tractatus/public/locales/de/agent-lightning-integration.json

{
  "hero": {
    "title": "Agent Lightning Integration",
    "subtitle": "Governance + Leistung: Können Sicherheitsgrenzen durch Optimierung mittels Verstärkungslernen bestehen bleiben?",
    "status": "Status:",
    "status_value": "Operativ (CPU-Grundlinie etabliert)",
    "integration_date": "Datum der Integration:",
    "integration_date_value": "November 2025"
  },
  "what_is": {
    "heading": "Was ist Agent Lightning?",
    "intro": "<strong>Agent Lightning</strong> ist Microsofts Open-Source-Framework für den Einsatz von <strong>Reinforcement Learning (RL)</strong> zur Optimierung der Leistung von KI-Agenten. Anstelle von statischen Aufforderungen lernen und verbessern Agenten durch kontinuierliches Training anhand von echtem Feedback.",
    "traditional_heading": "Traditionelle AI-Agenten",
    "traditional_1": "Behobene Eingabeaufforderungen/Anweisungen",
    "traditional_2": "Kein Lernen aus Fehlern",
    "traditional_3": "Manuelle Abstimmung erforderlich",
    "traditional_4": "Leistung stagniert schnell",
    "al_heading": "Agent Lightning",
    "al_1": "Lernt kontinuierlich aus Feedback",
    "al_2": "Verbessert durch RL-Optimierung",
    "al_3": "Stimmt die Strategie automatisch ab",
    "al_4": "Leistung verbessert sich mit der Zeit",
    "problem": "<strong>Das Problem:</strong> Wenn Agenten selbstständig lernen, wie können Sie dann die Grenzen der Governance aufrechterhalten? Traditionelle Richtlinien versagen, weil Agenten sie umgehen können."
  },
  "architecture": {
    "heading": "Tractatus-Lösung: Zweischichtige Architektur",
    "intro": "Wir trennen Governance und Optimierung, indem wir sie als <strong>unabhängige Architekturschichten</strong> betreiben. Agent Lightning optimiert die Leistung <em>innerhalb der</em> Governance-Beschränkungen - nicht um sie herum.",
    "layer1_heading": "Governance-Ebene (Tractatus)",
    "layer1_1": "Validiert jede vorgeschlagene Aktion",
    "layer1_2": "Blockiert die Verletzung von Beschränkungen",
    "layer1_3": "Durchsetzung von Wertgrenzen",
    "layer1_4": "Unabhängig von der Optimierung",
    "layer1_5": "Architektonisch durchgesetzt",
    "layer2_heading": "Leistungsschicht (Agent Lightning)",
    "layer2_1": "RL-basierte Optimierung",
    "layer2_2": "Lernt aus Feedback",
    "layer2_3": "Verbessert die Aufgabenleistung",
    "layer2_4": "Arbeitet im Rahmen von Beschränkungen",
    "layer2_5": "Kontinuierliche Ausbildung",
    "principle_title": "🔑 Wichtiges Gestaltungsprinzip",
    "principle_text": "Governance-Checks werden <strong>vor der</strong> AL-Optimierung durchgeführt und während der Trainingsschleifen <strong>kontinuierlich validiert</strong>. Die architektonische Trennung verhindert, dass die Optimierung die Sicherheitsgrenzen beeinträchtigt."
