AI Workstation trennt Live-Discovery vom Chat und startet öffentliche Radars

Live-Discovery zieht aus dem Chat in eigene Radars

Die AI Workstation hatte ursprünglich ein Chat-Interface als primäre Schnittstelle für Recherche- und Schreibaufgaben. Der Entwickler behielt diese Chat-Box bei, weil sie für viele Aufgaben nach wie vor die schnellste Oberfläche darstellt. Im täglichen Gebrauch zeigte sich jedoch, dass bestimmte Live-Recherche-Fragen nicht gut in den allgemeinen Chat-Flow passen. Deshalb wurde die Anwendung in drei Ebenen aufgeteilt: einen allgemeinen Workspace, öffentliche Discovery-Radars und installierbare Agent Skills.

Die Live-Discovery ist nicht mehr Teil des Chat-Flows, sondern in zwei separate öffentliche Radars ausgelagert. Das erste ist das Global Topic Radar, das sich an Creator und Redakteure richtet, die aktuelle Themenkandidaten statt generischer Content-Ideen benötigen. Es hält Themen-Lane, Aktualität, Marktkontext, Evidenzstatus und Originalquellen sichtbar, damit Nutzer sofort erkennen, ob ein Thema aktuell und belastbar ist. Das zweite ist das Open-Source AI Radar, das für die Evaluierung von Open-Source-AI-Projekten konzipiert ist. Beide Radars bündeln damit Aufgaben, die zuvor im Chat-Interface stattfanden, nun aber eine eigene, auf Live-Daten zugeschnittene Oberfläche erhalten. Sie sind öffentlich einsehbar und dienen als kuratierte Entdeckungsflächen.

Der allgemeine Workspace bleibt für alltägliche Wissensarbeit erhalten: Fragen, Links, Dokumente, Bilder, Entwürfe, Korrekturlesen, wiederverwendbare Vorlagen und Exporte. Ziel ist es nicht, jede Operation hinter einem großen Prompt zu verstecken, sondern Routineaufgaben zugänglich zu halten, während Aufgaben, die aktuelle Daten benötigen, in einen expliziteren Ablauf überführt werden. Die installierbaren Agent Skills ergänzen diese Struktur als dritte Ebene, auch wenn ihre genaue Ausgestaltung hier nicht weiter vertieft wird.

Warum der Entwickler die Trennung vornahm

Der Entwickler identifizierte zwei Fragen, die nicht in einen allgemeinen Chat-Flow passen: „Welches aktuelle Thema ist heute recherchierenswert?“ und „Welches Open-Source-AI-Projekt ist jetzt evaluierenswert?“. Beide hängen von Live-Daten ab und haben andere Fehlerquellen als normales Drafting. Normales Drafting arbeitet oft mit dem vom Nutzer bereitgestellten Kontext und dem internen Wissen des Modells, das für viele Schreibaufgaben ausreicht. Bei Live-Discovery geht es jedoch um aktuelle, sich schnell ändernde Informationen.

Ein Chat-Modell hat einen Wissensstand, der zu einem bestimmten Zeitpunkt eingefroren ist – die sogenannte „stale memory“. Fragt man nach dem heutigen recherchierenswerten Thema, kann das Modell auf veraltete Trends oder Nachrichten zurückgreifen, die nicht mehr relevant sind. Bei Open-Source-Projekten kann es Projektidentitäten verwechseln, etwa zwei ähnlich benannte Repositories durcheinanderbringen, oder Lizenzen übersehen, was rechtliche Konsequenzen haben könnte. Ein weiterer Fehlermodus ist, Popularität als Qualitätsbeweis zu behandeln: Ein Modell könnte ein Projekt empfehlen, nur weil es viele Sterne auf GitHub hat, ohne die tatsächliche Qualität oder Eignung zu prüfen.

Diese Fehlerquellen sind bei normalem Drafting weniger kritisch, weil es dort oft um Textgenerierung geht, bei der kleinere Ungenauigkeiten leichter zu korrigieren sind. Bei der Auswahl von Themen oder Projekten können Fehler jedoch zu Fehlinvestitionen von Zeit und Ressourcen führen. Deshalb hat der Entwickler die Live-Discovery in spezialisierte Radars ausgelagert, die auf Live-Daten zugreifen und die relevanten Metadaten anzeigen, um diese Fehlerquellen zu minimieren. Der allgemeine Workspace bleibt für alltägliche Wissensarbeit erhalten: Fragen, Links, Dokumente, Bilder, Entwürfe, Korrekturlesen, wiederverwendbare Vorlagen und Exporte. Die Trennung soll Routineaufgaben zugänglich halten, während Aufgaben, die aktuelle Daten benötigen, in einen expliziteren Ablauf überführt werden.