Ein aufschlussreicher Blogbeitrag eines chinesischen Entwicklers führt das 'SKILL First Law' ein: Große Sprachmodelle setzen ihren kognitiven Zustand mit jeder Sitzung zurück, vergessen zuvor mühsam erarbeitete Korrekturen und behandeln alle Informationen gleich. Diese Flüchtigkeit führt dazu, dass KI qualitativ minderwertige, handbuchartige Ausgaben ohne Tiefe produziert. Der Autor argumentiert, dass wir die flüchtige Kognition der KI 'abreiben' oder verfolgen müssen, um Vergleichsbaselines zu schaffen, die es ihr ermöglichen, eigene blinde Flecken zu erkennen. Für Entwickler, die KI-abhängige Workflows aufbauen, ist diese Erkenntnis entscheidend. Sie legt nahe, dass effektives Prompt Engineering Sitzungsspeicherverluste berücksichtigen muss, etwa durch die Injektion externen Kontexts oder die Verwendung iterativer Feedbackschleifen. Das Konzept hat Auswirkungen auf KI-gestütztes Codieren, Dokumentation und Forschung.
Ein neues mentales Modell zeigt, wie LLMs ihre eigenen Korrekturen zwischen Sitzungen vergessen und die Ausgabequalität verschlechtern. Das 'SKILL First Law' bietet einen praktischen Rahmen für Entwickler.