← Ambient Intelligent Systems

Seer: die Behauptung der personalisierten Suche

Teil I — Der Server · Kapitel 1 von 9

Es begann am 23. Oktober 2025 mit einem Server namens Seer.

Keine App, kein Agent, kein Wrapper um eine Chat-Completion — ein Server, weil das, was ich bauen wollte, nicht in einem Prompt leben konnte. Ich wollte einen Assistenten, dessen Retrieval mich kannte: welche meiner Dokumente mir wirklich wichtig sind, zu welchen Ideen ich zurückkehre, welchen Quellen ich vertraue — aus Verhalten gelernt, nicht in einem Einstellungsfenster deklariert. Alles andere in diesem Buch geht auf diese Entscheidung zurück, also handelt dieses Kapitel davon, was Seer ist, und von dem ersten ehrlichen Blick, den ich darauf warf.

Ein Server, der schlussfolgert

Seer wurde zur Reasoning-Spur des späteren Systems: die Stimme, das Retrieval und die Identitätsinstanz. Er besitzt jedes gesprochene Wort und jede retrieval-gestützte Verankerung; ein Client sendet Konversationsnachrichten und einen Retrieval-Scope und erhält Prosa zurück. Er vermittelt die Authentifizierung, und er liefert etwas, das die meisten Systeme nicht liefern: Attributionsspannen pro Eigentümer — welche Zeichen der Antwort von wessen Kontext geprägt wurden, mit Einflussgewichten. Von Anfang an wollte ich, dass Herkunft eine Ausgabe erster Klasse ist, kein Logeintrag. Diese Entscheidung wirkt hier klein; in Kapitel 9 wird sie tragend.

Das Innere bestand aus drei benannten Subsystemen, und ihre Namen kehren wieder: Sinatra, die Personalisierungs-Engine; Oracle, das Peer-to-Peer-Retrieval-Mesh; Gita, die Attributionsschicht.

Sinatra: die Feedback-Schleife

Sinatra ist der Mechanismus, der das Retrieval persönlich macht. Jedes Retrieval parkt — landet in einem Turn. Die nächsten Turns des Nutzers tragen eine Reaktion, und diese Reaktion wird als Stimmung bewertet. Die Stimmung trainiert einen kleinen Gradient-Boosted-Tree. Der Tree rankt das nächste Retrieval neu. Park, Sentiment, Training, Inferenz — eine geschlossene Schleife über aufeinanderfolgende Turns gewöhnlicher Unterhaltung, ganz ohne explizite Feedback-Oberfläche.

Diagramm
Diagramm wird gezeichnet

Die Features sind der ungewöhnliche Teil. Ich borgte mir MACD und stochastische Indikatoren — Trend- und Momentum-Instrumente aus der Marktanalyse — und berechnete sie über Engagement statt über den Preis. Im März 2026 unterzog ich die gesamte Architektur einem so kalten Review, wie ich es hinbekam, und die Stärken-Hälfte dieses Reviews ist es wert, so zitiert zu werden, wie sie geschrieben wurde:

Feldnotiz — 2026-03-06. „Die Sinatra-Feedback-Schleife ist der interessanteste Teil. Park → Sentiment → Training → Inferenz über aufeinanderfolgende Turns ist ein sauberes Design. MACD und stochastische Indikatoren als Features für einen GBT zu verwenden ist ungewöhnlich, aber vertretbar — diese Signale erfassen Trend und Momentum des Engagements über die Zeit, und das ist genau die richtige Form des Problems. […] Oracles Entkopplung ist gut gemacht. OracleDelegate und OracleTransport als getrennte Protokolle bedeuten, dass die P2P-Logik, die Datenbank und das Wire-Format wirklich unabhängig sind. […] Das Vertrauensbewertungssystem auf den Kanten ist selbstkorrigierend. Unzuverlässige Peers sinken organisch ab, ohne jeden manuellen Eingriff.“

Engagement mit dem eigenen Wissen ist eine Zeitreihe. Es hat einen Trend, es hat Momentum, es kehrt zum Mittelwert zurück. Es so zu behandeln bedeutete, dass die Features des Modells erfassten, wie sich Ihr Interesse bewegt, nicht nur, wohin es zuletzt zeigte.

