Tsundoku Slayer: KI-Tool filtert irrelevante Artikel automatisch aus

Mit dem Wachstum des digitalen Wissens explodiert auch die Menge an ungelesenen Artikeln, Dokumentationen und Diskussionen in den Browser-Tabs. Doch statt schneller Lösungen führt diese Informationsflut oft zu Ablenkung und frustrierender Zeitverschwendung. Hier setzt Tsundoku Slayer an: Das autonome KI-System agiert als intelligenter Filter, der gezielt irrelevant Informationen eliminiert und nur handlungsrelevante Inhalte priorisiert.

Das Kernproblem: Zu viel Wissen, zu wenig Fokus

Die Realität im Entwickleralltag sieht oft so aus: Ein kritischer Fehlertyp wie ein IndexError blockiert die Arbeit. Statt sich auf die eigentliche Ursache zu konzentrieren, scrollt man durch unzählige Dokumentationen, API-Updates und technische Foren – nur um am Ende festzustellen, dass 90% der gesammelten Informationen keine direkte Lösung bieten. Tsundoku Slayer adressiert genau dieses Problem.

Der Name des Projekts leitet sich von "Tsundoku" ab – dem japanischen Begriff für das Anhäufen ungelesener Bücher. Statt Informationen zu sammeln, entscheidet das System aktiv, was nicht gelesen werden muss. Die Philosophie dahinter ist radikal einfach: KI sollte nicht nur Wissen konsumierbar machen, sondern den Fokus auf das Wesentliche lenken.

Wie Hermes Agent als Entscheidungsfilter fungiert

Im Kern basiert Tsundoku Slayer auf dem Hermes Agent, einem autonomen KI-System, das nachts eine systematische Analyse ungelesener Inhalte durchführt. Die Architektur besteht aus einem mehrstufigen Reasoning-Prozess, der gezielt irrelevante Informationen herausfiltert und nur direkt anwendbare Wissenseinheiten priorisiert.

Das System durchläuft vier zentrale Schritte:

• Abrufen: Der Agent sammelt Inhalte aus ungelesenen Tabs, Dokumentationen und Feed-Einträgen. Dabei nutzt er Web-Scraping-Tools, um strukturierte Daten zu extrahieren.

• Vergleichen: Die eingelesenen Inhalte werden mit dem aktuellen Entwicklungsproblem abgeglichen. Ein IndexError in einem Streamlit-Dialog-Array erfordert beispielsweise eine andere Art von Lösung als ein allgemeiner Python-Fehler.

• Bewerten: Mittels analytischer Reasoning-Modelle wird die Relevanz jedes Artikels für die aktuelle Blockade bewertet. Nicht die Quantität, sondern die Qualität der Übereinstimmung entscheidet.

• Entscheiden: Das System trifft eine binäre Entscheidung: Wird der Inhalt als irrelevant eingestuft, wird er sofort verworfen. Bei hoher Relevanz wird er als potenzielle Lösung markiert und mit einer Begründung sowie einem direkt anwendbaren Code-Snippet versehen.

Praxistest: Filterung im Echtzeit-Szenario

Ein konkretes Beispiel verdeutlicht die Funktionsweise: Ein Entwickler kämpft mit einem IndexError in einem Streamlit-Dialog-Array. Die ungelesene Warteschlange enthält folgende Inhalte:

• Streamlit st.status-Dokumentation (irrelevant, da UI-spezifisch)

• Allgemeiner Python-Feed (zu allgemein, kaum hilfreich)

• Technische Nachrichtenmeldung (Ablenkung)

• Streamlit-IndexError-Reparaturleitfaden (direkt relevant)

Tsundoku Slayer filtert 75% der irrelevanten Inhalte heraus und erkennt den IndexError-Guide als einzige relevante Lösung. Die Begründung lautet: "Kritische Übereinstimmung: Diese Anleitung erklärt präzise, warum Zustands-Synchronisationsverzögerungen zu Index-Fehlern in Streamlit-Arrays führen."

Als Output generiert das System sogar einen direkt einsatzbereiten Code-Patch:

# Hermes Agent generierter Patch zur sofortigen Fehlerbehebung
safe_idx = min(st.session_state.current_index, len(st.session_state.dialogue_list) - 1)
current_dialogue = st.session_state.dialogue_list[safe_idx]

Technische Umsetzung und Benchmarking

Die Implementierung von Tsundoku Slayer nutzt Streamlit als Frontend, um eine klare Visualisierung der Agentenentscheidungen zu ermöglichen. Eine Metrik namens "Noise Kill Rate" zeigt an, wie viel irrelevante Informationen erfolgreich eliminiert wurden – in diesem Fall 75%.

Als KI-Kern kommt das lokal betriebene Modell gemma4:e4b via Ollama zum Einsatz. Für eine zuverlässige Demo-Umgebung setzt das Projekt auf vordefinierte Kontextgrenzen für bestimmte URLs, um deterministische Ergebnisse zu gewährleisten. Langfristig soll diese Architektur durch einen dynamischen Vektor-Einbettungsansatz (RAG) ersetzt werden, der eine flexiblere Analyse ermöglicht.

Die Zukunft intelligenter Wissensfilter

Tsundoku Slayer markiert einen Paradigmenwechsel in der KI-gestützten Wissensverarbeitung. Während die meisten Tools darauf abzielen, Informationen zugänglicher zu machen, konzentriert sich dieses System auf das Gegenteil: die Reduktion von Ablenkung.

Die Vision ist klar: Entwickler sollen nicht mehr zwischen hunderten ungelesenen Artikeln wühlen müssen, um eine Lösung zu finden. Stattdessen übernimmt ein intelligenter Agent die Vorselektion und liefert nur das, was jetzt gebraucht wird. Dies spart nicht nur Zeit, sondern schützt auch die kognitive Ressource – den wertvollsten Rohstoff in der Softwareentwicklung.