LarQL (LQL)

Was ist LarQL?

LarQL — auch als LQL bezeichnet — ist eine Abfragesprache zur direkten Interaktion mit dem in großen Sprachmodellen (LLM) codierten Wissen. Sie verwendet vertraute SQL-ähnliche Syntax (SELECT, INSERT, UPDATE, DELETE, DESCRIBE) angewendet nicht auf Zeilen in einer relationalen Datenbank, sondern auf den strukturierten Wissensgraph, den LLMs beim Training intern aufbauen.

Während traditionelle Tools Modellgewichte als undurchsichtigen Binär-Blob behandeln, behandelt LarQL sie als abfragbaren Wissensspeicher. Ein Praktiker kann inspizieren, was ein Modell über eine bestimmte Entität weiß, genau verfolgen, wie das Modell zu einer bestimmten Inferenz kommt, und gezieltes Wissenspflaster anwenden — alles ohne das Modell neu zu trainieren oder die Basis-Gewichtsdateien zu ändern.

Kernkonzepte

Der Vindex

Ein Vindex (Vektorindex) ist die extrahierte, abfragbare Darstellung des internen Wissens eines Modells. Er wird aus Modellgewichten mit dem Befehl larql extract-index generiert und als eigenständige Datei gespeichert. Nach der Extraktion kann ein Vindex ohne das vollständige Modell durchsucht und abgefragt werden — und ohne GPU-Hardware.

Der Vindex codiert die gelernten Assoziationen des Modells zwischen Entitäten, Beziehungen und Schichten und macht es möglich, Fragen wie „Was glaubt dieses Modell, ist der Sitz von Apple?" oder „Welche Konzepte verbindet dieses Modell mit GDPR in der Nähe von Schicht 20?" zu stellen.

Patch-Overlays

Die Schreiboperationen von LarQL — INSERT, UPDATE, DELETE — ändern die Basis-Modellgewichtsdateien nicht. Stattdessen erstellen sie ein .patch-Datei-Overlay, das zur Inferenzzeit angewendet wird. Dies macht Wissensbearbeitungen:

• Sofort: keine Neukompilierung oder Feinabstimmungsschritte
• Reversibel: das Basismodell ist unverändert; Patches können entfernt oder ersetzt werden
• Leichtgewichtig: ein Patch mit 234 Fakten benötigt ungefähr 2,1 MB gegen ein 16 GB großes Basismodell

Bereit, Ihr Geschäft zu erweitern?

Starten Sie heute Ihre kostenlose Testversion und sehen Sie innerhalb weniger Tage Ergebnisse.

Demo anfragen Anmelden

LarQL einrichten

Um mit dem Wissen eines Modells zu arbeiten, extrahieren Sie einen Vindex und öffnen Sie den interaktiven REPL:

larql extract-index path/to/your-model -o company-model.vindex --f16
larql repl

Das Flag --f16 extrahiert den Index mit 16-Bit-Gleitkommapräzision. Der resultierende Vindex für ein Modell wie Gemma 3 4B ist ungefähr 3 GB.

Durchsuchen des Modellwissens

Diese Befehle funktionieren gegen den extrahierten Vindex und benötigen keine GPU:

Inspizieren Sie eine bestimmte Entität:

DESCRIBE "Apple Inc"

Gibt alles Wissen zurück, das das Modell über die Entität hat, organisiert nach Schicht und Feature: Industrie, Produkte, Hauptsitz, gegründet_von, Aktienticker und alle anderen Beziehungen, die während des Trainings gelernt wurden.

Fragen Sie eine bestimmte Beziehung über alle Entitäten ab:

SELECT * FROM edges WHERE relation='headquarters' LIMIT 10

Finden Sie Konzeptassoziationen nach Entfernung:

SELECT * FROM edges WHERE entity='GDPR' NEAREST_TO Layer 20 LIMIT 5

Findet die fünf Konzepte, die GDPR in der Nähe von Schicht 20 der Wissensdarstellung des Modells am nächsten sind.

Listen Sie alle Beziehungstypen auf, die das Modell gelernt hat:

SHOW relations

Gibt die vollständige Liste der im Modell vorhandenen Beziehungstypen zurück. Ein typisches Modell mittlerer Größe kodiert über 1.000 Beziehungstypen.

Abonnieren Sie unseren Newsletter

Erhalten Sie die neuesten Tipps, Trends und Angebote kostenlos.

E-Mail-Adresse

Abonnieren

Inferenz und Ablauf

Führen Sie Inferenz mit Wahrscheinlichkeitswerten durch:

INFER 'The headquarters of Apple is located in' TOP 5

Gibt die top 5 Vervollständigungen mit Konfidenzwerten zurück (z.B.: Cupertino 0.71, Kalifornien 0.14, usw.).

