minibee
Ein selbstorganisierendes Wissens- und Planungssystem. Es befähigt ein LLM, seine Arbeit langfristig in eine geordnete Struktur zu überführen, und gibt ihm dabei kosten- und kontexteffizienten Zugriff auf das hinterlegte Wissen.
Was es ist
minibee ist ein persönlicher Agent mit Langzeitgedächtnis. Er läuft auf dem eigenen Rechner, die Daten bleiben beim Nutzer. Man gibt Rohmaterial hinein, oft gesprochen, und der Agent ordnet es selbst in einen Wissensbaum ein.
Gearbeitet wird im Chat. Irgendwann ist das Kontextfenster voll, oder das Thema wechselt, und eine neue Sitzung beginnt. Vorher hält minibee alle Erkenntnisse fest und bereitet den Übergang vor. Die frische Sitzung setzt nahtlos dort an, wo die alte aufgehört hat. Gedacht ist minibee für alle, die über viele Sitzungen mit einer KI am selben Thema arbeiten.
Wie es funktioniert
Heute: ein Wissensbaum aus Dateien
- Notizen: Jede Notiz ist eine Markdown-Datei mit genau einem Thema und einer einzeiligen Zusammenfassung. Eine Gruppe im Baum enthält entweder Notizen oder Untergruppen, nie beides.
- Ablegen von unten nach oben: Der Agent beginnt beim konkreten Thema und sucht den kleinsten passenden Elternknoten.
- Abrufen von oben nach unten: von der Übersicht über den Index einer Gruppe bis zur Notiz. Embeddings gibt es dafür bewusst nicht. Das Sprachmodell entscheidet selbst, welcher Ast passt.
- Gleichgewicht: Hat eine Gruppe mehr als 12 Einträge, teilt der Agent sie. Haben zwei Geschwister zusammen weniger als 7, legt er sie zusammen.
- Posteingang: Rohmaterial landet im Posteingang, der Agent sortiert es ein. Eine Anweisung, was mit dem Material geschehen soll, zerlegt er nie in Notizen.
- Abläufe getrennt vom Wissen: Eine Notiz hält einen Fakt fest, ein Skill einen Ablauf. Wiederkehrende Abläufe legt der Agent als Skill ab.
- Pflege: Wöchentlich und monatlich prüft der Agent den Baum auf Veraltetes und Widersprüche.
Das neue Brain
Der Dateibaum ist zu groß geworden, um ihn bei jedem Start ganz zu laden. Sein Nachfolger ist ein Wissensspeicher in PostgreSQL mit pgvector, den der Agent über einen MCP-Server in Rust anspricht. Die Datenbank ist dort die einzige Wahrheit. Geplant wird nicht mehr alles vorab. Es gilt: bauen, benutzen, daran feilen.
Besonderheiten
- Zwei Ebenen: Der Baum kennt nur Äste und Abschnitte. Oben ist ein Ast ein kurzer Begriff zur Orientierung, unten hängen die Abschnitte mit dem eigentlichen Wissen.
- Zwei Aufgaben beim Suchen: Die Vektorsuche holt den einzelnen Fakt. Der Baum liefert die Vollständigkeit, etwa alle Regeln zu einem Thema.
- Nichts wird überschrieben: Eine Änderung legt die alte Fassung still und fügt die neue hinzu.
- Laden in Stufen: Zu Beginn einer Aufgabe kommt ein kurzes Briefing, die Einzelheiten erst bei Bedarf. Die erste Stufe liest damit rund ein Zehntel der Zeichen.
Messen statt glauben
Das neue Brain setzt viele Verfahren um, probiert sie aus und misst sie. Dabei gilt: Löschen kann man hinterher immer noch. Während der Nutzung hebt es deshalb mehr Daten auf, als es gerade braucht, damit spätere Messungen etwas zum Auswerten haben.
Gemessen wird gegen eingefrorene Testkorpora aus dem alten Dateibaum. Einer davon umfasst 187 Notizen mit 43 Faktenlisten. Mit ihm wurde das neue Brain gegen sieben fremde Gedächtnis-Systeme verglichen.
Meilensteine. MRR misst dabei, wie weit oben der richtige Treffer steht, 1 ist der Bestwert.
- Das neue Brain braucht 41 % weniger Token als der Dateibaum. In einer Fragenklasse findet es weniger: 83,9 % der gesuchten Stellen gegenüber 92,5 %.
- Ein Reranker sortierte schlechter als die reine Vektorsuche (MRR 0,610 gegenüber 0,646). Er ist abgeschaltet.
- Einordnen in zwei Stufen hob die Trefferquote beim Ablegen von 61,0 % auf 72,7 %.
- Ohne den Anteil der Wortsuche (BM25) stieg der MRR von 0,548 auf 0,869. Die Suche läuft seitdem als reine Vektorsuche.
Stand
Der Dateibaum ist täglich im Einsatz. Das neue Brain wird in Paketen gebaut und an einem Prototyp erprobt. Verworfen wurden RAPTOR und ein Baum mit drei Ebenen. Der Reranker kommt als Versuchsarm in spätere Messungen zurück.