← Ambient Intelligent Systems

Das Mesh und der Preis der Skalierung

Teil I — Der Server · Kapitel 3 von 9

Im Mai hatte Oracle — das Peer-to-Peer-Retrieval-Mesh, beim Review zurückgestellt, aber wegen seiner Muster behalten — ein echtes Design. Es ist das technisch eleganteste Stück in Teil I, und der Grund, warum es für dieses Buch zählt, ist das, was mir sein einziges ungelöstes Problem beibrachte.

Zwei Ebenen

Die Einsicht kam daher, dass mir auffiel, wie die Infrastruktur schon dalag. Jeder Seer-Knoten berechnet beim Indexieren Tag-Embeddings — kompakte semantische Zusammenfassungen jeder Inhaltsgruppe, bereits gespeichert. Sie sind ein Routing-Signal. Lässt man Peers sie per Gossip verbreiten, wird das Mesh selbst navigierbar:

Feldnotiz — 2026-05-09. „Zur Abfragezeit: Der Abfrageknoten berechnet die Tag-Ähnlichkeit gegenüber den Tag-Embeddings bekannter Peers […] routet nur an die semantisch nächsten Top-K-Peers — überspringt alle anderen. Diese Peers führen eine lokale HNSW-Suche aus und liefern Kandidaten zurück; der Abfrageknoten führt zusammen und rankt neu. […] Das Peer-Netzwerk selbst wird wie ein HNSW navigiert — gierige Sprünge in Richtung semantischer Ähnlichkeit auf der Ebene zwischen den Peers, lokale Beam-Suche innerhalb jedes Peers.“

Zwei Ebenen desselben Algorithmus: ein grober navigierbarer Graph zwischen den Peers, ein feiner innerhalb jedes Peers. Statt eine Abfrage an alle N Knoten zu senden, führt man O(K) echte Suchen aus, wobei K klein ist.

Diagramm
Diagramm wird gezeichnet

Die Vorzüge stapelten sich fast umsonst. Tag-Embeddings wahren die Privatsphäre — Peers legen grobe semantische Labels offen, nie rohe Vektoren oder Inhalte. Die Kosten beim Indexieren sind null, weil die Tags schon existieren. Die Topologie organisiert sich selbst: Peers mit ähnlichen Inhalten bleiben über normalen Gossip verbunden, und semantisch ferne Peers fallen aus den Routing-Tabellen der anderen heraus. Sogar der Fehlerfall ist höflich — ein verpasster Peer ist ein semantisch ferner, dessen Dokumente ohnehin unwahrscheinliche Kandidaten waren.

Bis auf einen Fall, den das Diagramm oben bewusst einzeichnet.

Das Problem der seltenen Themen

Der Fehler kehrt sich genau dort um, wo das Routing gelingt. Häufige Themen routen wunderbar — die Tags des richtigen Peers sind klar am nächsten. Aber angenommen, nur ein Peer im Mesh hat je etwas zum Beispiel über mongolischen Kehlkopfgesang indexiert — und dieser Peer hat außerdem zweihundert Dokumente zu Musiktheorie, Linguistik, Physik und Anthropologie indexiert. Sein Tag-Embedding für die betreffende Gruppe ist ein Zentroid von all dem. Die Nische steckt darin, aber bis zur Unsichtbarkeit weggemittelt — während drei andere Peers mit starken, generischen Musik-Clustern näher wirken und die Routing-Grenze gewinnen. Sie werden befragt. Sie liefern nichts. Der eine Peer, der es weiß, wird nie gefragt.

Die Notiz benennt die zwei Hälften des Grundes, warum das wirklich schwierig ist:

Feldnotiz — 2026-05-09. „Man kann ‚kein Peer hat das‘ nicht von ‚der richtige Peer existiert, aber sein Routing-Signal ist schwach‘ unterscheiden — beides sieht aus wie niedrige Ähnlichkeitswerte überall. […] Tag-Embeddings sind Zusammenfassungen. Zusammenfassen zerstört Spezifität. Je mehr ein Peer indexiert hat, desto stärker regredieren seine Tag-Embeddings zu breiten semantischen Zentroiden, und die sind genau das falsche Signal für das Routing seltener Themen.“

Ich skizzierte die Standardantworten, und jede funktioniert und kostet. Ein dünnbesetzter invertierter Index über wörtliche Tag-Token, neben den dichten Embeddings per Gossip verbreitet — seltene Tags werden explizit repräsentiert, weil sie selten sind. Adaptives Fan-out — wenn alle Top-K-Werte niedrig sind, die Form der Werteverteilung als Signal für ein seltenes Thema lesen und die Abfrage automatisch weiten. Konfidenzgewichtetes Zusammenführen — Peers kalibrierte lokale Werte zurückgeben lassen, damit der Abfragende „gefunden“ von „der richtige Peer wurde nicht erreicht“ unterscheiden kann.

Die Spannung bestand darin, dass sie sich aufaddieren: Entdeckung braucht den invertierten Index, Abdeckung braucht adaptives Fan-out, Terminierung braucht Konfidenzbewertung — drei Protokollschichten, gestapelt auf ein System, das auf persönlicher Hardware mit unterbrochener Konnektivität laufen soll. Laptops, die schlafen. Heimserver hinter NAT. Maschinen, deren Besitzer den Deckel geschlossen hat.

Was das Mesh lehrte

Mit dieser Spannung zu sitzen brachte die folgenreichste Neuordnung des Projekts hervor — nicht eine Lösung für den Recall bei seltenen Themen, sondern eine Zurückstufung der Frage.

Das Mesh nimmt an, dass die interessante Intelligenz im Netzwerk lebt und die Aufgabe des Knotens darin besteht, sie zu erreichen. Aber alles, was Teil I tatsächlich gebaut hatte, zeigte in die andere Richtung. Sinatra lernt die Beziehung einer Person zu ihren eigenen Ideen. Partitions-CIDs geben Ihren Gedanken eine dauerhafte Identität. Der Abruf, den zu personalisieren sich lohnt, ist überwältigend Abruf über das, was Sie wissen, geschrieben und angefasst haben. Dafür ist ein einzelner lokaler Knoten — vollständig, privat, immer verfügbar, ohne Fan-out, ohne Gossip, ohne Konfidenzschwellen — nicht die abgespeckte Version des Mesh. Er ist das Primärobjekt. Das Mesh ist das, was Knoten später tun, entlang von Kanten, die Sie gewählt haben, genau so, wie Oracles Vertrauensmodell es immer wollte: organisch, einvernehmlich und nur dort, wo es Reichweite hinzufügt.

So verlagerte sich der Schwerpunkt dauerhaft auf die Maschine auf dem Schreibtisch. Die Arbeit an der Retrieval-Qualität ging weiter — das war die erste Erkenntnis des Reviews —, aber die Architektur hörte auf, ein Netzwerk zu umkreisen, und begann, eine Person zu umkreisen.

Das Zuhause des Assistenten ist der Rechner des Nutzers.

Das warf die nächste Frage in der Reihe auf: Wenn der Knoten das Primärobjekt ist, was genau ist dann ein Knoten? Das Gedächtnis brauchte einen Körper.