regeln auf Basis eines Schema-Graphen Werkzeuge und Felder aus. Diese Unterscheidung ist entscheidend, da die Diagnose eines Fehlers eines KI-Agenten Wir müssen wissen, ob der Fehler auf das Verständnis, den Plan, den Werkzeugaufruf oder den Downstream-Reader zurückzuführen ist.
Die Strategie prompt-all Es fügt alle Beschreibungen von Werkzeugen und Feldern in die Routing-Eingabeaufforderung ein. Dies kann bei einem leistungsstarken Modell effektiv sein, doch das Schema wiederholt sich bei jedem Aufruf und wächst mit dem Bestand mit. In der Studie umfasste das Verzeichnis 19 Werkzeuge und 166 Antwortfelder. Allein das Schema-Segment umfasste 5.042 Zeichen, d. h. etwa 1.260 Tokens unter der vereinfachten Annahme von vier Zeichen pro Token.
Die Autoren schätzen detailliert einen Anstieg von etwa 66 Routing-Prompt-Tokens pro zusätzlichem Tool: etwa 6.600 Tokens bei 100 Tools und 33.000 bei 500. Es handelt sich hierbei um eine Hochrechnung aus dem Bestand von 19 Tools, nicht um eine Messung in Bereitstellungen dieser Größenordnung. Das Prompt-Caching kann die Eingabekosten eines festen Schemas senken, beseitigt jedoch weder die Notwendigkeit, das vollständige Präfix zu berücksichtigen, noch löst es Probleme im Zusammenhang mit Änderungen an Tools, Versionen oder Berechtigungen.
Die Überabruf Das ist ein anderes Problem: Der Agent ruft mehr Tools auf oder gibt mehr Felder zurück, als benötigt werden. Dadurch steigen die Nutzlast, der Kontext und die Wahrscheinlichkeit, dass sensible oder widersprüchliche Daten beim Reader ankommen. Das Unterabfrage lässt einen entscheidenden Bereich außer Acht und kann zu einer zwar überzeugenden, aber unvollständigen Antwort führen. Der Schutz vor Indirekte Prompt-Injektion in externe Quellen Es bleibt eine gesonderte Überprüfung; die geringere Abdeckung schränkt den Umfang ein, belegt jedoch nicht, dass der Inhalt zuverlässig ist.
Prompt-all
Es übermittelt dem Modell bei jedem Routing-Aufruf das gesamte Tool-Schema. Dies bietet umfassende Transparenz, allerdings wächst die Eingabeaufforderung mit zunehmendem Bestand.
Nur Vektoren
Es findet semantisch ähnliche Tools, kann jedoch bei den erforderlichen Parametern, Antwortfeldern und der Ausführbarkeit danebenliegen.
SchemaRouter
Es nutzt ein kleines LLM zum Verstehen und deterministische Feldprojektion für valide, metadatenbewusste Werkzeugpläne.
Der SchemaRouter stellt die Elemente „Tool“, „Endpoint“, „Parameter“, „ResponseField“, „DomainConcept“, „Unit“, „SourceType“, „LicensePolicy“, „FieldGroup“ und „Intent“ als Knoten dar. Die Kanten verbinden Endpunkte mit Parametern und Feldern, Felder mit Einheiten, Quellen und Konzepten sowie natürliche Ausdrücke mit den kanonischen Feldnamen. Das System speichert nicht nur Textbeschreibungen, sondern auch die Beziehungen, die festlegen, welche Anfrage gültig ist und was jede Antwort bedeutet.
Das Konzept ähnelt dem Schema-Linking von Text-to-SQL, lässt sich jedoch auf eine Umgebung mit vielen heterogenen Tools übertragen. Es ordnet Wörter nicht nur Spalten einer Datenbank zu. Es verknüpft Abfragen mit Feldern zahlreicher APIs und bewahrt Metadaten, die der nachgelagerte Leser nicht zuverlässig aus parametrischen Informationen rekonstruieren kann.
Der Produktionsgraph, der als Grundlage für die Studie diente, ist urheberrechtlich geschützt. Der Artikel verweist auf einen „frozen JSON“-Export, ein Evaluierungs-Harness und ein Repository zur Reproduktion der Ergebnisse. Bei der Überprüfung am 14. September 2026 lieferte der angegebene GitHub-Link jedoch einen HTTP-404-Fehler. Daher stützt sich der Artikel bei den Metriken auf die vollständige Veröffentlichung und präsentiert das Repository nicht als öffentlich zugängliches Dokument.
Im ersten Schritt extrahiert ein kleines LLM die Absicht, Domänenkonzepte, Parameterwerte, Quellbeschränkungen und ausdrücklich genannte Werkzeuge. Wenn der Benutzer ein Werkzeug namentlich nennt, hat dieses Vorrang. Andernfalls werden die Kandidaten anhand des Fachgebiets der Absicht und der erforderlichen Feldgruppen eingegrenzt. Eine Quellenbeschränkung kann beispielsweise zwischen experimentellen, berechneten oder aus der Literatur stammenden Daten unterscheiden.
Die Feldauswahl erfolgt anschließend deterministisch. Dazu gehören Identifikatoren, Konzept-Feld-Zuordnungen und die Feldgruppen, die als Recall-Sicherheitsnetz fungieren. Die Alias-Ebene schlägt eine Brücke zwischen der Sprache des Benutzers und den kanonischen Feldnamen: Ein Domänenbegriff kann dem genauen Namen zugeordnet werden, den die API versteht. Schließlich fügt das Schema für jedes relevante Feld die Einheit, den Quelltyp und die Lizenz hinzu.
«Von Haus aus gültig» bedeutet nicht, dass die Unternehmensrichtlinie automatisch umgesetzt wurde. Es bedeutet, dass die Felder aus dem deklarierten Schema stammen und die Parameter aus der Menge, die der Endpunkt akzeptiert. Authentifizierung, Autorisierung, Einwilligung, Ratenbegrenzungen, Datenminimierung und Genehmigungsschritte müssen durch die entsprechenden Policy- und Execution-Ebenen durchgesetzt werden. Die Datenschutz im CRM, ohne das Marketing zu behindern erfordert genau diese Unterscheidung zwischen dem nutzbaren Bereich und dem zulässigen Zugriff.
Die Bewertung umfasst 110 Fragen zur Materialwissenschaft in neun Kategorien: 36 Abfragen zu Eigenschaften mit einem einzigen Werkzeug, 12 chemische Abfragen, 12 herkunftssensitive Abfragen, 10 Mehrfeldabfragen, 10 Literaturrecherchen, 8 quellenübergreifende Vergleiche, 8 einheitssensitive Abfragen, 8 negative Abfragen ohne geeignetes Werkzeug und 6 mehrdeutige Abfragen nach einzelnen Entitäten.
Das „Frozen Inventory“ umfasst 19 heterogene Tools und 166 Antwortfelder: Material-Eigenschaftsdatenbanken, PubChem, bibliografische APIs, eine Quelle für Unternehmensmeldungen sowie Web- oder Q&A-Fallbacks. Die nachgelagerten Daten sind deterministische strukturierte Fixtures. Diese Wahl erleichtert den kontrollierten Vergleich, unterschätzt jedoch das Rauschen, die Unordnung und mögliche Prompt-Injektionen, die in einem realen Korpus vorkommen.
Die Studie beschränkt sich nicht auf die Tool-Präzision oder den F1-Wert. Sie misst die Parametergültigkeit, die Rate der ausführbaren Pläne, die Anzahl der abgerufenen Kontext-Tokens, die End-to-End-Latenz, die endgültige Genauigkeit der Antwort sowie, ob die Antwort Herkunfts- und Lizenzinformationen enthält. Das ist das richtige Maß für einen Produktionsagenten: Der Router ist nicht deshalb gut, weil er einen «eleganten» Plan erzeugt, sondern weil er dazu beiträgt, dass die endgültige Antwort korrekt, schnell und überprüfbar ist.
Der SchemaRouter erzielte eine Antwortgenauigkeit von 0,71 mit einem 95-prozentigen Konfidenzintervall von 0,63–0,79, einen Feld-Recall von 0,86, 227 abgerufene Kontext-Tokens und eine End-to-End-Latenz von 5,5 Sekunden. „Fetch-all“ wies eine Genauigkeit von 0,70 auf, benötigte jedoch 2.066 Token und 4,9 Sekunden. „Prompt-all“ wies eine Genauigkeit von 0,66, 207 abgerufene Kontext-Token und eine Latenz von 15,1 Sekunden auf.
Der Arbeitspunkt des SchemaRouters
Die Werte beziehen sich ausschließlich auf den Benchmark mit 110 Fragen und stellen keine Garantie für jede agentische RAG-Implementierung dar.
Der deutlichste Unterschied liegt in der Effizienz und der Validität des Plans. Der SchemaRouter wies in der Basistabelle der Planungsmetriken eine „Tool-Exact“-Rate von 0,93 und eine Parametergültigkeit von 1,00 auf. Er verwendete etwa neunmal weniger „retrieved-context“-Token als „fetch-all“, ohne dass dabei in diesem Setup ein messbarer Genauigkeitsverlust auftrat. Im Vergleich zu „prompt-all“ war die End-to-End-Laufzeit etwa 2,7-mal kürzer.
Eine der nützlichsten Erkenntnisse ist, dass eine extreme Minimierung der Felder das nachgelagerte Ergebnis beeinträchtigt. Am Minimal-Field-Betriebspunkt sank die Genauigkeit auf 0,56 bei 188 wiedergefundenen Kontext-Tokens. Als absichtsrelevante Feldgruppen als Sicherheitsnetz für den Recall hinzugefügt wurden, stieg die Genauigkeit auf 0,71, während die Anzahl der Tokens nur auf 227 anstieg.
Bei diesem Kurs geht es nicht darum, «mehr Daten zu liefern». Vielmehr geht es darum, dass das richtige Optimierungsziel die Qualität der Antwort mit den tatsächlichen Kontextkosten verbindet. Eine Metrik, die auf der Anzahl der Felder basiert, behandelt alle Felder als gleichwertig, während ein kurzer Bezeichner und ein großes Textfeld einen sehr unterschiedlichen Token-Fußabdruck haben. Der kürzeste Plan mag effizient erscheinen, lässt aber gleichzeitig das Element vermissen, das es dem Leser ermöglicht, die Frage zu beantworten.
Für Produkt- und Datenteams sollten die Dashboards Routing-Kennzahlen mit der Erfolgsquote, der Latenz, der Token-Nutzung, ungültigen Aufrufen und Fehlern aufgrund fehlender Felder verknüpfen. Ebenso sollten die Multimodale KI-Agenten müssen nach der Wahrnehmung verifiziert werden: Mehr Eingaben garantieren keine korrekte Ausführung, aber auch das aggressive Entfernen des Kontexts garantiert nicht, dass die entscheidenden Informationen erhalten bleiben.
Der stärkste Unterschied auf Antwort-Ebene betrifft die Rückverfolgbarkeit. Der SchemaRouter hat in 62 % der nicht-negativen Antworten „Schema-only“-Lizenzangaben einbezogen. Sowohl die Erwähnung der Lizenz als auch die Angabe des Quelltyps lagen bei 94 %. Die Baselines wiesen eine Schema-only-Zitationsrate von nahezu Null auf, da die entsprechenden Lizenzzeichenfolgen in dem vom Leser erhaltenen Text nicht vorhanden waren.
In den Bereichen Marketing, E-Commerce und Content-Management ist dieser Grundsatz weiter gefasst als in der Materialwissenschaft. Wenn ein Agent Produkt-Feeds, DAM-Assets, Kundendaten oder lizenzierte Marktforschungsdaten nutzt, dürfen die Herkunft und die Nutzungsbedingungen nicht nachträglich als Fußnote hinzugefügt werden. Sie müssen zusammen mit dem Datenfeld von der Registry bis zur endgültigen Ausgabe mitgeführt werden. Es handelt sich hierbei um eine architektonische Interpretation und nicht um ein domänenübergreifendes Ergebnis, das durch den Benchmark belegt wurde.
Eine reduzierte API-Antwort kann ebenfalls das Risiko einer übermäßigen Datenpreisgabe verringern, jedoch nur, wenn die Feldauswahl serverseitig erzwungen wird und mit einer Objekt-Eigenschafts-Autorisierung verknüpft ist. Ein Router, der weniger Felder «anfordert», ersetzt die Zugriffskontrollen nicht. Die MCP-Spezifikation weist zudem darauf hin, dass Tool-Annotationen lediglich Hinweise sind und nicht für sich genommen als verlässliche Beschreibung des Verhaltens angesehen werden sollten.
Produktionsgate für feldbewusste Agenten
Das Schema wählt Daten aus; die Richtlinie entscheidet, ob diese zulässig sind
Verknüpfen Sie jeden Endpunkt und jedes Antwortfeld mit Eigentümer, Sensitivitätsstufe, zulässigem Verwendungszweck, Rolle, Quelle, Einheit, Lizenz und Aufbewahrungsfrist. Führen Sie den Plan erst aus, nachdem die Autorisierungs- und Datenminimierungsprüfung bestanden wurde, und protokollieren Sie die Abfrage, die ausgewählte Schemaversion, die zurückgegebenen Felder und die endgültige Antwort.
Die übrigen Fehler lassen sich hauptsächlich in eine falsche Werkzeugauswahl bei mehrdeutigen Entitäten und in Fehler des Readers unterteilen. Bei mehrdeutigen Abfragen mit einer einzigen Entität fällt es dem Concept Matcher schwer, die geeignete Quelle ohne expliziten Namen zu bestimmen. Die Alias-Ebene erfordert menschliche Pflege, wenn eine Domäne wächst; daher macht dieser Ansatz die Schema-Governance nicht überflüssig.
Es gibt wesentliche Einschränkungen hinsichtlich der Validität. Der Benchmark umfasst 110 Abfragen, ist auf die Materialwissenschaften ausgerichtet, wurde von einem Annotator erstellt und verwendet „frozen structured fixtures“ anstelle von echten Dokumenten. Die Bewertung erfolgte in einem Durchlauf mit selbst gehostetem Qwen-3.5 122B, bei einer Temperatur von Null und deaktiviertem Reasoning. Die Modellfamilie selbst erzeugte und bewertete die Antworten, während eine familienübergreifende Spot-Überprüfung nur bei 40 Beispielen durchgeführt wurde.
Die Latenzmessungen stammen von einem gemeinsam genutzten, ausgelasteten Server und dienen lediglich als Anhaltspunkt. Die Ergebnisse erfordern Multi-Seed-, Multi-Model- und domänenübergreifende Replikation. Darüber hinaus unterstützt die Arbeit ein schema-größenunabhängiges Routing-Prompt, doch die Pflege des Graphen, der Aliase, der Feldgruppen und der Richtlinien stellt weiterhin einen echten organisatorischen Aufwand dar.
Ein Commerce-Agent kann mit Katalogen, Lagerbeständen, Preisen, Bestellungen, Bewertungen und Werbeplattformen verbunden sein. Die Frage «Welches Produkt bietet Potenzial für eine Werbeaktion?» erfordert bestimmte Felder und möglicherweise andere Zugriffsberechtigungen als die Frage «Welche Kampagne hatte den besten ROAS?». Wenn immer alle Beschreibungen und alle Daten geladen werden, vergrößert sich der Kontext. Wird nur das semantisch am nächsten liegende Tool ausgewählt, fehlen möglicherweise die Produktkosten oder das Attributionsfenster.
