Wie der Brainstorm Reactor denkt.
Die Qualität von KI-Output hängt vom Prozessdesign ab, nicht von der Prompt-Kompetenz. Der Brainstorm Reactor verlagert die Kontrolle: weg vom Prompting, hin zur Gestaltung kognitiver Rezepte.
Ein Stream.
Fünf kombinierbare Schichten.
Jeder API-Aufruf baut einen System-Prompt aus fünf unabhängigen Schichten. Derselbe Rezeptschritt liefert je nach Persona, Kontext und Methode fundamental andere Ergebnisse. Bibliothek mit über 200 Frameworks.
Persona
Kognitive Haltung — analytisch, kreativ, adversarial oder kuratorisch
Method
Eine von 200+ Denkmethoden, injiziert als strukturierte Anweisung
Context
Angepinnter Inhalt + bereinigter Verlauf (full, last_step oder none)
Slot
Modellauswahl — LOGIC, CREATIVE oder SEARCH pro Schritt
Output
Strukturierte Nodes, in Echtzeit gestreamt mit transparentem Reasoning
Drei Slots.
Heterogene Komposition.
Jeder Rezeptschritt deklariert den benötigten kognitiven Slot. Analytische Arbeit geht an Reasoning-Modelle, Recherche an Web-Modelle, Synthese an generative Modelle — alles in einem Workflow.
Analytisches Reasoning
Reasoning-Modelle (o1, o3-mini, Gemini Flash Thinking)
TRIZ-Analyse, Widerspruchserkennung, Scoring, Validierung, adversariales Audit
Ideenfindung & Synthese
Generative Modelle (Claude Sonnet, GPT-4o, Llama 4)
Brainstorming, Storytelling, Konzeptsynthese, Lösungsarchitektur, Copywriting
Faktenbasierte Recherche
Web-Modelle (Perplexity Sonar, Gemini mit Grounding)
Patentrecherche, Wettbewerbsanalyse, Marktforschung, Stand der Technik
Sechs Wege, Denken zu orchestrieren.
Von selektiver Amnesie bis zu parallelen Schwärmen — jedes Rezept basiert auf kombinierbaren Ausführungsmustern.Alle Rezepte ansehen
Shadow Pass & Selektive Amnesie
Sequenzielle Schritte mit präziser Kontextsteuerung. Durch den Modus 'last_step' vergisst (amnesiert) die Engine den ursprünglichen User-Prompt, um Bias zu eliminieren.
e.g. TRIZ Express, Elevator Pitch
Paralleler Schwarm & Synthese
Gleichzeitige, adversarial ausgeführte Agenten mit unterschiedlichen Perspektiven. Ein Synthesizer fügt die Ergebnisse aus einer XML-Matrix zusammen.
e.g. MAD Engine, Ergodic Hive
Autonome Korrekturschleife (Aletheia)
Ein autonomer Feedback-Loop, in dem ein Auditor-Schritt den Entwurf prüft und bei Fehlern mit komprimiertem Kontext (Context Collapse) zurückspringt, bis die Kriterien erfüllt sind.
e.g. Aletheia Engine, TRIZ v9 MAX
Interaktive Entscheidungsweiche (Router)
Der Workflow pausiert an Verzweigungen. Über Keyword-Matching auf Quick-Reply-Buttons (inkl. D2 Split Router) steuert der Benutzer den Fluss dynamisch in spezialisierte Pfade.
e.g. Dilemma Decoder, Branching Demo
Unkonditioneller Vorwärtssprung
Ein zusammenlaufender Ausführungsfluss, bei dem mehrere parallele Äste oder Slots automatisch über leere Routen zu einem einzigen Konsolidierungsschritt springen.
e.g. Split Router, Configurator Suite
Epistemic Anchor (Auto-Pin)
Sichert essenzielle Ausgaben im persistenten '<pinned_context>'-Layer. Spätere Schritte greifen direkt darauf zu, selbst bei aktiver selektiver Amnesie.
e.g. Data Baseline, Core Compiler
Kombinierbare Muster
Muster lassen sich frei kombinieren. Echte Rezepte sind Hybride:
- C+BAutonomer Schwarm — parallele Agenten + Selbstkorrektur
- D+BBranching Schwarm — User-Entscheidung → spezialisierter Schwarm
- C+DCopilot / Autopilot — User wechselt zwischen manuellem Routing und autonomer Schleife
Glass Box UI.
Jede KI-Antwort ist vollständig transparent. Keine Blackbox. Sehen, was das Modell gedacht hat, bevor es geschrieben hat — strukturierte Daten inspizieren und den Raw-Output debuggen — alles in Echtzeit.
Agenten-Labels zeigen, welcher Spezialist während mehrstufiger Rezepte aktiv ist. Das Cognitive Protocol zeigt den internen Reasoning-Prozess des Modells, bevor ein einziges Wort Output erscheint.
Formatierter Output — sauber, strukturiert, umsetzbar
Nativer Reasoning-Trace aus dem Denkprozess des Modells
Strukturierte Node-Daten — parsebar, exportierbar
Unverarbeiteter Modell-Output für Debugging
TRIZ v8 Orchestrator.
5 spezialisierte Agenten. 3 Modell-Slots. 2 Kontext-Modi. Das Flagship-Rezept zeigt die volle Orchestrator-Kapazität.
Problem in Komponenten, Funktionen und Widersprüche zerlegen.
TRIZ-Widerspruchsmatrix anwenden. Lösungsrichtungen generieren.
Bestehende Lösungen, Patente und analoge Domänen recherchieren.
Alle Erkenntnisse zu konkreten, umsetzbaren Konzepten synthetisieren.
Schwächen, Risiken und unbeabsichtigte Konsequenzen identifizieren.
