Local models / Task pipelines / Bulk processing

Lokale Modelle orchestrieren. Komplexe Aufgaben zerlegen.

AI & Knowledge entwickelt die Verarbeitungsebene für Research: explizite Taskpipelines, passende Modellrollen und KI-gestützte Klassifikation von Texten und Bildern.

AI Scaffolding ist der lokale Prototyp für Task-Normalisierung, semantisches Routing, spezialisierte Modellrollen und geprüfte Ausgaben. Darauf baut die weitere Dekomposition zusammengesetzter Aufgaben und die Anbindung an Nea Polis auf.

Capabilities

Arbeitsfelder

Lokale Modellorchestrierung

Modellrollen und Ressourcenbedarf den Teilaufgaben zuordnen. Lokale Verarbeitung ist eine bewusste Architekturentscheidung; Modellantworten bleiben prüfbedürftig.

Task-Dekomposition

Zusammengesetzte Aufgaben in überprüfbare Schritte mit definierten Eingaben, Ausgaben und Abhängigkeiten zerlegen.

Text- und Bildklassifikation

Classifier unterstützen die Bulk-Verarbeitung von Texten und Bildern. Taxonomien, unklare Fälle und manuelle Prüfung gehören zum vorgesehenen Arbeitsablauf.

Knowledge & Research

Quellenbezug, strukturierte Resultate und Review verbinden KI-Verarbeitung mit dem Forschungsstand. Eine Modellantwort wird nicht automatisch kanonische Evidenz.

Vom zusammengesetzten Task zur prüfbaren Ausgabe

Lesend belegter Prototyp: Task-Normalisierung, semantisches Routing, spezialisierte Worker, Critic und Validatoren. Allgemeine automatische Task-Dekomposition in einen Abhängigkeitsgraphen und die direkte Nea-Polis-Integration bleiben Ausbauziele.

01
Normalisierung
Rohauftrag in eine technische Task-Spezifikation überführen und Workspace-Kontext einbeziehen.
02
Taskpipeline
tasks.md sequenziell bearbeiten; Task-IDs, Zustände, begrenzte Wiederholungen und Wiederaufnahme unterbrochener Tasks verwalten.
03
Routing
Workflow und Modellrolle zuordnen: unter anderem General, Editor, Retrieval, Coder, Vision und Textklassifikation.
04
Worker
Rollen über die lokale Ollama-Anbindung ausführen. Klassifikatoren verarbeiten Einzelobjekte oder per Manifest festgelegte Batches.
05
Validierung
Critic und deterministische Validatoren prüfen je Workflow Liefervertrag, Artefakte, Taxonomie und Änderungsgrenzen; Codepfade nutzen einen Shadow-Workspace.
06
Ergebnis
RunResult trennt success, delivery_mode, answer_text, artifact_path und feedback. Batch-Traces unterstützen die Nachverfolgung.

Bulk-Verarbeitung: Text & Bild

Textklassifikation

Im Code vorhanden: taxonomiebasierte Textklassifikation, Geo-Taxonomien mit Aliasen und strukturierte Objekt-Ausgaben; Einzel- und Batch-Pfade.

Batch-Manifest, Quellenbezug und Taxonomievertrag werden geprüft; strukturierte Resultate dienen nachfolgenden Verarbeitungsschritten.

Bildklassifikation

Im Code vorhanden: Einzelbildanalyse und vision_batch mit frisch erzeugtem Manifest, isoliertem Prompt-Kontext je Bild und expliziten Fehlerresultaten.

Geschlossene Kategorien oder hierarchische Taxonomien; Trace-Artefakte und Prüfungen auf Batch-Abdeckung halten die Verarbeitung nachvollziehbar.

Von Verarbeitung zu Research

Ausbauziel: zusammengesetzte Research-Aufträge kontrolliert in Teilaufgaben und Abhängigkeiten zerlegen und Resultate an Nea Polis übergeben. Der vorhandene sequenzielle Task Runner ist kein Nachweis eines allgemeinen DAG-Schedulers. Geprüfte Modellresultate werden nicht automatisch zu kanonischer Evidenz.

Originaldaten nicht durch Modellresultate ersetzen.
Modell-/Konfigurationsstand und Taskbezug nachvollziehbar halten.
Nicht zuordenbar und fehlerhaft von einer gültigen Kategorie unterscheiden.
Modellkonfidenz nicht mit empirisch kalibrierter Zuverlässigkeit gleichsetzen.
Bulk-Verarbeitung erfordert überprüfbare Fehlerfälle und Review, nicht nur einen Gesamterfolg.
Local-first bedeutet nicht vollständig offline: Retrieval-Workflows können Netzwerkquellen verwenden.
Shadow-Workspace und Policy-Prüfungen sind Schutzmechanismen, keine nachgewiesene Betriebssystem-Sandbox.

Quellstand ai-agent-framework, Commit f8849c981a34d40905b33e312cf070a4f8b044e7, am 2026-09-02 lesend geprüft: README, Orchestrator, Task Runner und ausgewählte Regressionstests. Keine Modelle gestartet und kein vollständiger Laufzeittest.

Quellrepository

Applied systems

Projektarchiv

Agentic SystemsPrototype