ibrief

Selbstverbesserndes, personalisiertes Morning Briefing — lokal-first in Rust, mit lokalen LLMs. Siehe SPEC.md · Projektseite ↗

Stand: M1–M6 ✓ — vollständige Pipeline plus Selbstverbesserung auf drei Achsen (Gewichte, Prompts, Quellen), jede abgesichert. Anti-Blase-Sektionen (Gegenperspektive, Wildcard) sind nicht abschaltbar. Build + Tests grün unter Rust 1.95 / Edition 2024.

Voraussetzungen

• Rust (1.80+)
• Ollama lokal laufend, mit den Modellen aus config/profile.toml:

ollama pull qwen2.5:14b      # Massen-Tier (Enrich)
ollama pull llama3.3:70b     # Synthese-Tier (TL;DR)

Auf kleinerer Hardware kleinere Modelle eintragen (z.B. llama3.1:8b für beide).

Lauf

cargo run -p ibrief-app                 # = `brief`: Briefing erzeugen
cargo run -p ibrief-app -- brief ./config

Ergebnis: out/briefing-YYYY-MM-DD.md (+ stdout) und Persistenz in ibrief.db (Items werden dedupliziert — bereits gesehene erscheinen nicht erneut).

Feedback via Telegram (optional)

1. Bot bei @BotFather anlegen, Token holen.
2. chat_id in config/profile.toml setzen, enabled = true.
3. Token als Env-Var bereitstellen und beide Prozesse starten:

export IBRIEF_TELEGRAM_TOKEN=123456:ABC...
cargo run -p ibrief-app -- brief        # pusht das Briefing mit 👍/👎-Buttons
cargo run -p ibrief-app -- feedback     # Long-Polling: Klicks → ibrief.db (Tabelle feedback)

Die erfassten 👍/👎 sind die Datengrundlage für den Lern-Loop ab M3/M4.

Workspace

Crate	Zweck
ibrief-core	Domänentypen (ContentItem, Briefing, …)
ibrief-llm	LanguageModel-Trait + Backends: OllamaClient (lokal), ClaudeCodeModel (Abo via claude -p)
ibrief-ingest	RSS/Atom-Fetch (feed-rs)
ibrief-pipeline	Stages: Enrich, Curate, Render
ibrief-store	SQLite (sqlx): Content, Briefing-Records, Feedback, Evals, Dedup
ibrief-telegram	Telegram-Push + Feedback-Buttons (Bot-API via reqwest)
ibrief-eval	Eval Engine: Verhaltens-Score + LLM-Judge + Strukturchecks
ibrief-learn	Gewichts-Lernen: Thompson-Sampling + Safety Gate + A/B-Entscheidung + Config-Versionierung
ibrief-optimize	Prompt-Optimierung: Optimizer-LLM + Schatten-Test + Prompt-Versionierung
ibrief-sources	Quellen-Evolution: Qualitäts-Scoring + Pruning + Drift-Wächter
ibrief-research	AutoResearch (§14): gated Loop + Beleg-Verifikation über lokalen Korpus
ibrief-app	Binary ibrief (brief/feedback/eval/learn/config/optimize/experiment/sources/research)

Eval (M3)

cargo run -p ibrief-app -- eval               # heutiges Briefing bewerten (Judge lokal)
cargo run -p ibrief-app -- eval 2026-06-28    # bestimmtes Datum
cargo run -p ibrief-app -- eval calibrate     # Judge via Abo (claude -p) statt lokal

Ergebnis: total-Note (0–1) aus behavior/judge/structure (Gewichte 0.5/0.3/0.2), gespeichert in der evals-Tabelle pro date × config_version. Diagnose-Notizen inklusive.

Lernen (M4)

cargo run -p ibrief-app -- learn              # Gewichte aus Feedback lernen (Thompson + Safety Gate)
cargo run -p ibrief-app -- config list        # Config-Historie (aktive mit * markiert)
cargo run -p ibrief-app -- config rollback cfg-xxxx   # auf frühere Version zurück

learn aggregiert das Feedback je Quelle/Thema, sampelt neue Gewichte (Beta/Thompson, geklemmt auf [0.2, 2.0] → Exploration-Floor gegen Aussterben), prüft das Safety Gate (Grenzen + Quellen-Diversität) und übernimmt nur bei PASS als neue, versionierte Config. brief nutzt die aktive Config beim Ranking (recency × source_weight × topic_weight).

Prompt-Optimierung (M5)

cargo run -p ibrief-app -- optimize 2026-06-28          # TL;DR-Prompt im Schatten-Test verbessern
cargo run -p ibrief-app -- optimize 2026-06-28 calibrate # Optimizer+Judge via Abo (claude -p)
cargo run -p ibrief-app -- experiment list               # A/B-Experiment-Historie

Ein Optimizer-LLM erzeugt eine Prompt-Variante; im Schatten-Test rendern aktiver und Kandidaten-Prompt dasselbe Beispiel-Briefing, der Judge bewertet beide. Nur bei klarem Vorsprung (Marge 0.05) wird der Kandidat neue, versionierte Default-Prompt-Version. brief nutzt stets den aktiven Prompt. Die temporale A/B-Entscheidung (ibrief-learn::ab_decision) ist die Grundlage für mehrtägige Behavioral-Tests.

Quellen-Evolution & AutoResearch (M6)

cargo run -p ibrief-app -- sources list      # Registry: Qualität, aktiv/inaktiv
cargo run -p ibrief-app -- sources evolve     # bewerten + aussortieren (mit Drift-Wächter)
cargo run -p ibrief-app -- research "Was ist neu bei lokalen LLMs?"

sources evolve bewertet Quellen aus Feedback + Selektionshäufigkeit, deaktiviert schwache (nie unter 3 aktive), und der Drift-Wächter setzt Pruning aus, wenn die Quellen-Diversität zu stark sinkt (HHI > 0.5) — Anti-Blase vor Engagement. research ist der gated AutoResearch-Loop (§14) über den lokalen Korpus: belegpflichtig, unbelegte Aussagen werden verworfen. Die ResearchSource-Trait erlaubt später ein Web-Backend.

Roadmap

M1 statisch ✓ · M2 Persistenz + Feedback ✓ · M3 Eval ✓ · M4 Lernen (Gewichte) ✓ · M5 Prompt-Opt ✓ · M6 Quellen-Evolution + AutoResearch ✓. Details in SPEC.md. Alle Meilensteine implementiert; Build + 19 Tests grün.