Systemarchitektur Übersicht

​

Einführung

Das CrisisIQ Scenario Creator Backend verbindet die Frontend-Anwendung mit AI-APIs (aktuell Anthropic Claude). Das System generiert immersive Krisen-Trainings-Szenarien für KRITIS/NIS-2 Kontexte, die sowohl unterhaltsam als auch lehrreich für Trainingsprofis sind.

​

Hauptverantwortlichkeiten

Das Backend ist verantwortlich für:

• Prompt-Formulierung: Effektive Prompts für die AI erstellen
• API-Bereitstellung: Saubere API für das Frontend bereitstellen
• Logik ohne AI: Kompilierung und Formatierung ohne AI-Anfragen
• Kosten-/Qualitäts-Management: Trade-offs via Modell-Auswahl

​

Ziel-Parameter

Das System wurde für folgende Parameter konzipiert:

​

Systemkomponenten

​

1. Prompt-System

Das Prompt-System besteht aus 10 Dateien, die Prompts für verschiedene Aufgaben generieren:

​

TOC Generation (tocPrompt.js)

• Generiert die Story-Struktur (Events, Verzweigungen, Assessments)
• ~465 Zeilen
• Enthält komplexe Zeitregeln und Graphenmodell-Spezifikationen

​

Event Generation

• System Prompt (event/systemPrompt.js): ~397 Zeilen
  • Literarischer Stil-Guide
  • “Show don’t tell” Beispiele
  • Zeichenanzahl-Vorgaben (500-2.000 Zeichen, flexibel)
• Generate Prompt (event/generatePrompt.js): ~310 Zeilen
  • Kontext-Injektion (NPC-Registry, Zeitbeschränkungen)
  • Konvergenz-Erkennung
  • Vorgänger-Inhalte

​

Regeneration (event/regeneratePrompt.js)

• User-Feedback-gesteuerte Umschreibungen
• ~44 Zeilen

​

Micro-Edit (event/microEditPrompt.js)

• Chirurgische Einzelproblem-Fixes
• ~118 Zeilen

​

Validation (validatePrompt.js)

• Konsistenz-Prüfung
• ~231 Zeilen
• Severity Levels und Issue-Taxonomie

​

Model Selection (modelSelectorPrompt.js)

• Empfiehlt Haiku/Sonnet/Opus basierend auf Komplexität
• ~86 Zeilen

​

2. Helper-Funktionen (event/helpers.js)

• ~331 Zeilen
• Vorgänger-Suche
• Zeit-Vergleiche
• Kontextmanagement

​

Workflow

​

Typischer Szenario-Generierungs-Flow

​

Detaillierter Event-Generierungs-Flow

1. TOC wird erstellt: Struktur mit allen Events, Verzweigungen und Zeitmarkern
2. Events werden in Batches generiert: Typischerweise 3 Events pro API-Call
3. Kontext wird pro Event aufgebaut:
   • TOC-Struktur
   • Vorgänger-Events (Inhalt)
   • Formular-Daten (Industrie, Szenario-Typ, etc.)
   • NPC-Registry
4. Validierung erfolgt nach Generierung: Prüft Zeitkonsistenz, Inhaltqualität

​

Context Window Management

​

Strategie: Vollständiger Kontext

Entscheidung: Jeder API-Call erhält den vollständigen Kontext (formData, TOC, Previous Events). Rationale:

• Event-Generierung braucht ALLE formData-Details für Konsistenz
• Keine verlustbehaftete Komprimierung von Szenario-Anforderungen
• Konsistenz über alle generierten Events hinweg

Verworfene Alternativen:

• ❌ Fingerprinting: Verliert Details, die für Konsistenz benötigt werden
• ❌ Context Sharing: Verliert custom System Prompts

Token-Nutzung für große Szenarien (150 Events): Beobachtung: Weit innerhalb von Claudes 200K Context-Limit. Keine Optimierung nötig.

​

Modell-Auswahl

​

Aktuelle Strategie

Der Model Selector Prompt versucht, das optimale Modell zu wählen. Problem: Model Selector selbst verursacht einen zusätzlichen API-Call.

​

Empfohlene Vereinfachung (P2)

Hardcodierte Modell-Auswahl basierend auf Task-Typ: Vorteil: Spart 1 API-Call pro Generierung, konsistentere Auswahl

​

Erweiterte Systeme

​

Knowledge Augmentation

Domain-Expertise (KRITIS, NIS-2, Krisenprozesse) wird durch Wissensbasen in den Prompt injiziert. Selective Loading + Prompt Caching → 90% Kosteneinsparung.

​

Scenario Persistence

MongoDB Atlas speichert Szenarien persistent. Auto-Save an Meilensteinen, CRUD API, Szenario-Bibliothek.

​

Nächste Schritte

Für detaillierte Informationen zu spezifischen Aspekten, siehe:

• Prompt-Architektur - Detaillierte Analyse des Prompt-Systems
• Knowledge Augmentation - KRITIS/NIS-2 Fachwissen-Injektion
• Best Practices - Implementierte Best Practices und Optimierungen