Verfolgen Sie die Inferenz Schicht für Schicht:

TRACE 'The CEO of Tesla is' TOP 3

Erstellt eine schichtenweise Zerlegung, die zeigt, wie das Modell auf seine Ausgabe hinarbeitet — von der anfänglichen Syntaxerkennung bis zur Domänenidentifikation, Wissenaabruf und Ausgabebindung. Wird zur Halluzinations-Forensik verwendet, wenn ein Modell eine unerwartete oder falsche Antwort erzeugt.

Gehen Sie ein Konzept über Schichten hinweg:

WALK "climate change" LAYERS 10 TO 28

Zeigt, wie sich die Assoziationen des Modells für ein Konzept über Schichten entwickeln — von konkreten Textkoinzidenzen in frühen Schichten zu abstrakten semantischen Assoziationen in tieferen Schichten.

Wissensbearbeitung mit Patch-Overlays

Die Schreiboperationen von LarQL erstellen ein .patch-Overlay, ohne Basis-Modelldateien zu berühren:

Fügen Sie einen neuen Fakt ein:

INSERT INTO edges (entity, relation, target, confidence)
VALUES ('Acme Corp', 'CEO', 'Jane Smith', 0.95)

Aktualisieren Sie einen vorhandenen Fakt:

UPDATE edges
SET target = 'Jane Smith'
WHERE entity = 'Acme Corp' AND relation = 'CEO'

Unterdrücken Sie einen Fakt:

DELETE FROM edges
WHERE entity = 'Acme Corp' AND relation = 'former_CEO'

Inspizieren Sie aktive Patches:

SHOW patches

Listet alle aktiven Patch-Dateien, deren Größen und Faktenzähler auf. Ein Patch mit 234 Fakten gegen ein 16 GB großes Basismodell totaliert ungefähr 2,1 MB.

Audit-Anwendungsfall: Wissenskontrolle vor der Bereitstellung

Ein kompletter Verifikations-Workflow vor der Bereitstellung mit LarQL:

-- 1. Inspizieren Sie, was das Modell über Ihr Produkt weiß
DESCRIBE "Acme Corp"

-- 2. Finden Sie falsche Assoziationen
SELECT * FROM edges WHERE entity='Acme Corp' AND relation='CEO'

-- 3. Überprüfen Sie auf Verwechslungen mit konkurrierenden Marken
SELECT * FROM edges WHERE entity='Acme Corp' NEAREST_TO Layer 20 LIMIT 10

-- 4. Patchen Sie alle falschen Fakten vor der Bereitstellung
UPDATE edges SET target='Jane Smith' WHERE entity='Acme Corp' AND relation='CEO'

Dieser Workflow ist die Grundlage eines Modell-Audits vor der Bereitstellung: systematische Überprüfung, dass das interne Wissen des Modells für Ihre Domain vor der Bereitstellung für Benutzer korrekt ist.

Anwendungsfall: SEO-Intelligenz aus Modellgewichten

Ein Sprachmodell, das auf Billionen von Web-Dokumenten trainiert wurde, hat die semantische Struktur jedes Themenbereichs internalisiert, auf den es gestoßen ist. Anstatt SERPs zu kratzen oder Schlüsselwortdaten zu kaufen, können Sie diese Struktur direkt lesen, indem Sie die internen Darstellungen des Modells sondieren — ohne dass eine Generierung erforderlich ist.

Wenn Sie eine Abfrage wie "Affiliate-Software" an ein LLM einreichen, feuern bestimmte Neuronen in den Feedforward-Schichten in einem charakteristischen Muster. Diese Aktivierungen kodieren, was das Modell für semantisch benachbart hält: Konkurrenten, verwandte Technologien, Anwendungsfälle, Bewertungsseiten. LarQL macht diese Assoziationen abfragbar.

Kartografieren Sie die semantische Nachbarschaft eines beliebigen Schlüsselworts:

-- Welche Konzepte clustern um Ihren Kernbegriff in der Wissenszahl (Schichten 12–34)?
WALK "affiliate software" LAYERS 12 TO 34

-- Finden Sie die Top-assoziierten Entitäten bei maximaler Wissensstiefe
SELECT * FROM edges WHERE entity='affiliate software' NEAREST_TO Layer 22 LIMIT 20

-- Welche Beziehungstypen verwendet das Modell für diese Domain?
SHOW relations

Was Sie erhalten: eine priorisierte Liste von semantisch benachbarten Begriffen, die widerspiegelt, was das Modell (und der Web-Corpus, auf dem es trainiert wurde) als natürliche Nachbarschaft Ihres Themas betrachtet — Themencluster-Kandidaten, Integrations-Schlüsselwörter und Langstrecken-Winkel, die herkömmliche Schlüsselwort-Tools vermissen, da sie Popularität, nicht semantische Struktur messen.

