// austauschbar
Modell ≠ Lock-in
Gelernt werden nur Daten-Artefakte — Gewichte, Prompts, Quellen. Nie der Anwendungscode. Die Config überlebt jeden Modellwechsel.
Lokal-first · Rust · lokale LLMs
Ein Morning Briefing,
das sich jeden Tag selbst verbessert.
ibrief erstellt über Nacht ein kuratiertes Briefing, das auf eine konkrete Person zugeschnitten ist — und misst dann, was wirklich nützlich war, um sich anzupassen. 5 Minuten Signal statt Stunden Rauschen. Vollständig lokal auf einem Apple-Silicon-Rechner.
- weiterentwickeln
- am Ball bleiben
- gute Entscheidungen
- interessante Gespräche
Designphilosophie
Das Gedächtnis ist das Produkt — nicht das Modell.
ibrief folgt einer „LLM-OS"-Haltung: das LLM ist ein austauschbarer Rechenkern, der Wert liegt im persistenten, versionierten Zustand. Selbstverbesserung läuft auf der Leine — vorschlagen, gegen reales Feedback verifizieren, absichern, übernehmen, zurückrollen.
// autonomy slider
Auf der Leine
Jede vorgeschlagene Änderung durchläuft ein Safety Gate, bevor sie Default wird. Verifikation ist billiger als Generierung — viel vorschlagen, wenig (Geprüftes) übernehmen.
// anti-blase
Engagement ist nicht das Ziel
Ein naiver Engagement-Optimierer macht dich bequemer, aber dümmer. ibrief opfert bewusst kurzfristigen Score, um Diversität und Anti-Blase-Invarianten zu halten.
// gated autoresearch
Tiefe, kontrolliert
Mehrstufige Recherche (Karpathy-Style) ist mächtig, aber teuer und halluzinationsanfällig — daher ein budgetiertes, belegpflichtiges Modul, kein freilaufender Agent.
Der Selbstverbesserungs-Kreis
Ausliefern → Feedback → Bewerten → Lernen → Absichern.
Jede Nacht läuft die gleiche Schleife. Was nützlich war, verstärkt sich; was nicht, verblasst — innerhalb harter Sicherheitsgrenzen.
01
Deliver
Briefing erzeugen & pushen
02
Feedback
👍/👎 via Telegram-Buttons
03
Eval
Verhalten + Judge + Struktur
04
Learn
Gewichte · Prompts · Quellen
05
Gate
prüfen · übernehmen · rollback
↺ Der Verhaltens-Score ist die Ground Truth; der LLM-Judge dient v.a. im Cold-Start und wird gegen reales Feedback kalibriert.
Drei Achsen, jede abgesichert
Selbstverbesserung ist kein Feature — es sind drei.
AchseHebelAbsicherung
Gewichte
Quellen & Themen
Quellen & Themen
Multi-Armed-Bandit (Thompson / Beta-Sampling) mit Exploration-Floor [0.2, 2.0]
Safety Gate: Grenzen + Quellen-Diversität (max 50 %), versioniert, Rollback
Prompts
z. B. TL;DR-Synthese
z. B. TL;DR-Synthese
Optimizer-LLM erzeugt Varianten; Schatten-Test bewertet beide am selben Input
Adoption nur bei klarer Judge-Marge; Prompt-Versionierung + Experiment-Log
Quellen
Feed-Registry
Feed-Registry
Qualitäts-Scoring aus Feedback + Selektionshäufigkeit; schwache aussortieren
Drift-Wächter (HHI): bei Verengung wird Pruning ausgesetzt — Breite vor Score
Die nächtliche Pipeline
Vom Rohfeed zum kuratierten Briefing.
Ingest→Dedup→Enrich→Score (Gewichte)→Curate→TL;DR (gelernter Prompt)→Render→Persist→Push
Das Massen-Tier (Zusammenfassen, Tagging) läuft auf einem schnellen kleinen Modell, das Synthese-Tier (Kuratierung, Judge) auf einem 70B-Klasse-Modell — beide lokal. Der gesamte Lernzyklus läuft über Nacht praktisch kostenlos; ein Frontier-Modell wird nur optional zur Judge-Kalibrierung über ein bestehendes Abo (claude -p) hinzugezogen.