Ein „field-aware registry“ kann angeben, welche Felder jeder Intent benötigt, deren Einheiten, die Quelle, die Aktualität und die Zugriffsbeschränkungen. Für eine CRM-Abfrage beispielsweise benötigt die Abfrage möglicherweise die Lebenszyklusphase und den letzten zulässigen Kontakt, jedoch keine vollständige Historie der Notizen oder Daten, die für den Zweck irrelevant sind. Für die Produktverfügbarkeit werden SKU, Lagerbestand und Zeitstempel benötigt, nicht jedoch der gesamte Bestellgegenstand.
Die produktive Anwendung erfordert die Durchsetzung von Datenschutz- und Autorisierungsvorschriften, die nicht Gegenstand dieses Artikels sind. Außerdem ist ein Fallback erforderlich, wenn sich das Schema eines Endpunkts ändert, wenn die Quelle veraltet ist oder wenn der Plan einen Konfidenzschwellenwert nicht erreicht. Die KI-Agenten im Unternehmen sollten als Software mit Grenzen betrachtet werden, nicht als «Kollegen», die willkürlich die Lücken ausfüllen.
Das Pilotprojekt sollte mit einer begrenzten Entscheidung mit messbaren Fehlerkosten beginnen und nicht mit dem gesamten API-Bestand des Unternehmens. Ein geeigneter erster Anwendungsfall ist eine schreibgeschützte Abfrage in einem Katalog, in der Analytik oder in einer Support-Wissensdatenbank, wo es bekannte richtige Antworten und einen sicheren Fallback gibt.
Sieben Schritte vom Inventar zum sicheren Shadow Run
Legen Sie fest, welche Frage der Agent beantworten muss, auf welche Daten er keinen Zugriff haben darf, wer der Eigentümer ist und wie hoch die Kosten bei einem Fehler oder einer Verzögerung sind.
Erfassen Sie Methoden, erforderliche Parameter, Antwortfelder, Ratenbegrenzungen, Versionen und Fehlermodi nur für die Systeme, für die der jeweilige Intent erforderlich ist.
Geben Sie den kanonischen Namen, Aliase, die Einheit, den Quelltyp, die Aktualität, die Lizenz, die Vertraulichkeitsstufe und die erforderliche Rolle an. Geben Sie Berechtigungen nicht als Freitext in der Eingabeaufforderung ein.
Identifizieren Sie Bezeichner und kleine Gruppen von Feldern, die als Sicherheitsnetz dienen, damit die Minimierung nicht zu einem Under-Fetching führt.
Fügen Sie einfach Multi-Tool-, Provenienz-sensitive, mehrdeutige und negative Abfragen hinzu, bei denen die richtige Entscheidung darin besteht, keinen unzulässigen Aufruf durchzuführen.
Bewerten Sie „prompt-all“, „similarity routing“ und „controlled fetch-all“ anhand der Antwortgenauigkeit, der gültigen Ausführung, der Kontext-Token, der Latenz, der Vollständigkeit der Metadaten und der Datenoffenlegung.
Erfassen Sie die Abfrage, die Schema-Version, den Tool-Plan, die zurückgegebenen Felder, die Antwort und die manuelle Korrektur, bevor Sie Schreibvorgänge oder eigenständige Auswirkungen auf Kunden und das Budget zulassen.
Die Betriebsautomatisierung & KI von TWO DOTS beginnen mit der Kartierung von Prozessen, Daten, Verantwortlichen und Kontrollpunkten. Bei einem Pilotprojekt im SchemaRouter-Stil liegt der Nutzen nicht darin, eine weitere Abstraktionsebene hinzuzufügen, sondern darin, nachzuweisen, dass der Plan überflüssigen Kontext reduziert, ohne dabei kritische Felder zu vernachlässigen oder Richtlinien zu umgehen.
