Das Elephant-Goldfish-Modell: Warum unwissende AI-Reviewer am besten prüfen
Googles Open-Source-Plugin EGM nutzt Reviewer mit frischem Kontext, um ein Design bereits vor dem ersten Code zu prüfen. Der Ansatz unterscheidet sich grundlegend davon, denselben Chat den eigenen Output prüfen zu lassen.
Als ich das Repository von Googles Elephant-Goldfish-Modell öffnete, lautete die erste Zeile unter dem Logo ein Slogan: "Design with an elephant. Review with a goldfish." Ich hatte bereits viele KI-Coding-Tools gesehen, aber keines, das damit begann, der KI zu befehlen, Dinge absichtlich zu vergessen.
Nach der Einleitung erklärt der Artikel auf konzeptioneller Ebene, was das Elephant-Goldfish-Modell (EGM) ist: ein Ansatz für spec-driven development, bei dem eine lange "Elefanten"-Session einen Entwurf ausarbeitet, während separate, frische "Goldfisch"-Reviewer-Sessions mit neuem Kontext ausschließlich diesen Entwurf (und ein Rubrik) lesen, bevor überhaupt Code existiert. Es gliedert die Rollen und die Architektur des EGM in Schichten (Skills/Commands, zustandslose Reviewer-Personas, Dokumentstandards und versionierte "living documentation"), und beschreibt anschließend, wie der Workflow in Phasen abläuft: Brainstorming, Entwurf, strukturierte mehrstufige Überprüfung mit Priorisierung und erneuter Überprüfung, Auflösung und Freigabe in einer Schleife aus Bearbeitung und Abzeichnung sowie schließlich Implementierung, gefolgt von Drift-Reporting, wenn der Code von der Spezifikation abweicht. Ein konkretes Beispiel zur Webhook-Auslieferung zeigt, wie der Kontext des Elefanten Lücken übersehen kann, die Reviewer erkennen, wenn sie mit einem sauberen Ausgangszustand beginnen.
Der Artikel stellt EGM außerdem gängigen Prompting-Patterns gegenüber (direktes Coden, Selbstüberprüfung im selben Kontext, ein generisches "Review this" oder veraltete Dokumentation) und endet mit praktischen Grenzen wie zusätzlichen Kosten und Latenz, den Anforderungen an Harnesses mit Subagent-Fähigkeiten sowie der Tatsache, dass der Ansatz weder Tests noch menschliches Urteilsvermögen ersetzt.
Schließen Sie sich Tausenden Data-Leadern im KI-Newsletter an. Werden Sie Teil von über 80.000 Abonnenten und bleiben Sie über die neuesten Entwicklungen in der KI auf dem Laufenden. Von Forschung über Projekte bis hin zu Ideen. Wenn Sie ein KI-Startup, ein KI-bezogenes Produkt oder einen Dienst aufbauen, laden wir Sie ein, Sponsor zu werden.
15 Engineers. Über 100.000 Studierende. Die Towards AI Academy vermittelt das, was wirklich in Produktion überlebt.
→ AI Engineering For Production — unser neues Buch, das vor Ende 2026 erscheint. Treten Sie der Warteliste bei.
→ Agents Architecture Cheatsheet — drei Jahre Architekturentscheidungen auf sechs Seiten
→ AI Engineering Certification — mehr als 90 Lektionen von der Projektauswahl bis zum deployten Produkt. Der umfassendste praktische LLM-Kurs, den es gibt.
→ Agent Engineering Course — Praxisnah mit Produktions-Architekturen für Agenten, Memory, Routing und Eval-Frameworks, entwickelt aus echten Enterprise-Projekten.
→ AI for Work — KI für komplexe Arbeitsaufgaben verstehen, evaluieren und anwenden.
Hinweis: Der Inhalt des Artikels gibt die Ansichten der jeweiligen Autoren wieder und nicht die von Towards AI.
Automatisch übersetzt. Das Original auf Englisch ist unten aufklappbar.
Original (Englisch) anzeigen
When I opened Google’s elephant-goldfish-model repository, the first line under the logo was a tagline: "Design with an elephant. Review with a goldfish." I had seen plenty of AI coding tools, but none that started by telling the AI to forget things on purpose.
After the introduction, the article explains what the Elephant-Goldfish Model (EGM) is at a conceptual level—an approach to spec-driven development where one long “elephant” session drafts a design and separate, fresh-context “goldfish” reviewer sessions read only that draft (and a rubric) before any code exists. It breaks down EGM’s roles and architecture into layers (skills/commands, stateless reviewer personas, document standards, and versioned “living documentation”), then walks through how the workflow runs in phases: brainstorm, draft, structured multi-stage review with prioritization and re-review, resolve/approve in an edit-and-signoff loop, and finally implement followed by drift reporting when code diverges from the spec. A concrete webhook-delivery example shows how the elephant’s context can miss gaps that reviewers catch when they start from a clean slate.
The piece also contrasts EGM against common prompting patterns (direct coding, self-review in the same context, one generic “review this,” or stale docs) and ends with practical limits such as extra cost/latency, requirements for subagent-capable harnesses, and the fact that it doesn’t replace testing or human judgment.
Join thousands of data leaders on the AI newsletter. Join over 80,000 subscribers and keep up to date with the latest developments in AI. From research to projects and ideas. If you are building an AI startup, an AI-related product, or a service, we invite you to consider becoming a sponsor.
15 engineers. 100,000+ students. Towards AI Academy teaches what actually survives production.
→ AI Engineering For Production — our new book, coming before the end of 2026. Join the waitlist.
→ Agents Architecture Cheatsheet — 3 years of architecture decisions in 6 pages
→ AI Engineering Certification — 90+ lessons from project selection to deployed product. The most comprehensive practical LLM course out there.
→ Agent Engineering Course — Hands on with production agent architectures, memory, routing, and eval frameworks — built from real enterprise engagements.
→ AI for Work — Understand, evaluate, and apply AI for complex work tasks.
Note: Article content contains the views of the contributing authors and not Towards AI.