Torsten hat mich eingeladen, einmal zu zeigen, wie ich meinen Hermes Agent und die Obsidian-Anbindung aufgebaut habe. Deshalb hier ein etwas ausführlicherer Einblick in mein persönliches Setup. