# Eine Prompt-Änderung kontrolliert ausrollen
Typ: Checkliste
Herkunft: llm-production-ops / release-rollout / ops-rollout-sequence
Version: ops-rollout-sequence-2026-09-04
Geprüft: 2026-09-04

ACHTUNG: Dieses Dokument ist ein Lernartefakt aus einer Schulungssequenz. Es ist kein produktives Runbook. Vor jeder Anwendung in einer realen Umgebung müssen die Schritte gegen lokale Dokumentation, Runbooks und Freigabestatus geprüft werden.

## Szenario
Eine neue Prompt- und Retrieval-Konfiguration verbessert das Offline-Eval. In Produktion könnte sie jedoch die Refusal-Rate und Antwortqualität für seltene Anfragen verschlechtern.

## Schritte
1. Prompt, Modell-Pin, Decoding- und Retrieval-Konfiguration als gemeinsames, versioniertes Release-Artefakt festlegen.
2. Qualitätssignale, Vergleichsbasis, Zeitfenster, Rollback-Trigger und sicheren Fallback vor der Exposition festlegen.
3. Wenn Nutzerkontakt zunächst unvertretbar ist: Requests gespiegelt vergleichen und Seiteneffekte isolieren.
4. Kleinen echten Traffic-Anteil exponieren und nur bei erfüllten Qualitäts- und Betriebs-Gates ausweiten.
5. Bei Trigger auf das bekannte Artefakt oder den getesteten Fallback zurückführen.

## Begründung
Warum: Ein kontrollierter Rollout koppelt jede Exposition an ein identifizierbares Artefakt, vorab definierte Signale und einen funktionierenden Rückweg. Shadow ist ein optionales Vor-Gate; der Rückweg bleibt während aller Stufen verfügbar.
Folgen: **+** Der Blast Radius einer Qualitätsregression bleibt begrenzt und erklärbar. **−** Vergleich, Telemetrie und Fallback kosten Zeit, Infrastruktur und gegebenenfalls zusätzliche Inferenz.

## Quellen
1. Google SRE Workbook, Canarying Releases — https://sre.google/workbook/canarying-releases/
2. Google SRE Workbook, Configuration Design — https://sre.google/workbook/configuration-design/
3. Kubernetes Deployments — https://kubernetes.io/docs/concepts/workloads/controllers/deployment/
4. Kubernetes Rolling Update and Rollback — https://kubernetes.io/docs/tasks/run-application/update-deployment-rolling/
5. NIST AI RMF Core — https://airc.nist.gov/airmf-resources/airmf/5-sec-core/