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 fuer Agenten komprimieren die Ausgabe in ein niedrigeres Bandbreitenformat - und diese Kompression ist verlustbehaftet.

Warum es schaedlich ist

• Style-Regeln konkurrieren mit Task-Regeln: “Kurze Saelze, keine Jargon” steht auf derselben Instruktionsebene wie “loese die Aufgabe, nutze Tools korrekt, zerstoere nichts”
• Agent-zu-Agent-Kommunikation wird unpraezise: 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 nuetzlichen, haesslichen Wegen - konfliktierende Beweise, unaufgeloeste Zweige, Stack-Traces. Menschliche Prosa glaettet diese zu Saetzen wie “Es gibt ein paar Dinge zu bedenken”

Die bessere Loesung

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 Repraesentation so lange wie moeglich. 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