LLM Council installieren: Warum du deine KI nicht alleine antworten lassen solltest
KI-Modelle stimmen zu oft zu. LLM Council lässt mehrere Modelle unabhängig antworten, gegenseitig prüfen und eine bessere Synthese bauen — inklusive Installation.
Eine einzelne KI ist bequem. Genau das ist das Problem.
Wenn ein Modell zu oft zustimmt, fühlt sich die Antwort angenehm an, aber sie wird nicht automatisch besser. Stanford-Forscher haben 2026 in Science gezeigt: In getesteten Beratungsszenarien bestätigten führende KI-Modelle Nutzerpositionen 49 Prozent häufiger als Menschen — selbst dann, wenn die beschriebenen Handlungen problematisch waren.
Für private Beziehungsfragen ist das heikel. Für Business-Entscheidungen ist es teuer. Eine KI, die dir nur glatt formuliert, warum dein Plan schon passt, ist kein Sparringspartner. Sie ist ein höflicher Risiko-Verstärker.
Der bessere Workflow: Du lässt nicht ein Modell entscheiden. Du baust dir einen kleinen Rat aus mehreren Modellen, lässt sie unabhängig antworten, gegenseitig prüfen und dann eine finale Synthese erzeugen. Genau das macht Andrej Karpathys Open-Source-Projekt LLM Council.
Was ist LLM Council?
LLM Council ist eine lokale Web-App von Andrej Karpathy. Statt eine Frage an ein einzelnes Modell zu schicken, sendet die App dieselbe Frage über OpenRouter an mehrere Modelle. Danach passiert etwas Entscheidendes: Die Modelle sehen die Antworten der anderen, bewerten sie anonymisiert und ein Chairman-Modell fasst die stärksten Punkte zu einer finalen Antwort zusammen.
Der Ablauf ist simpel:
- First opinions: Jedes Modell antwortet unabhängig.
- Review: Die Modelle bewerten die Antworten der anderen nach Genauigkeit und Einsicht.
- Final response: Ein Chairman-Modell baut daraus eine finale Antwort.
Das ist kein magischer Wahrheitsautomat. Aber es reduziert einen der häufigsten Fehler im KI-Alltag: dass du zu früh einer sauber klingenden Einzelantwort glaubst.
Warum das gerade für Unternehmer relevant ist
Viele KI-Workflows scheitern nicht am Tool, sondern an fehlender Systemfähigkeit. Ein Chatfenster ist kein Entscheidungsprozess. Es fehlt Reibung, Gegenprüfung, Quellenlage und ein klares Kriterium, wann eine Antwort gut genug ist. Mehr dazu im BlackBelt-Beitrag Warum KI in Unternehmen nicht am Tool scheitert, sondern an Systemfähigkeit.
Das sieht man besonders bei Aufgaben wie:
- Angebot oder Positionierung prüfen
- Kampagnenidee bewerten
- Code-Architektur entscheiden
- Content-Hook gegenlesen
- Risikoannahmen in einem Projekt finden
- Strategie-Optionen vergleichen
Ein einzelnes Modell optimiert oft auf flüssige Hilfsbereitschaft. Ein Council-Workflow zwingt Perspektiven nebeneinander. Genau diese Reibung ist wertvoll.
Die Installation: LLM Council lokal aufsetzen
Du brauchst keinen großen Server. Lokal auf deinem Rechner reicht.
Voraussetzungen:
- Git
- Python 3.10 oder neuer
- uv für Python-Abhängigkeiten
- Node.js und npm für das Frontend
- einen OpenRouter API-Key mit Credits
1. Repository klonen
Öffne dein Terminal und klone das Projekt von GitHub: git clone https://github.com/karpathy/llm-council.git. Danach wechselst du mit cd llm-council in den Ordner.
2. Backend-Abhängigkeiten installieren
Das Projekt nutzt uv. Im Root-Verzeichnis führst du uv sync aus. Wenn uv noch nicht installiert ist, installierst du es zuerst über die offizielle uv-Dokumentation. Der Punkt ist: Nicht mit globalen Python-Paketen herumstochern. Saubere Umgebung, reproduzierbarer Lauf.
3. Frontend installieren
Das Frontend liegt im Ordner frontend. Dort führst du npm install aus und wechselst danach wieder zurück ins Projektverzeichnis.
4. OpenRouter API-Key eintragen
Lege im Projekt-Root eine .env Datei an und trage OPENROUTER_API_KEY=dein_api_key ein. Wichtig: Kein API-Key gehört in GitHub, Slack, Chat-Verläufe oder Screenshots. Lokal in .env, fertig.
5. Modelle konfigurieren
Die Modelle konfigurierst du in backend/config.py. Das README zeigt beispielhaft mehrere Modelle plus ein Chairman-Modell. Der eigentliche Hebel ist nicht, möglichst viele Modelle hineinzupacken. Der Hebel ist Rollenvielfalt.
Ein sinnvoller Start:
- ein starkes Reasoning-Modell
- ein schnelles Gegenmodell
- ein Modell mit guter Schreibqualität
- optional ein Modell, das du bewusst als Skeptiker einsetzt
Wenn alle Modelle denselben blinden Fleck haben, ist der Council nur teurer Konsens.
6. App starten
Entweder startest du über ./start.sh oder manuell in zwei Terminals: uv run python -m backend.main für das Backend und cd frontend && npm run dev für das Frontend. Danach öffnest du die lokale App im Browser. Im README ist http://localhost:5173 als Frontend-Adresse genannt.
