Skip to main content

​
Übersicht

Das System injiziert Fachwissen über KRITIS-Regulierungen, NIS-2-Richtlinien und Krisenprozesse in den AI-Prompt, damit Szenarien realistischer und regulierungskonform werden.

​
Problem & Lösung

Problem: Claude hat generelles Wissen, aber keine tiefe Domain-Expertise in KRITIS-Schwellenwerten, BSI-Meldepflichten, sektor-spezifischen Response-Abläufen und professionellem Storytelling. Lösung: Wissensbasen als Markdown-Dateien, die basierend auf Nutzer-Auswahl (Sektor, Regulierung, Vorfallstyp) in den Prompt geladen werden.

​
Wissensbasen-Struktur

/knowledge/
├── regulatory/          # KRITIS, NIS-2, GDPR
├── protocols/          # 10 Sektor-Protokolle (Energy, Health, IT, ...)
├── incidents/          # 7 Vorfallstypen (Cyber, Physical, Operational, ...)
├── storytelling/       # Narrative Techniken (immer geladen)
└── examples/           # 20+ vollständige Beispiel-Szenarien

​
Selective Loading

Statt alle Dateien (~203K Tokens) zu laden, werden nur relevante geladen: Beispiel: formData enthält industry_sector: "healthcare_hospitals", regulatory_context: "nis2", incident_category: "cyber" Geladen wird:
  • regulatory/nis2.md (~50K Tokens)
  • protocols/health.md (~3.5K Tokens)
  • incidents/cyber.md (~2.5K Tokens)
  • storytelling/*.md (~10K Tokens, immer)
  • examples/health-cyber-*.md (~15K Tokens, gefiltert)
Ergebnis: ~71K Tokens (statt ~203K)

​
Prompt Caching

Cache Key: hash(regulatory_context + sector + incident_category) Ökonomie:
  • First Request: $0.27 (Cache Write)
  • Subsequent Requests: $0.021 (Cache Read) → 90% Ersparnis
  • Break-Even: ~2 Szenarien
Cache Kombinationen: ~420 möglich, ~20-50 häufige decken 80% ab

​
Integration

Das Wissen wird als <knowledge_base> Block in den System Prompt injiziert, mit Prompt Caching markers: 
<system>
  <identity>Sie sind ein KRITIS-Szenario-Experte...</identity>

  <knowledge_base selection="nis2_health_cyber">
    <!-- Geladene Wissensbasen hier -->
    <!-- cache_control: { type: "ephemeral", ttl: "1h" } -->
  </knowledge_base>

  <output_format>...</output_format>
  <rules>...</rules>
</system>

​
Ergebnis

Vorher:
  • Generische Krisen ohne KRITIS-Details
  • Keine regulatorischen Referenzen
  • Variable Qualität
Nachher:
  • Realistische KRITIS-Szenarien mit Schwellenwerten, BSI-Meldungen
  • Events referenzieren 24h/72h Fristen
  • Konsistente narrative Qualität durch Beispiele
  • Authentisches Fachvokabular

​
Wartung

  • Markdown-Dateien in /knowledge/ bearbeiten
  • Deployen (keine Code-Änderungen nötig)
  • Cache refresht automatisch nach TTL
Update-Frequenz:
  • Regulierungen: Quartalsweise
  • Protokolle: Nach Bedarf
  • Beispiele: Monatlich