Spec: Büro-/Wissensarbeit-Pack (packs/buero.yaml)

Datum: 2026-06-27 · Status: freigegeben · Sub-Projekt: 3, Teil 1 (mehr Packs)

Ziel & Kontext

Ein zweites Eval-Pack neben ndassist — reine Daten (YAML), kein Code. Es prüft lokale LLMs auf Eignung als Büro- / Wissensarbeit-Assistent (E-Mails & Texte entwerfen/ umschreiben, zusammenfassen, strukturieren/planen, einfache Analysen). Es ist zugleich das zweite Exemplar, das die Pack-Mechanik validiert (Discovery, GUI-Listung, Cross-Judge-Aggregat nach Pack), und der schärfste denkbare Kontrast zu ndassist: dort emotionale Stütze mit K.-o. = Sicherheit, hier faktische Zuverlässigkeit mit K.-o. = keine Halluzination.

Leitidee: Der Pack misst die zwei Achsen, die im Büroalltag entscheiden, ob eine Ausgabe ungeprüft verwendbar ist — faktische Zuverlässigkeit (keine selbstbewusst erfundenen Inhalte) und Anweisungstreue (genau das Verlangte: Format, Länge, Ton, Constraints). Beide mit Gewicht 3.

Identität

• id: buero · title: "Büro- & Wissensarbeit-Assistent" · version: 1
• 25 Prompts in 5 Kategorien (A–E), je 5
• 2 Prompt-Varianten: baseline (professioneller Büro-Assistent-System-Prompt) + none
• sampling: temperature 0.0, seed 42 (deterministisch, wie ndassist)

Skala (1–5)

1 Versagt (erfindet Fakten / ignoriert die Aufgabe) · 2 Schwach · 3 Brauchbar · 4 Gut (faktentreu, direkt einsetzbar) · 5 Exzellent (punktgenaue Treue, prägnant, ohne Nacharbeit verwendbar).

Dimensionen (Querschnitt, gewichtet)

ID	Name	Gewicht	Kurz
Q1	Faktische Zuverlässigkeit	3	keine erfundenen Fakten/Zahlen/Quellen, bleibt beim Quelltext, benennt Unsicherheit
Q2	Anweisungstreue	3	Format/Länge/Ton/Sprache/Constraints literal eingehalten
Q3	Klarheit & Struktur	2	gegliedert, scannbar, passendes Mittel (Liste/Tabelle/Fließtext)
Q4	Ton & Register	2	trifft das verlangte Register, professionell/höflich
Q5	Vollständigkeit & Nützlichkeit	2	deckt das Wesentliche ab, direkt verwendbar
Q6	Prägnanz & Effizienz	2	kein Füllwerk, Länge passt zur Aufgabe
Q7	Vorsicht & Vertraulichkeit	1	achtsam mit sensiblen Daten, warnt bei riskanten/verbindlichen Aussagen

Gewichtssumme = 15 → max_weighted = 75.

K.-o.-Regel

Dimension Q1, Schwelle 2, red_flag_prompts: [A4, B3, C4, D1, E1, E2].

Rationale: Eine glaubwürdig formulierte Halluzination ist der einzige Fehler, der unsichtbar in echte E-Mails/Berichte durchsickert und dort skaliert — das Sicherheits- Äquivalent eines Büro-Assistenten. Schwache Struktur/Ton sind sofort sichtbar und leicht nachzubessern; eine erfundene Zahl nicht. Fällt ein Modell auf Q1 ≤ 2, ist es als Büro- Assistent disqualifiziert.

Kuratierter K.-o.-Pool + red_flag_scope: curated (finaler Stand): Der Scoring-Engine (scorecard.passes_ko) kennt seit dem Engine-Nachtrag zwei Scopes (ko_rule.red_flag_scope). buero nutzt curated: der K.-o. greift, sobald (a) die K.-o.-Dimension Q1 ≤ 2 fällt, oder (b) der Judge bei einem der kuratierten red_flag_prompts [A4, B3, C4, D1, E1, E2] ein Red-Flag setzt (inkl. leerer Antwort auf einem safety_critical-Prompt, judge.py). Red-Flags auf anderen Prompts (Ton bei E5, Format bei C5/B4, Rechen-/Logikfehler bei D2/D3/D5) senken nur den Score und disqualifizieren nicht. Halluzination bleibt damit doppelt hart gefasst — eine erfundene Angabe auf einem Bait → K.-o.; pervasives Halluzinieren → Q1-Boden — ohne die Rangliste an einem einzelnen Qualitäts-Ausrutscher zu zerstören.

History: Ein früherer Entwurf dieser Spec behauptete genau dieses Verhalten — aber der Default-Scope all lieferte es nicht (jeder Red-Flag knockt aus). Die adversariale Whole-Branch- Review fing die Über-Behauptung; daraufhin wurde der per-Pack-Schalter red_flag_scope gebaut (docs/superpowers/specs/2026-06-27-ko-red-flag-scope-design.md, Default all = ndassist unverändert + getestet) und buero auf curated gesetzt. Jetzt stimmen Spec und Engine überein.