  },
  "results": {
    "heading": "Demo 2: Vorläufige Ergebnisse",
    "warning": "<strong>⚠️ Validierungsstatus:</strong> Diese Ergebnisse stammen von <strong>1 Agenten, 5 Trainingsrunden, simulierte Umgebung</strong>. NICHT im großen Maßstab validiert. Skalierbarkeitstests sind erforderlich, bevor Schlussfolgerungen über die Produktionstauglichkeit gezogen werden können.",
    "table_metric": "Metrisch",
    "table_ungoverned": "Unregierte",
    "table_governed": "Geregelt",
    "table_difference": "Unterschied",
    "metric_performance": "Leistung (Engagement)",
    "metric_governance": "Abdeckung der Governance",
    "metric_violations": "Verstöße gegen Beschränkungen",
    "metric_violations_diff": "-5 (alle gesperrt)",
    "metric_strategy": "Strategie",
    "metric_strategy_ungov": "Clickbait",
    "metric_strategy_gov": "Informativ",
    "metric_strategy_diff": "Werteorientiert",
    "metric_stability": "Stabilität der Ausbildung",
    "metric_stability_ungov": "Variabel",
    "metric_stability_gov": "Einheitlich",
    "metric_stability_diff": "Mehr vorhersehbar",
    "card1_value": "-5%",
    "card1_label": "Leistungsbezogene Kosten für Governance",
    "card2_value": "100%",
    "card2_label": "Governance-Abdeckung beibehalten",
    "card3_value": "0",
    "card3_label": "Verstöße gegen Beschränkungen (alle gesperrt)",
    "interpretation_title": "Was das bedeutet",
    "interpretation_text": "In kleinem Maßstab (1 Agent, 5 Runden) scheint die architektonische Governance mit der RL-Optimierung vereinbar zu sein. Die 5 % Leistungskosten erkauften eine 100 %ige Einhaltung von Beschränkungen und eine Anpassung der Werte. <strong>Die kritische Frage ist, ob dies auch im großen Maßstab gilt</strong>"
  },
  "gaps": {
    "heading": "Fünf kritische Forschungslücken",
    "intro": "Dies sind die offenen Fragen, denen wir aktiv nachgehen. Wenn Sie an einer Zusammenarbeit interessiert sind, würden wir uns freuen, von Ihnen zu hören.",
    "gap1_title": "1. Skalierbarkeit des Verwaltungsaufwands",
    "gap1_question": "<strong>Frage:</strong> Bleiben die Leistungskosten von ~5 % konstant, wenn wir von 1 Agent → 10 Agenten → 1000 Agenten skalieren?",
    "gap1_data": "<strong>Aktuelle Daten:</strong> 5% Kosten bei 1 Agent, 5 Runden",
    "gap1_why": "<strong>Warum das wichtig ist:</strong> Wenn der Overhead linear ansteigt, wird Governance in großem Maßstab unerschwinglich. Wenn er konstant ist, ist Governance für Produktionssysteme praktisch machbar.",
    "gap1_need": "Forschungsbedarf: Test mit 10 → 100 → 1000 Agenten im Produktionsmaßstab",
    "gap2_title": "2. Langfristige Beständigkeit der Grenzen",
    "gap2_question": "<strong>Frage:</strong> Bleiben die Governance-Zwänge auch nach Hunderten/Tausenden von RL-Trainingsrunden wirksam?",
    "gap2_data": "<strong>Aktuelle Daten:</strong> 100%ige Einhaltung der Auflagen über 5 Runden",
    "gap2_why": "<strong>Warum das wichtig ist:</strong> Das Verblassen von Anweisungen ist ein bekanntes Problem. Wenn sich die Grenzen im Laufe der Zeit verschlechtern, versagt die Verwaltung unbemerkt - was in der Produktion katastrophale Folgen haben kann.",
    "gap2_need": "Forschungsbedarf: Langfristige Studien (1000+ Runden) zur Verfolgung der Zwangsabweichung",
    "gap3_title": "3. Adversarialer Widerstand",
    "gap3_question": "<strong>Frage:</strong> Können Agenten lernen, um Governance-Beschränkungen herum zu optimieren?",
    "gap3_data": "<strong>Aktuelle Daten:</strong> Keine kontradiktorischen Tests durchgeführt",