Anatomie eines Briefings
Drei Abschnitte mit klarer Absicht.
Die letzten beiden sind durch Personalisierung nicht wegoptimierbar. Der Lern-Loop kann dich nicht in eine bequeme Blase optimieren.
Highlights
Die wichtigsten Meldungen des Tages — personalisiert über die gelernten Gewichte. Plus „Die 3 Dinge heute" als Executive Summary.
Gegenperspektive fix
Ein ernsthaft dargestelltes, fair argumentiertes Gegenargument (Steelman) zu deiner eigenen Position — damit du in Gesprächen die andere Seite kennst, statt in der Blase zu argumentieren.
Wildcard fix
Ein bewusst überraschender, echter Artikel außerhalb deiner üblichen Interessen — bevorzugt aus einer Quelle, die es nicht in die Hauptauswahl geschafft hat.
Roadmap — vollständig implementiert
Sechs Meilensteine, jeder eigenständig nützlich.
M1 ✓
Statisches Briefing
Ingest → Enrich → Curate → Render gegen lokales Ollama.
M2 ✓
Persistenz & Feedback
SQLite (sqlx), Dedup, Briefing-Records; Telegram-Push mit 👍/👎-Buttons.
M3 ✓
Eval Engine
Verhaltens-Score + LLM-Judge gegen versionierte Rubrik + deterministische Strukturchecks.
M4 ✓
Lernen: Gewichte
Thompson-Bandit über Quellen/Themen, Safety Gate, Config-Versionierung & Rollback.
M5 ✓
Lernen: Prompts
Optimizer-LLM + Schatten-Test; temporales A/B-Entscheidungs-Primitiv.
M6 ✓
Quellen-Evolution + AutoResearch
Scoring, Pruning, Drift-Wächter; gated Deep-Research-Loop mit Beleg-Verifikation.
Schnellstart
Lokal in zwei Minuten.
Voraussetzung: Ollama mit einem Massen- und einem Synthese-Modell. Auf kleinerer Hardware einfach kleinere Modelle in config/profile.toml eintragen.
# Modelle holen ollama pull qwen2.5:14b # Massen-Tier (Enrich) ollama pull llama3.3:70b # Synthese-Tier (TL;DR, Judge) # Briefing erzeugen cargo run -p ibrief-app # = brief # Lernen & Optimieren cargo run -p ibrief-app -- eval # heutiges Briefing bewerten cargo run -p ibrief-app -- learn # Gewichte lernen (Thompson + Gate) cargo run -p ibrief-app -- optimize # TL;DR-Prompt im Schatten-Test verbessern cargo run -p ibrief-app -- sources evolve # Quellen bewerten + Drift-Wächter cargo run -p ibrief-app -- research "Was ist neu bei lokalen LLMs?"
Tech-Stack
Rust 1.95 · Edition 2024Tokio asyncOllama lokale LLMssqlx + SQLitefeed-rs Ingestreqwest Telegram-APIrand_distr Thompson12 Crates · CI grün
FAQ
Häufige Fragen.
Was ist ibrief?
Ein selbstverbesserndes, personalisiertes Morning Briefing. Es erstellt über Nacht ein kuratiertes Briefing und passt sich täglich an gemessenes Feedback an — vollständig lokal in Rust, mit lokalen LLMs via Ollama.
Wie verbessert sich ibrief selbst?
Auf drei abgesicherten Achsen: Gewichte (Thompson-Bandit), Prompts (Schatten-Test) und Quellen (Scoring plus Drift-Wächter). Jede Änderung durchläuft ein Safety Gate und ist versioniert und reversibel.
Wie vermeidet ibrief eine Filterblase?
Engagement ist nicht das Optimierungsziel. Zwei Sektionen — Gegenperspektive und Wildcard — sind nicht abschaltbar, und ein Drift-Wächter erzwingt Quellen-Diversität, auch auf Kosten des kurzfristigen Scores.
Brauche ich eine Cloud-API?
Nein. ibrief läuft vollständig lokal mit Ollama. Ein Cloud-Frontier-Modell ist optional und nur zur periodischen Judge-Kalibrierung über ein bestehendes Abo (claude -p) vorgesehen.