SchemaRouter beweist nicht, dass ein Schema-Graph für jedes agentenbasierte RAG-System die beste Lösung ist. Es zeigt jedoch, dass die Auswahl der Antwortfelder als eigenständiges architektonisches Problem betrachtet werden sollte. In diesem Benchmark erzielte das recall-preserving Routing eine wettbewerbsfähige Genauigkeit mit deutlich weniger abgerufenem Kontext als bei „Fetch-All“ und mit umfangreicheren Informationen zu Herkunft und Berechtigungen.
Für Unternehmen ist das Ziel weder «alle Daten» noch «so wenig wie möglich». Es ist die kleinste ausreichende, umsetzbare, zulässige und überprüfbare Menge, die eine korrekte Antwort ermöglicht. Dies erfordert Metriken, die den gesamten Prozess abdecken: Absicht, Toolauswahl, Parametervalidierung, Feldprojektion, Autorisierung, Abruf, Antwort und menschliche Überprüfung.
Wenn der Schema-Graph versioniert bleibt, die Aliase von Domain-Eigentümern gepflegt werden und die Berechtigungen außerhalb des Modells durchgesetzt werden, kann dieser Ansatz zu einem nützlichen Kontrollpunkt werden. Wird er jedoch nur als Technik zur Reduzierung der Token betrachtet, besteht die Gefahr, dass die falsche Metrik optimiert wird und die Komplexität auf eine Registry verlagert wird, für deren Pflege sich niemand verantwortlich fühlt.
Vom API-Inventar zu einem kontrollierbaren Pilotprojekt
Entwickeln Sie KI-Agenten, die die richtigen Daten anfordern
TWO DOTS erfasst Intents, Tools, Antwortfelder, Berechtigungen, Validierung und Überwachung, damit ein KI-Workflow überflüssigen Kontext reduziert, ohne dabei wichtige Informationen oder die Kontrolle zu verlieren.
Häufig gestellte Fragen
Es handelt sich um eine Forschungs-Routing-Schicht, die Werkzeuge, Endpunkte, Parameter, Antwortfelder und Metadaten in einem Schema-Graphen organisiert und ausführbare Werkzeugpläne erstellt.
Es versucht, sowohl das „Over-Fetching“, bei dem unnötige Werkzeuge oder Felder abgerufen werden, als auch das „Under-Fetching“, bei dem Informationen ausgelassen werden, die für eine korrekte Antwort erforderlich sind, zu begrenzen.
„Similarity“ kann zwar ein passendes Tool finden, garantiert jedoch weder gültige Parameter noch ausreichende Antwortfelder. Der SchemaRouter wendet eine deterministische Feldauswahl auf den Graphen an.
Bei 110 Fragen erzielte es in der Basistabelle der Arbeit eine Antwortgenauigkeit von 0,71 mit 227 abgerufenen Kontext-Tokens, eine Tool-Exact-Rate von 0,93 und eine Parametergültigkeit von 1,00.
Nein. Die Konfidenzintervalle der führenden Router überschneiden sich. Die Arbeit stützt sich hauptsächlich auf Vorteile in den Bereichen Kontexteffizienz, ausführbare Pläne sowie Provenienz- oder Lizenz-Metadaten.
Da die Genauigkeit am Minimal-Field-Betriebspunkt auf 0,56 gesunken war, wurde sie durch das Hinzufügen von Recall-kritischen Feldgruppen wieder auf 0,71 angehoben, wobei die Anzahl der Tokens nur geringfügig von 188 auf 227 anstieg.
Nicht von selbst. Das Schema kann zwar entsprechende Metadaten übertragen, doch Autorisierung, Einwilligung, Datenminimierung und Genehmigungsschritte müssen durch die Richtlinien- und Ausführungsebenen durchgesetzt werden.
Wählen Sie einen eingeschränkten Read-Only-Intent aus, erfassen Sie die erforderlichen Endpunkte und Felder und erstellen Sie Gold-Abfragen mit korrekten Antworten, Grenzfällen und sicheren Negativbeispielen.
Quellen