Oracle, Gita und die Schulden

Oracle war das Ehrgeizige: ein Peer-to-Peer-Mesh, in dem spezialisierte Knoten die Retrieval-Anfragen der anderen beantworten, mit Vertrauenswerten auf den Kanten, die zerfallen, wenn ein Peer Müll liefert — sodass unzuverlässige Peers organisch absinken, ohne Moderation. Seine Entkopplung war wirklich gut; sein Wert war zurückgestellt, und das Review sagte es: Mit einem oder zwei Knoten bringt ein Mesh Latenz und Komplexität für marginalen Gewinn. Der Nutzen braucht viele Knoten mit nicht überlappendem Wissen.

Gita berechnete Attributionsgewichte über diese Spannen — eine Schicht, die ihrer Zeit voraus gebaut wurde, und das Review war genau darin unverblümt.

Und das Review ging weiter, in die Teile, die ich zu beheben hatte. Zum Zeitpunkt des Reviews: Sinatra brauchte eine Reihe von Interaktionen, bevor es überhaupt Features erzeugte, und mehrere Samples, bevor es trainierte, sodass die ersten Unterhaltungen jedes neuen Nutzers mit Standard-Retrieval liefen — ein Kaltstart, der nirgends dokumentiert war. Der Relevanzschwellenwert war an drei Stellen fest einkodiert und koppelte so das gesamte Fan-out-Verhalten stillschweigend an die Distanzverteilung eines einzigen Embedding-Modells. Der GBT wurde bei jedem Chat-Turn vollständig neu trainiert — in dieser Größenordnung unter einer Millisekunde, aber die Interaktionshistorie hatte keine Obergrenze, sodass die Kostenkurve mit jedem Power-User nach oben bog. Und ein verwaltetes Backend diente zugleich als Authentifizierung und Logging, ein Single Point of Failure mit zwei Hüten.

Ich nehme die Schulden mit auf, wegen dessen, was das Review war, nicht nur wegen dessen, was es fand. Die Erkenntnisse, die ich an jenem Tag aufschrieb — die Suche verbessern; das Neutrainieren und die Bedeutung der Interaktionshistorie überdenken; den Relevanzschwellenwert dynamisch zum Datensatz machen; das Mesh zurückstellen, aber seine Muster behalten — wurden zur tatsächlichen Roadmap. Die Kapitel 2 und 3 sind zwei dieser Erkenntnisse, bis zu ihren Schlussfolgerungen verfolgt.

Die Behauptung, ausgesprochen

Das Review endete damit, die Behauptung unter allem zu benennen und was nötig wäre, sie zu messen:

Feldnotiz — 2026-03-06. „[…] personalisiertes Retrieval — nicht bloß bessere Generierung — macht einen KI-Assistenten zu Ihrem eigenen. […] Ob es in der Praxis tatsächlich gut funktioniert, hängt ganz davon ab, ob die Features des GBT etwas Reales über die Retrieval-Präferenzen des Nutzers erfassen, und das ist eine empirische Frage, die man nicht beantworten kann, bevor es in den Händen echter Nutzer ist.“

Lesen Sie das vor dem Branchenhintergrund Anfang 2026: Die Modellqualität wurde schnell zur Massenware, und fast jedermanns „Personalisierung“ war eine Textdatei mit gemerkten Fakten, die in einen Prompt injiziert wurde. Die Behauptung war, dass die Differenzierung unterhalb der Generierung leben würde — in einer Infrastruktur, die pro Person lernt, was überhaupt abrufenswert ist.

Eines überlebt aus diesem Kapitel noch, und es ist eine Methode statt eines Mechanismus. Dieses Review im März — gegnerisch, aufgeschrieben, datiert — war das System, das sich selbst ehrlich beobachtete und die Beobachtung ins Design zurückspeiste. Jeder spätere Teil dieses Stacks hat diese Form: Register, die aufzeichnen, was das Retrieval tatsächlich getan hat, Belege, die aufzeichnen, was die Ausführung tatsächlich verändert hat, Herkunftsachsen, die aufzeichnen, wie ein Fakt bekannt ist. Die Gewohnheit begann hier.

Das offene Review war das erste Ambient-Instrument — das System wurde gebaut, indem es sich selbst ehrlich beobachtete.

Was ins Paradigma übergeht: Retrieval, das die Person lernt.