Die Konfidenzwerte von NEAREST_TO geben die semantische Distanz in der internen Darstellung des Modells an. Begriffe mit hohen Konfidenzwerten sind tief mit Ihrer Abfrage in den Modelwissen verflochten — sie sind natürliche Co-Occurrence-Ziele für die Content-Strategie.

Anwendungsfall: Konkurrenzentdeckung und Markenkolokalisierung

Ein Modell, das auf Web-Scale-Daten trainiert wurde, hat gelernt, welche Marken in denselben Diskussionen erscheinen. Dies ist signalreichergalsmäßig als Backlink-Überlappung oder SERP-Koozurrenzen: es spiegelt die konsolidierte Überzeugung des Modells wider, welche Unternehmen im selben Raum tätig sind, aufgebaut aus Millionen von Artikeln, Bewertungen, Vergleichsseiten und Forum-Threads.

-- Welche Marken sieht das Modell als mit Ihrer kolozialisiert?
SELECT * FROM edges WHERE entity='IhrMarke' NEAREST_TO Layer 19 LIMIT 15

-- Überprüfen Sie, dass dies Markenkolokalisierung ist, keine Kategorieverwechslung
DESCRIBE "IhrMarke"

-- Überprüfen Sie das Gleiche für einen spezifischen Konkurrenten
SELECT * FROM edges WHERE entity='KonkurrentX' NEAREST_TO Layer 19 LIMIT 15

Validieren Sie mit Inferenz-Kreuzreferenzen:

-- Produziert das Modell Konkurrenten bei direkten Vervollständigungen?
INFER 'The main alternatives to YourBrand are' TOP 8

-- Monte-Carlo-Überprüfung: welche Marken tauchen am häufigsten auf?
INFER 'Companies similar to YourBrand include' TOP 5

Die Marken, die sowohl in der internen FFN-Spur (NEAREST_TO) als auch in generativen Vervollständigungen (INFER) erscheinen, tragen das höchste Vertrauen. Sie repräsentieren die konsolidierte Konkurrenzlandschaft des Modells — direkt umsetzbar für „vs" Vergleichsseiten, Migrationsleitfäden und alternative Landingpages.

Anwendungsfall: Markenwahrnehmungsprüfung

Bevor Sie ein LLM in einer kundenorientierten Rolle einsetzen — oder bevor Sie eine Kampagne starten — lohnt es sich zu verstehen, wie das Modell Ihre Marke intern charakterisiert. Dies unterscheidet sich davon, was das Modell sagt, wenn man es fragt: es spiegelt die latenten Assoziationen wider, die aus Trainingsdaten aufgebaut sind, von denen einige Ihre beabsichtigte Positionierung widersprechen können.

-- Vollständige Charakterisierung Ihrer Marke im Modellwissen
DESCRIBE "IhrMarke"

-- In welche Kategorie ordnet das Modell Sie ein?
SELECT * FROM edges WHERE entity='IhrMarke' AND relation='category'

-- Mit welchen Technologien sind Sie assoziiert?
SELECT * FROM edges WHERE entity='IhrMarke' AND relation='integrates_with'

-- Gibt es unerwünschte Assoziationen?
SELECT * FROM edges WHERE entity='IhrMarke' NEAREST_TO Layer 20 LIMIT 30

Schicht-für-Schicht gehen, um zu sehen, wie sich Assoziationen entwickeln:

-- Frühe Schichten: oberflächliche Koinzidenzen
-- Mittlere Schichten (12–34): faktische Assoziationen
-- Spätere Schichten: Ausgabeformatierung und Stil
WALK "IhrMarke" LAYERS 10 TO 35

Wenn das Modell Ihre Marke in die falsche Kategorie einordnet, sie mit einem Konkurrenten assoziiert, den es nicht sollte, oder veraltete Positionierung widerspiegelt, können diese Lücken direkt mit dem Wissensvermittlungsmechanismus gepflastert werden — Korrektur der internen Darstellung des Modells ohne Neutraining.

Anwendungsfall: Wissenslückenanalyse vor der Bereitstellung

Bei der Evaluierung eines Open-Source-Modells für eine Domain-spezifische Bereitstellung ist die kritische Frage nicht Benchmark-Leistung — sie ist: kennt dieses Modell unseren Bereich genug, um nützlich zu sein, und weiß es etwas Falsches?

