01 · A
Problem
Suche kann eine Notiz finden, ohne Übung oder Behalten zu fördern. Antworten mussten mit Evidenz und Lernhandlungen verbunden werden, ohne Modellausgaben stillschweigend zu Fakten zu machen.
Alle Projekte07 / 09
Local-first-System für aktives Lernen
Vault Coach
Ein Obsidian-Lernbegleiter, der belegte Suche, Übungen, Lernstandsfeedback und einen prüfbaren Konzept-Evidenz-Graphen verbindet.
- Zeitraum
- 2026 — present
- Schwerpunkt
- Knowledge Systems · Agentic AI · Software Engineering
- Kerntechnologien
- TypeScript · Obsidian API · RAG · Knowledge Graphs
Kurzfassung
- Problem
- Suche kann eine Notiz finden, ohne Übung oder Behalten zu fördern. Antworten mussten mit Evidenz und Lernhandlungen verbunden werden, ohne Modellausgaben stillschweigend zu Fakten zu machen.
- Mein Beitrag
- Quellengebundene Fragen, Assessments, Lernstandsansichten und Empfehlungen umgesetzt.
- Ergebnis / Grenze
- Stand Oktober 2026 meldete der Obsidian-Plugin-Marktplatz etwa 1.000 Downloads und 158 regelmäßige Nutzer; GitHub meldete 9 Stars.
01 · B
Kontext
Das Plugin läuft in Obsidian, adaptiert Vault-Dateien und lokale Speicher und nutzt ein gebündeltes mehrsprachiges Embedding-Modell in einem isolierten WASM-Worker.
Warum es wichtig ist
Ein Lernagent ist nur nützlich, wenn Antworten auf Evidenz zurückführbar sind, aktives Erinnern möglich ist und Lernende über vertrauenswürdige Beziehungen entscheiden.
Technische Details öffnenDie eigentliche Schwierigkeit · Systempfad · Zentrale Abwägungen
Die eigentliche Schwierigkeit
- 01
Wissen bleibt im Vault, außer ausgewählter Kontext wird an konfigurierte Modelle gesendet.
- 02
Quellpositionen in Markdown- und PDF-Chunks bleiben erhalten.
- 03
Modellrelationen wirken erst nach Prüfung auf den effektiven Graphen.
- 04
Unterbrochene lokale Schreibvorgänge werden wiederhergestellt und veraltete Ableitungen invalidiert.
Mein Ansatz
Systempfad
Indexieren
Vault-Inhalte parsen und Text-/Vektorindizes inkrementell pflegen
Suchen
Keyword- und Vektorranglisten mit Quellenpositionen fusionieren
Lernen
Prüfungen erzeugen, Assessments speichern und Lernstand ableiten
Steuern
Vorgeschlagene Relationen bestätigen, ablehnen oder rückgängig machen
Quellengebundene Suche
Zwei Ranglisten werden erst nach ihrer eigenen Arbeit fusioniert
Keyword-Suche erfasst exakte Sprache, Vektorsuche semantische Ähnlichkeit; RRF fusioniert Rangpositionen ohne gemeinsame Rohskala anzunehmen.
01Query
Frage
Nutzerabsicht und Kontext
02lexikalisch
Keyword-Rang
Exakte Begriffe und Dokumentsprache
03semantisch
Vektor-Rang
Gebündelte lokale Embeddings
04hybrid
RRF
Ränge statt Rohwerte fusionieren
05rückverfolgbar
Antwort + Quellen
Passagen mit Seiten-/Notizlinks
Zentrale Abwägungen
Hybride Suche mit RRF
Keyword- und Vektorranglisten bleiben vor Reciprocal Rank Fusion getrennt.
Kandidaten sind keine Fakten
Deterministische Struktur, Modellvorschläge, Nutzerentscheidungen und effektiver Graph bleiben getrennt.
Fakten vor Projektionen
Assessments sind maßgeblich; Lernstand und Empfehlungen sind reproduzierbare Ableitungen.
04 · A
Mein Beitrag
- Quellengebundene Fragen, Assessments, Lernstandsansichten und Empfehlungen umgesetzt.
- Konzept-Evidenz-Graph mit Bestätigen, Ablehnen und Rückgängig für Modellvorschläge entwickelt.
- Inkrementelle Indizierung, Integritätsprüfungen, Recovery, Tests und CI-Artefakte ergänzt.
04 · B
Umgesetzte Ergebnisse
- End-to-end-Lernschleife von Evidenzsuche über Übung bis zu kontrollierten Graphupdates umgesetzt.
- KI-Vorschläge durch explizite Nutzerentscheidungen von bestätigten Fakten getrennt.
- Stand Oktober 2026 meldete der Obsidian-Plugin-Marktplatz etwa 1.000 Downloads und 158 regelmäßige Nutzer; GitHub meldete 9 Stars.
Graph-Governance
Relationsextraktion ist ein Vorschlagsprozess, kein automatisches Faktenschreiben
Der effektive Graph enthält deterministische Struktur und explizit akzeptierte Relationen. Abgelehnte und offene Vorschläge bleiben prüfbar, werden aber nicht zu Wissen.
01Quellfakten
Deterministische Struktur
Dokumente, Überschriften und explizite Links
02offen
Modellvorschlag
Kandidatenrelation
03Governance
Nutzerentscheidung
Bestätigen, ablehnen oder rückgängig
04vertrauenswürdig
Effektiver Graph
Nur akzeptierte Relationen wirken
Erkenntnisse
01Local-first beschreibt Datenhoheit, nicht Offline-Betrieb jeder Modellkonfiguration.
02Ein Wissensgraph wird durch Governance-Zustände vertrauenswürdig, nicht durch mehr Kanten.
Was ich öffentlich teilen kann
Dies ist mein Open-Source-Obsidian-Projekt. Der produktive Pfad nutzt WASM statt WebGPU. Die öffentlichen Zahlen aus Marktplatz und GitHub beschreiben Reichweite, nicht Lernerfolg.
Öffentliche Quellen