Context Pruning
Schritte 2 & 3 nutzen last_step — das Modell fokussiert auf den destillierten Output, nicht den gesamten Verlauf.
Slot Diversity
Analyse → Reasoning-Modelle. Recherche → Web-Modelle. Synthese → kreative Modelle. Kein einzelnes Modell macht alles.
Adversarial Close
Schritt 5 sieht den vollen Kontext, nutzt aber ein Reasoning-Modell — maximale Prüfschärfe auf den gesamten Vorschlag.
Praxis-Validierung: AI Swimcoach.
Die physikalische Optimierung von Hydrodynamik (mittels TRIZ-Heuristiken) und die algorithmische Überwachung der akuten Trainingsbelastung (ACWR) nutzen im Hintergrund exakt dieselbe deterministische Multi-Modell-Orchestrierung wie ein komplexes Enterprise-SaaS-Audit.
Warum beweist eine KI-Prozess-Engine für Unternehmensstrategie ihre logische Tiefe ausgerechnet am Beckenrand? Weil Höchstleistung auf universellen Gesetzen basiert. Die vollkommen White-Label-fähige Plattform treibt unter anderem die autarke Dropzone /swimcoach an. Der Reactor lässt sich nahtlos als maßgeschneiderte, serverseitig gekapselte Engine in jedes bestehende Geschäftsmodell injizieren.
Sokratische Diagnostik
Automatisiertes Onboarding und Erfassung des Problemraums, bis ein stabiles Verständnis-Level erreicht ist.
ACWR-Lastmanagement
Algorithmischer Schutz vor Überlastungsschäden (Acute-to-Chronic Workload Ratio).
USRPT-Intervalle
Mathematische Zerlegung von Distanzen in Mikrosätze zur Absicherung der biomechanischen Präzision.
Warum kognitive Architektur Mega-Prompts schlägt.
Im März 2026 veröffentlichte das Kimi-Team das Paper Attention Residuals — ein mathematischer Beweis für ein Problem, das der Brainstorm Reactor auf der Ebene der Prozesssteuerung bereits architektonisch löst.
PreNorm Dilution
In tiefen Netzen summieren sich residuale Verbindungen auf. Essenzielle frühe Informationen werden durch das Rauschen mittlerer Layer verdünnt — tiefere Schichten verlieren den Zugriff auf die ursprünglichen Signale.
Context Contamination
In Standard-Chats summiert sich der Kontext von Nachricht zu Nachricht. Wenn ein Modell bei Schritt 6 ankommt, ist das ursprüngliche Problem im Rauschen iterativer Zwischenschritte verwässert.
Skip Connections → Epistemic Anchor
Kimi: Spätere Layer überspringen akkumuliertes Rauschen und greifen direkt auf frühe, saubere Schichten zu (Attention Residuals).
Brainstorm Reactor: Der Epistemic Anchor sichert extrahierte Fakten aus Schritt 1 per Auto-Pinning. Spätere Agenten mit context_mode: last_step arbeiten nur mit dem destillierten Output — die Ground Truth bleibt über <pinned_context> direkt erreichbar.
Block-Kompression → Swarm Synthesis
Kimi: Schichten werden in Blöcke gruppiert und auf einen Vektor komprimiert. Spätere Schichten sehen nur die saubere Zusammenfassung, nicht die rohen Einzelschritte.
Brainstorm Reactor: Wenn parallele Agenten arbeiten (Pattern F), komprimiert ein Synthesizer-Step die Outputs in ein dichtes XML-Aggregat. Nachfolgende Schritte verarbeiten nur diesen Knoten — nicht die einzelnen Agenten-Antworten.
Deep & Narrow → Mikroschritte
Kimi: Netze mit Attention Residuals erreichen ihr Optimum bei tieferen, schmaleren Architekturen — flache Netze stagnieren.
Brainstorm Reactor: Viele eng fokussierte Schritte (deep & narrow) schlagen wenige überladene Mega-Prompts (shallow & wide). Wenn die Engine Navigation und Kontext-Bereinigung übernimmt, kann das Modell 100 % seiner Parameter auf die reine Transformation konzentrieren.
Intelligenz in komplexen Systemen entsteht nicht durch endloses Ansammeln von Daten, sondern durch das gezielte Bereinigen von Rauschen — unabhängig davon, ob das System ein neuronales Netz oder eine kognitive Pipeline ist.
Quelle: Kimi / Moonshot AI, Attention Residuals (März 2026) · Benchmark-Ergebnisse ansehen →
Unabhängig. Souverän. DSGVO-nativ.
Die Brücke zwischen maximaler Modellfreiheit und kompromissloser Datensicherheit. Der Brainstorm Reactor kapselt seine kognitive Leistung serverseitig und schützt geschäftskritische Daten vor unbefugtem Abfluss.
EU-native Infrastruktur
Die gesamte Kernplattform und alle Datenbanken werden ausnahmslos in der Europäischen Union (Deutschland und Irland) betrieben.
Zero Data Retention
Verarbeitung ausschließlich über geschäftliche B2B-Schnittstellen. Eingaben und hochgeladene Dokumente sind vertraglich streng vor dem KI-Modelltraining geschützt.
Datenschutz-Gateway (opt-in)
Optionale Echtzeit-Maskierung. Filtert personenbezogene Daten (PII) automatisch auf EU-Servern heraus, bevor Anfragen verarbeitet werden.
Ausfallsicheres Routing
Provider-unabhängiges Modell-Routing (OpenAI, Anthropic, Google, DeepSeek). Fällt ein KI-Anbieter aus, läuft deine Prozess-Pipeline nahtlos weiter.
Methoden denken vor. Mitdenken. Weiterdenken.
200+ Methoden. 84+ Rezepte. Drei Modell-Slots — bereit zum Steuern.
Jetzt starten