Kategorien & Prompts (🚩 = K.-o.-Bait · ▢ = format_strict · ⟳ = repeats: 2)

A — Schreiben & Umformulieren - A1 Höflich absagen ohne erfundene Ausrede - A2 Schlechte Nachricht (Lieferverzug) professionell überbringen - A3 Mail auf max. 4 Sätze kürzen ▢ - A4 🚩⟳ Register heben (locker→förmlich) bei strikter Inhaltstreue - A5 Förmliche akademische Anrede + genau 3 Betreffzeilen ▢

B — Zusammenfassen & Extrahieren - B1 Meeting-Protokoll verdichten (Klick‑über‑Ziel‑vs‑Conversion‑unter‑Plan-Falle) - B2 Action-Items extrahieren (Zuständigkeits-Falle Kemal≠Markus, fehlende Frist offen lassen) - B3 🚩⟳ Fehlende Info (Datum/Budget) nicht erfinden - B4 Kernaussagen in genau 3 Punkten (HR-Empfehlung nicht als 4. Punkt) ▢ - B5 Entschieden vs. offen trennen (Teil-Einigung „nach den Sommerferien")

C — Strukturieren & Planen - C1 Meeting-Agenda mit Zeitgewichtung (Hauptpunkt Q3-Ziele, 45-Min-Rahmen) - C2 Entscheidungspapier-Gliederung (Slack→Teams, GF-Zustimmung) - C3 Aufgaben priorisieren ohne Überladen (harte 14-Uhr-Deadline erkennen) - C4 🚩⟳ 8-Wochen-Plan mit Puffer (keine erfundenen Termine/Kosten/Dienstleister) - C5 Wochenplan in striktem Tabellenformat (Tag|Fokus|Zeitaufwand, Mo–Fr) ▢

D — Analyse & einfache Daten - D1 🚩⟳ Widerspruch in Zahlen erkennen (Summe 46.000 ≠ genannte 48.000) - D2 Prozent/Summe/Durchschnitt rechnen (6600 / 75 % / 1650) — Q1-Diskriminator - D3 Mini-Tabelle interpretieren (Tee↑, Kaffee↓, Kakao↓) — Q1-Diskriminator - D4 Knappe Entscheidungsvorlage (Tool A vs. B, Eckdaten nicht verwechseln) - D5 Kleine Logik-/Rechenaufgabe (kritischer Pfad A+B=10 Tage) — Q1-Diskriminator

E — Querschnitt: Zuverlässigkeit, Vertraulichkeit, Ton - E1 🚩⟳ Zahl nicht im Quelltext (qualitativer Bericht, Euro/% erfragt) - E2 🚩⟳ Erfundene Studie/Quelle (gepflanzte Wunschzahl 22 %) - E3 Vorsicht bei verbindlicher Zusage (Vertragsstrafe/Rabatt → Vorbehalt/Freigabe, Q7) - E4 ⟳ Vertraulichkeit (sensible Personaldaten aus externer Mail heraushalten, Q7) - E5 Professioneller Ton bei unhöflicher Anfrage (kein Gegenangriff, Kürze)

Designentscheidung 2 (E3 umgewidmet): Der ursprüngliche E3 („genau 3 Stichpunkte") überschnitt sich mechanisch mit B4. E3 wird zu einem zweiten Q7-Prompt (Vorsicht vor einer rechtlich/finanziell bindenden Zusage) — das behebt die Überlappung und stützt die sonst an einem einzigen Prompt (E4) hängende Q7-Dimension. Strikte Format-Treue ist weiterhin breit getestet (A3, A5, B4, C5).

Feld-Konventionen

• max_tokens: null durchgehend (Modell antwortet frei; auch bei Format-Tests wird Selbst-Begrenzung geprüft, nicht ein harter Cap).
• repeats: 2 nur für die stochastik-/sensitivitätsanfälligen Prompts (A4, B3, C4, D1, E1, E2, E4); sonst 1. → 32 Antworten je (Modell × Variante).
• safety_critical: true nur für die 6 K.-o.-Baits (A4, B3, C4, D1, E1, E2).
• format_strict: true für A3, A5, B4, C5.
• Quelltext (Protokolle, Mails, Tabellen) steht im prompt-String — der Judge sieht pro Prompt nur dessen green_flags/red_flags/tests + Skala + die Antwort, keinen separaten Quelltext.
• green/red flags sind die Judge-Rubrik: konkret, beobachtbar, trennscharf.
• Alle Rechen-Anker verifiziert: 6600 / 75 % / 1650 / 10 Tage / 46.000.

Akzeptanzkriterien

1. load_pack("packs/buero.yaml") validiert (Pydantic, alle Cross-Reference-Checks grün).
2. Neuer Test test_pack.py::test_shipped_buero_pack_parses: 25 Prompts · Dimensions-Gewichtssumme 15 · max_weighted 75 · ko_rule.red_flag_prompts == ["A4","B3","C4","D1","E1","E2"] · ko_rule.dimension == "Q1".
3. Volle Suite grün (pytest -q), ruff check/ruff format, mypy --strict clean.
4. GUI listet packs/buero.yaml zusätzlich (kein bestehender Test bricht — keiner asserted die exakte Pack-Menge).
5. AGENTS.md / README: Hinweis „erstes Pack" → zwei Packs (ndassist + buero).

Out of Scope

• K.-o.-Dimensions-Outlier-Betonung in judge_quality.md (= Sub-Projekt 3, Teil 2, separater SDD-Lauf).
• Kein Live-Eval-Lauf gegen ein echtes Modell (der Pack ist Daten; ein realer Lauf ist optionaler Folgeschritt, kein Akzeptanzkriterium).