Protokoll #12659

{
    "event": "PreToolUse",
    "tool_name": "mcp__mcp-docs__docs_update",
    "tool_input": {
        "id": 118,
        "description": "Antwort mit Claude API oder Ollama generieren"
    }
}

{
    "tool_response": [
        {
            "type": "text",
            "text": "{\n  \"success\": true,\n  \"doc\": {\n    \"id\": 118,\n    \"parent_id\": 100,\n    \"slug\": \"llm-generierung\",\n    \"path\": \"\/prozesse\/rag-prozess\/llm-generierung\",\n    \"title\": \"LLM-Generierung\",\n    \"description\": \"Antwort mit Claude API oder Ollama generieren\",\n    \"content\": \"<h2>LLM-Generierung<\/h2>\\n\\n<h3>Funktion<\/h3>\\n<ul>\\n<li>Prompt mit Kontext an LLM senden<\/li>\\n<li>Antwort basierend auf RAG-Kontext generieren<\/li>\\n<li>System-Prompt für Verhaltenssteuerung<\/li>\\n<li>Quellenbasierte, faktentreue Antworten<\/li>\\n<\/ul>\\n\\n<h3>Eingabe<\/h3>\\n<ul>\\n<li>Formatierter Kontext aus vorherigem Schritt<\/li>\\n<li>Nutzerfrage \/ Briefing<\/li>\\n<li>System-Prompt (Persona, Regeln)<\/li>\\n<li>Modell-Parameter (temperature, max_tokens)<\/li>\\n<\/ul>\\n\\n<h3>Ausgabe<\/h3>\\n<ul>\\n<li>Generierte Antwort \/ Content<\/li>\\n<li>Token-Verbrauch (Input\/Output)<\/li>\\n<\/ul>\\n\\n<h3>Verfügbare LLMs<\/h3>\\n<table>\\n<thead><tr><th>Anbieter<\/th><th>Modelle<\/th><th>Verwendung<\/th><\/tr><\/thead>\\n<tbody>\\n<tr><td>Anthropic (Cloud)<\/td><td>Claude Sonnet, Opus, Haiku<\/td><td>Chat, Content Studio<\/td><\/tr>\\n<tr><td>Ollama (Lokal)<\/td><td>Gemma3, Mistral, Qwen<\/td><td>Chat, Content Studio<\/td><\/tr>\\n<\/tbody>\\n<\/table>\\n\\n<h3>System-Prompt (Chat)<\/h3>\\n<pre>\\nDu bist ein hilfreicher Assistent für Fragen zu \\nsystemischem Teamcoaching und Teamentwicklung.\\n\\nBeantworte die Frage des Nutzers basierend auf \\ndem bereitgestellten Kontext.\\n- Antworte auf Deutsch\\n- Sei präzise und hilfreich\\n- Wenn der Kontext die Frage nicht beantwortet, \\n  sage das ehrlich\\n- Verweise auf die Quellen wenn passend\\n<\/pre>\\n\\n<h3>Beteiligte Komponenten<\/h3>\\n<table>\\n<thead><tr><th>Anbieter<\/th><th>Komponente<\/th><th>Funktion<\/th><\/tr><\/thead>\\n<tbody>\\n<tr><td>Claude<\/td><td><code>chat.py:ask_claude()<\/code><\/td><td>Anthropic API Aufruf<\/td><\/tr>\\n<tr><td>Ollama<\/td><td><code>chat.py:ask_ollama()<\/code><\/td><td>Lokaler LLM Aufruf<\/td><\/tr>\\n<tr><td>Content Studio<\/td><td><code>generate.py:call_llm()<\/code><\/td><td>Unified LLM Interface<\/td><\/tr>\\n<\/tbody>\\n<\/table>\\n\\n<h3>Code-Beispiel (Claude)<\/h3>\\n<pre>\\ndef ask_claude(question, context):\\n    client = anthropic.Anthropic(api_key=ANTHROPIC_API_KEY)\\n    \\n    message = client.messages.create(\\n        model=ANTHROPIC_MODEL,\\n        max_tokens=1500,\\n        system=system_prompt,\\n        messages=[{\\\"role\\\": \\\"user\\\", \\\"content\\\": user_prompt}]\\n    )\\n    \\n    return message.content[0].text\\n<\/pre>\\n\\n<h3>Code-Beispiel (Ollama)<\/h3>\\n<pre>\\ndef ask_ollama(question, context, model=\\\"gemma3:27b\\\"):\\n    prompt = f\\\"\\\"\\\"Kontext:\\\\n{context}\\\\n\\\\nFrage: {question}\\\\n\\\\nAntwort:\\\"\\\"\\\"\\n    \\n    response = requests.post(\\n        f\\\"{OLLAMA_HOST}\/api\/generate\\\",\\n        json={\\\"model\\\": model, \\\"prompt\\\": prompt, \\\"stream\\\": False},\\n        timeout=120\\n    )\\n    \\n    return response.json().get(\\\"response\\\", \\\"\\\")\\n<\/pre>\\n\\n<h3>Parameter<\/h3>\\n<table>\\n<thead><tr><th>Parameter<\/th><th>Chat<\/th><th>Content Studio<\/th><\/tr><\/thead>\\n<tbody>\\n<tr><td>max_tokens<\/td><td>1500<\/td><td>4096+<\/td><\/tr>\\n<tr><td>temperature<\/td><td>0.7<\/td><td>0.7 (konfigurierbar)<\/td><\/tr>\\n<tr><td>timeout<\/td><td>120s<\/td><td>900s<\/td><\/tr>\\n<\/tbody>\\n<\/table>\",\n    \"status\": \"published\",\n    \"sort_order\": 8,\n    \"depth\": 2,\n    \"created_at\": \"2025-12-24T10:01:03\",\n    \"updated_at\": \"2025-12-24T10:05:49\"\n  },\n  \"message\": \"Dokument #118 aktualisiert\"\n}"
        }
    ]
}