ResearchRaven
KI-gestützte Pipeline von der Recherche zum Text, die Wissen in drei Stufen verarbeitet: Recherche (flach) → Wissensorganisation (hierarchisch) → Texterstellung (linear). ResearchRaven automatisiert den Weg vom Sammeln der Quellen bis zum veröffentlichungsfähigen Text — Artikel, Newsletter oder Buchkapitel. Die Architektur ist kommunikationstheoretisch fundiert (Shannon, Saussure, Miller) und folgt dem Grundsatz, dass hierarchisches Wissen für menschliche Leser linearisiert werden muss. Die Wissensschicht wurde später in zwei getrennte Aufgaben zerlegt — ein einzelnes Dokument strukturieren und über Dokumente hinweg verknüpfen —, nachdem Messungen gezeigt hatten, dass die Zusammenlegung in einen Graphen unumkehrbare Fehler erzeugt. Wissen liegt in einfachen, versionierten Dateien statt in einer Datenbank und lässt sich daher jederzeit aus den Quellen neu aufbauen. Vollständig mit dem AI Development Framework und Claude Code gebaut. Eine eigene Seite behandelt Architektur, Prüfverfahren und Ausrichtung: /researchraven
Beginn
10. Februar 2026
Ende
Laufend
Dauer
6+ months
Angelegte Tickets
292
Abgeschlossene Tickets
194
KI-Sitzungen
41
- ●✅ Dreistufige Architektur auf kommunikationstheoretischer Grundlage
- ●✅ Wettbewerbsanalyse von zehn KI-Recherchewerkzeugen vor der ersten Codezeile
- ●✅ Tiefenrecherche zur Linearisierungstheorie (82 Quellen)
- ●✅ Hierarchische Wissensordnung über viele Quellen hinweg
- ●✅ Konfigurierbare Schreibstile für mehrere Ausgabeformate
- ●✅ Nachbearbeitung für natürlichere Formulierungen
- ●✅ Erster durchgängiger Lauf: Recherchethema → veröffentlichungsfähiger Entwurf
- ●✅ Schrittweise Aktualisierung, sodass wiederkehrende Recherche nicht alles neu aufbaut
- ●✅ Recherche aus mehreren Blickwinkeln: Technik, Wirtschaft, Wissenschaft
- ●✅ Automatische Bewertung der Quellenqualität
- ●✅ Schemavalidierung für jedes gespeicherte Wissensformat
- ●✅ Ausdrücklicher Linearisierungsschritt zwischen Hierarchie und Text
- ●✅ Umfassende Testabdeckung je Komponente der Pipeline
- ●✅ Abnahmeschwellen vor der Messung in Entscheidungsdokumenten festgehalten
- ●✅ Blinde Bewertung durch unabhängigen Bewerter, nachdem ein Ergebnis mit gemeinsamem Kontext sich als irreführend erwies
- ●✅ Wissensschicht auf Grundlage von Messungen neu gebaut, statt sie passend zu machen
- ●✅ Abgeleitete Zustände vollständig und byte-identisch aus den Quelldateien neu aufbaubar
- ●✅ Ausdrückliche Kostensteuerung mit wachsender Pipeline
- ●✅ AI Development Framework für KI-Pipeline-Projekte bestätigt
Dieses Projekt ist auf mehrere Repositories aufgeteilt, jedes für einen eigenen Zuständigkeitsbereich.
Meta-Repository
Privates Repository
App (Orchestrierung)
Privates Repository
Recherche (Stufe 1)
Privates Repository
Wissen (Stufe 2)
Privates Repository
Text (Stufe 3)
Privates Repository
Verknüpfungsschicht
Privates Repository
Quellen-Abruf
Privates Repository
Speicherschicht
Privates Repository
KI-Konversationen
Privates Repository