KI-Text klingt generisch, weil die meisten Leute Struktur, Stimme und Kontext in einen einzigen Prompt werfen. Ich trenne das bewusst – und das kurze Video direkt hier im Post zeigt dir, wie der Ablauf konkret aussieht.
Das Problem liegt nicht im Modell. Es liegt darin, dass du gleichzeitig definierst, was du sagen willst, wie du es sagst und wer du überhaupt bist. Kein Mensch schreibt so. Warum sollte ein Agent anders funktionieren?
Trenne deshalb drei Schichten:
Argument – Five Lightbulbs
Billy Broas hat in „Simple Marketing for Smart People“ ein Gerüst entwickelt, das ich als Leitplanke für jeden Text nutze. Fünf Glühbirnen:
- LB1: Status quo / der Schmerz
- LB2: Was schon versucht wurde (und warum es nicht reichte)
- LB3: Der eigene Ansatz
- LB4: Das konkrete Angebot
- LB5: Das neue Leben danach
Im kurzen LinkedIn-Post zu diesem Video war LB1+LB5 der Hook, LB2/LB3 die Mitte, LB4 der Aufruf, das Video anzuschauen. Das Gerüst gibt dem Agenten Orientierung – keine Kreativvorgabe, sondern Argumentationslogik.
https://fivelightbulbs.com
Stimme – Spiral
Spiral (von Every) lernt meinen Schreibstil aus echten Textproben und schreibt dann in dieser Stimme. Die Produktseite bringt es auf den Punkt: „A writing partner for you and your agent.“
Der entscheidende Unterschied zu „ChatGPT, mach es professioneller“: Der Agent in Cursor formuliert den Post nicht selbst. Er ruft Spiral über MCP auf – spiral_generate_writing – und Spiral übernimmt die Stimme. Zwei Werkzeuge für zwei verschiedenen Aufgaben.
https://writewithspiral.com
Kontext – Wissensdatenbank
Damit Spiral in meiner Stimme schreibt, aber auch mit meinem Wissen, docke ich meinen Obsidian-Vault per semantischer Suche an. Semantisch heißt: Das System sucht nach Bedeutung, nicht nach Schlüsselwörtern. Der Agent findet relevante Notizen, bevor er Spiral aufruft – er weiß, wer ich bin und was ich schon durchdacht habe.
Beispiel / Empfehlung:
Details: „Mein Digitaler Garden wächst mit jedem solchen Workflow: A garden of evolving ideas“ von Sebastian Kamilli, https://garden.quintsmart.com/
Viele wollen in ihren Notizen semantisch suchen — also nach Bedeutung, nicht nur nach exakten Wörtern. Der Haken: Dafür braucht man Embeddings. Und die landen oft in einer Cloud-API.
Mein Weg: lokal halten.
- Obsidian-Vault bleibt die Quelle (Markdown auf dem Rechner).
- Qdrant läuft lokal als Vektorspeicher.
- FastEmbed erzeugt die Embeddings auf der Maschine (ONNX) — statt Cloud-Embeddings.
- Ein Ingest zerlegt Dateien in Chunks, vektorisiert sie und schreibt sie in eine Collection.
- Suche kommt von zwei Seiten: in Cursor (semantisches MCP) und in Obsidian (Search-Bridge) — Keyword und Semantik, derselbe Index.
- Danach: inkrementell nur Änderungen nachziehen (bei mir täglich).
Kurz die Architektur:
Vault → Ingest → FastEmbed → Qdrant → Cursor + Obsidian
Was sich für mich geändert hat: Ich kann fragen wie „Was hatten wir zur lokalen Embedding-Strategie?“ — und treffe relevante Stellen, auch wenn das Wort „FastEmbed“ in der Notiz nicht vorkommt. Und die Notizinhalte müssen dafür nicht an eine Embedding-API.
Wenn ihr euer Second Brain / PKMS ähnlich privat halten wollt: Welcher Teil ist bei euch der Engpass — Setup, Modellwahl, oder die tägliche Pflege des Index?
Dazu in diesem Thread:
- Video (~8 Min.): https://www.youtube.com/watch?v=m0alc-25hJg
- Architekturdiagramm
- Whitepaper (ausführlich)
Siehe
- Eine kurze Beschreibung https://youtu.be/m0alc-25hJg?si=PhqnATKzTZV7BNed
- Architektur Überblick
- Ein detaillierter Einstieg
Die Pipeline
Five Lightbulbs (Argument) + Vault/semantische Suche (Kontext) → Cursor-Agent → Spiral MCP (Stimme) → Post