    "gap3_why": "<strong>Warum das wichtig ist:</strong> Wenn Agenten lernen können, Grenzen durch geschickte Optimierungsstrategien zu umgehen, ist architektonische Governance illusorisch. Dies ist ein kritischer Fehlermodus.",
    "gap3_need": "Forschungsbedarf: Stresstests mit Agenten, die explizit einen Anreiz haben, die Governance zu umgehen",
    "gap4_title": "4. Schließung der Leistungslücke",
    "gap4_question": "<strong>Frage:</strong> Verringert sich der Leistungsunterschied von 5 % mit zunehmender Ausbildung, oder ist dies ein dauerhafter Kompromiss?",
    "gap4_data": "<strong>Aktuelle Daten:</strong> Lücke beobachtet in Runde 5, keine weiteren Daten zu diesem Zeitpunkt",
    "gap4_why": "<strong>Warum das wichtig ist:</strong> Wenn die Lücke bestehen bleibt, müssen wir das Kosten-Nutzen-Verhältnis eindeutig quantifizieren. Schließt sich die Lücke, könnte Governance langfristig \"kostenlos\" sein - was die Kalkulationen für die Einführung dramatisch verändert.",
    "gap4_need": "Forschungsbedarf: Erweitertes Training (100+ Runden), um zu sehen, ob regierte Agenten zu unregierten Leistungen konvergieren",
    "gap5_title": "5. Multi-Agenten-Koordination unter Governance",
    "gap5_question": "<strong>Frage:</strong> Wie wirkt sich die architektonische Steuerung auf die emergente Koordination in Multiagentensystemen aus?",
    "gap5_data": "<strong>Aktuelle Daten:</strong> Nur Einzelwirkstofftests",
    "gap5_why": "<strong>Warum das wichtig ist:</strong> Reale Agentensysteme bestehen aus mehreren Agenten (Kundendienst, Logistik, Forschungsteams). Eine Steuerung, die für einen Agenten funktioniert, kann versagen, wenn die Agenten sich koordinieren müssen. Emergente Verhaltensweisen sind unvorhersehbar.",
    "gap5_need": "Forschungsbedarf: Testen von kollaborativen und wettbewerbsfähigen Multi-Agenten-Umgebungen mit architektonischer Steuerung"
  },
  "demo": {
    "heading": "🔧 Integrationsstatus: Das echte System aufbauen"
  },
  "community": {
    "heading": "Treten Sie der Gemeinschaft bei und erhalten Sie den Code",
    "tractatus_heading": "Tractatus Zwietracht",
    "tractatus_subtitle": "Auf Governance ausgerichtete Diskussionen",
    "tractatus_desc": "Architektonische Zwänge, Forschungslücken, Einhaltung der Vorschriften, Erhaltung der menschlichen Handlungsfähigkeit, Beratung durch mehrere Interessengruppen.",
    "tractatus_cta": "Tractatus Server beitreten →",
    "al_heading": "Agent Lightning Zwietracht",
    "al_subtitle": "Hilfe bei der technischen Umsetzung",
    "al_desc": "RL-Optimierung, Integrationsunterstützung, Leistungsoptimierung, technische Implementierungsfragen.",
    "al_cta": "Agent Lightning Server beitreten →",
    "code_heading": "📦 Integrationscode anzeigen",
    "code_desc": "Vollständige Integration einschließlich Demos, Python-Governance-Module und Agent Lightning-Wrapper-Code. Apache 2.0 lizenziert auf GitHub.",
    "code_cta": "Ansicht auf GitHub (Apache 2.0) →"
  },
  "cta": {
    "heading": "Zusammenarbeit bei offenen Forschungsfragen",
    "intro": "Wir sind auf der Suche nach Forschern, Implementierern und Organisationen, die an Skalierbarkeitstests, gegnerischen Resistenzstudien und Multi-Agenten-Governance-Experimenten interessiert sind.",
    "feature1": "Integrationscode und Governance-Module",
    "feature2": "Technische Dokumentation",
    "feature3": "Rahmen der Forschungszusammenarbeit",
    "feature4": "Audit-Log-Zugang (anonymisiert)",
    "button_collab": "Kontakt für Zusammenarbeit →",
    "button_research": "Forschungskontext → ansehen"
  }
}