Woraus besteht das Wissen eines KI-Modells?	Das Wissen eines KI-Modells besteht ausschließlich aus den Daten, denen es während des Trainings ausgesetzt war, und ist bei der Knowledge Cutoff eingefroren.
Was ist die Knowledge Cutoff?	Ein fester Zeitpunkt, nach dem das KI-Modell keine neuen Informationen mehr gelernt hat und keinen Zugriff auf aktuelle Ereignisse hat.
Welche drei Merkmale definieren die Capability Zone?	Themen, die häufig, kürzlich (während des Trainings) und konsistent in den Trainingsdaten vorkamen.
Was sind typische Themen in der Limitation Zone?	Seltene, post-Cutoff, nischige, lokale oder umstrittene Themen.
Nenne vier charakteristische Wissensfehler von KI-Modellen.	Staleness (Veraltung), ungleichmäßige Abdeckung, vererbte Vorurteile und Source Amnesia (Unfähigkeit, Wissensquellen zuzuordnen).
Welche drei Produktfunktionen adressieren die Wissenslücken von KI-Modellen?	Web Search, Retrieval/RAG und Tool Use.
Was ist der praktische Unterschied zwischen "Weiß das KI-Modell das?" und der besseren Frage?	Die bessere Frage ist: "Wie gut war dieses Thema in den Trainingsdaten repräsentiert?"
Was solltest du bei der Staleness-Probe testen?	Ob das Modell die Knowledge Cutoff anerkennt, veraltete Informationen als aktuell präsentiert oder ablehnt zu antworten.
Wie kannst du die Default-Assumption-Probe durchführen?	Stelle eine Frage indirekt, ohne die Annahme direkt zu nennen, um zu sehen, ob das Modell die Außenseiter-Perspektive als normal behandelt.
Wann solltest du dem Modell-Wissen vertrauen und wann musst du selbst Kontext liefern?	Du solltest Kontext liefern bei seltenen, neuen oder nischigen Themen; bei häufigen, stabilen Themen kannst du dem Modell vertrauen.