Warum 'Humanising' von LLM-Outputs eine schlechte Idee ist

Das Problem mit menschenlesbaren Agent-Outputs

Kuber Mehta argumentiert in einem provokativen Essay, dass der Trend, LLM-Ausgaben per Prompt-Anweisung “menschlicher” zu machen, die falsche Abstraktionsebene ist. Beliebte Beispiele wie “I have ADHD”-Skills oder ASD-STE100-Anweisungen für Agenten komprimieren die Ausgabe in ein niedrigeres Bandbreitenformat - und diese Kompression ist verlustbehaftet.

Warum es schädlich ist

• Style-Regeln konkurrieren mit Task-Regeln: “Kurze Saelze, keine Jargon” steht auf derselben Instruktionsebene wie “löse die Aufgabe, nutze Tools korrekt, zerstöre nichts”
• Agent-zu-Agent-Kommunikation wird unpräzise: Subagenten summieren ihre Ergebnisse zu menschenlesbarem Text, der Parent-Agent liest das und summariert wieder - Informationsverlust bei jedem Schritt
• Fehler werden verschleiert: Agenten scheitern in nützlichen, hässlichen Wegen - konfliktierende Beweise, unaufgelöste Zweige, Stack-Traces. Menschliche Prosa glättet diese zu Sätzen wie “Es gibt ein paar Dinge zu bedenken”

Die bessere Lösung

Jedes andere System, das wir bauen, funktioniert umgekehrt:

• Datenbanken speichern Daten nicht im Dashboard-Format
• Compiler machen ihr IR nicht angenehm lesbar
• APIs tauschen keine freundlichen Summaries aus

Der richtige Ansatz: Behalte die hoechstfidele Repräsentation so lange wie möglich. Lass Agenten detaillierten Status behalten, lass Subagenten Schemas, Diffs, exakte Fehler und Provenienz austauschen. Komprimiere erst an der Grenze, wo ein Mensch konsumiert.

“Talk to me like I have ADHD” macht Sinn als Renderer, nicht als Operating-Anweisung. Die viralen Skills sind kein Endzustand, sondern ein Bug Report.

Original: kuber.studio