Unser empfohlener Council-Prompt
Der Prompt entscheidet, ob der Council wirklich arbeitet oder nur vier Varianten derselben Antwort produziert.
Nutze für Business-Entscheidungen diese Struktur:
- Kontext: Was ist die Situation?
- Ziel: Was soll entschieden werden?
- Constraints: Budget, Zeit, Marke, rechtliche Grenzen, technische Grenzen.
- Entscheidungskriterien: Was macht eine Antwort gut?
- Expliziter Auftrag: Finde Annahmen, Gegenargumente, Risiken und eine konkrete nächste Aktion.
Bewerte diese Kampagnenidee für ein deutsches B2B-KI-Unternehmen. Suche zuerst die stärkste Version der Idee. Danach zerlege sie: Hook-Risiko, Zielgruppen-Fit, Beweislast, rechtliche Risiken, Produktionsaufwand. Gib am Ende eine klare Go/No-Go-Empfehlung mit einer besseren Alternative, falls der Hook nicht trägt.
Der Satz "gib mir Feedback" ist zu weich. Ein gutes Council-Briefing erzwingt Friktion.
Was du nicht erwarten solltest
LLM Council ersetzt keine Faktenprüfung. Es macht aus mehreren Modellmeinungen keine Wahrheit. Wenn du eine rechtliche, medizinische oder finanzielle Entscheidung triffst, brauchst du weiterhin echte Quellen und im Zweifel echte Experten.
Der Nutzen liegt woanders: Du bekommst bessere Denkoberfläche. Mehr Gegenargumente. Mehr sichtbare Annahmen. Weniger blinde Zustimmung.
Gerade deshalb passt der Workflow zu modernen Marketing-Systemen: SEO, GEO, Content, Kampagnen und Automationen brauchen nicht mehr Output. Sie brauchen bessere Prüfprozesse. Das ist derselbe Grund, warum Sichtbarkeit in AI Search nicht mehr nur Ranking, sondern Zitationsfähigkeit braucht — siehe AI Search 2026: Warum Zitationsfähigkeit zählt.
BlackBelt-Workflow: Vom Social-Video zum Blogbeitrag
Für uns ist der Council nicht nur ein Tool-Tipp. Er ist ein Beispiel dafür, wie Social Content, SEO und AI Search zusammenlaufen sollten.
Das Reel öffnet die Frage: "Warum sagt deine KI dir zu oft Ja?"
Der Blogbeitrag beantwortet sie ausführlich:
- Was das Problem ist
- Welche Quelle dahinterliegt
- wie du LLM Council installierst
- wie du es sinnvoll nutzt
- welche Grenzen du kennen musst
So wird aus einem Short kein isolierter Impuls, sondern ein auffindbares Asset. TikTok und YouTube Shorts bekommen keinen wackligen DM-CTA. Sie verweisen sauber auf diesen Beitrag. Der Beitrag trägt die Installation, die Quellen und die interne Verlinkung.
Wenn du solche Systeme für dein Unternehmen bauen willst, ist das der eigentliche Punkt: Content ist nicht nur Posting. Content ist Infrastruktur.
Weiterführende Links
FAQ
Was ist LLM Council?
LLM Council ist eine lokale Web-App von Andrej Karpathy, die eine Frage an mehrere KI-Modelle sendet, deren Antworten gegenseitig prüfen lässt und am Ende eine zusammengeführte Antwort erzeugt.
Brauche ich OpenRouter?
Ja, das Projekt nutzt OpenRouter, um mehrere Modellanbieter über eine Schnittstelle anzusprechen. Dafür brauchst du einen OpenRouter API-Key und Credits.
Ist LLM Council besser als ChatGPT?
Nicht automatisch. Es ist besser für Entscheidungen, bei denen du Perspektiven, Gegenargumente und Risikoanalyse brauchst. Für schnelle Routinefragen ist ein einzelnes Modell oft ausreichend.
Kann ich LLM Council für Marketing nutzen?
Ja. Besonders stark ist es für Kampagnenbewertung, Hook-Kritik, Angebotspositionierung, Content-Strategie und Risikoanalyse. Der Council sollte aber klare Entscheidungskriterien bekommen, sonst produziert er nur mehr Text.
Ersetzt der Council Faktenprüfung?
Nein. Mehrere Modelle können denselben Fehler teilen. Nutze Council-Antworten als Denkoberfläche und prüfe harte Claims gegen Primärquellen.
Deniz
Founder
10+ Jahre E-Commerce und Online-Marketing. BlackBelt Ki ist aus der Erfahrung entstanden, dass Unternehmen selten am Wissen scheitern, aber ständig an Kapazität und fehlender Systematik.
Weitere Artikel
Von OpenClaw zu Hermes: mein ehrlicher Wechsel aus der Wartungsschleife
Ich bin nicht von OpenClaw zu Hermes gewechselt, weil OpenClaw schlecht war. Am Anfang war ich fasziniert. Aber in meinem Alltag wurde aus Power irgendwann Wartung. Hermes fühlt sich für mein Setup ruhiger, sauberer und produktiver an.
Graphify für Claude Code: Schluss mit Token-Burn im Repo
Graphify baut aus deinem Codebase eine Knowledge Graph Map. So versteht dein AI-Coding-Agent Zusammenhänge, ohne jedes Mal dieselben Dateien neu zu lesen.
Vibe Coding Checkliste: 7 Checks, bevor deine KI-App zu Kunden geht
KI-App gebaut? Vor dem Kunden-Launch brauchst du diese 7 Checks: Secrets, Nutzerrechte, Lasttest, API-Limits, Validierung, Logs und Rollback — inklusive PDF-Download.