LarQL ermöglicht einen strukturierten Pre-Deployment-Wissensscan über Ihren gesamten Themenbereich:

-- Schritt 1: Produktwissen auditieren
DESCRIBE "IhrProdukt"
DESCRIBE "IhrProdukt v2"

-- Schritt 2: Kategorie- und Positionierungswissen überprüfen
SELECT * FROM edges WHERE entity='IhrProdukt' AND relation='category'
SELECT * FROM edges WHERE entity='IhrProdukt' AND relation='primary_use_case'

-- Schritt 3: Lücken finden — Themen ohne Assoziationen
SELECT * FROM edges WHERE entity='ihr_schlüsselthema' NEAREST_TO Layer 20 LIMIT 5
-- Wenige oder keine Ergebnisse = eine Wissenslücke

-- Schritt 4: Falsche Fakten finden
SELECT * FROM edges WHERE entity='IhrUnternehmen' AND relation='CEO'
SELECT * FROM edges WHERE entity='IhrProdukt' AND relation='pricing_model'

-- Schritt 5: Bestätigte Fehler vor dem Live-Betrieb patchen
UPDATE edges SET target='Aktueller CEO-Name' WHERE entity='IhrUnternehmen' AND relation='CEO'

Dieser Workflow ersetzt den „Deploy and wait for complaints" Ansatz. Ein 4-stündiges Audit mit LarQL gegen einen Vindex kann Wissenslücken und faktische Fehler aufdecken, die sonst echte Benutzer erreichen würden — und sie am selben Tag patchen, ohne GPU erforderlich.

Anwendungsfall: Halluzinations-Grundursachenanalyse

Wenn ein bereitgestelltes LLM eine falsche oder schädliche Antwort produziert, ist die Standardantwort, das Systemprompt zu aktualisieren oder Schutzvorrichtungen hinzuzufügen. Aber Prompt-Patches behandeln Symptome. LarQL ermöglicht die Diagnose auf Gewichtsebene: warum glaubte das Modell das?

-- Reproduzieren Sie den Inferenzpfad, der zur falschen Antwort führte
TRACE 'The CEO of Acme Corp is' TOP 3

-- Finden Sie die Schicht, in der das falsche Fakt abgerufen wurde
-- (Schichtnummern in TRACE-Ausgabe zeigen, wo die festgelegte Antwort kristallisiert)

-- Überprüfen Sie, was das Modell für diese Entität/Beziehung tatsächlich speichert
SELECT * FROM edges WHERE entity='Acme Corp' AND relation='CEO'

-- Überprüfen Sie keine polysemantische Verwechslung (dasselbe Neuron kodiert zwei Dinge)
SELECT * FROM edges WHERE entity='Acme Corp' NEAREST_TO Layer 23 LIMIT 10

-- Wenden Sie die gezielte Reparatur an
UPDATE edges SET target='Jane Smith' WHERE entity='Acme Corp' AND relation='CEO'

Die TRACE-Ausgabe zeigt die Wahrscheinlichkeitsverteilung über Schichten — von der anfänglichen Syntaxerkennung durch Wissenaabruf in den mittleren Schichten bis zum Ausgabebindung. Dies ist das primäre Werkzeug für forensische Analysen, wenn ein Modell-verursachter Vorfall regulatorische oder juristische Dokumentation erfordert: es zeigt wo das falsche Fakt in den Inferenzpfad eintrat und warum das Modell vertrauensvoll war.

Leistungsreferenz (Apple Silicon)

Vindex-Browsing und SELECT-Abfragen werden vollständig auf der CPU ausgeführt. INFER und TRACE erfordern, dass das Modell geladen ist.

Beziehung zu LLM-Wissensdiensten

LarQL ist die zugrunde liegende Technologie hinter jedem Service im LLM-Wissenslebenszyklus:

• Pre-Deployment-Audit: DESCRIBE, SELECT und NEAREST_TO scannen das Modelwissen über Ihre Domain vor dem Live-Gang
• Wissensverwaltung: Das Patch-Overlay (INSERT, UPDATE, DELETE) wendet Korrekturnen direkt auf bereitgestellte Gewichte an ohne Neutraining
• Compliance und Audit-Trails: SHOW patches bietet einen auditierbaren Datensatz jedes Fakts, das in einem Modell geändert wurde
• SEO-Intelligenz: WALK und NEAREST_TO blegen die interne semantische Karte des Modells jeden Themenraumes
• Konkurrenz- und Markenanalyse: NEAREST_TO mit INFER-Kreuzvalidierung offenbart die Kolokalisierungsüberzeugungen des Modells auf Gewichtsebene
• Halluzinations-Forensik: TRACE zerlegt den Inferenzpfad Schicht für Schicht und identifiziert genau wo eine falsche Antwort abgerufen und festgelegt wurde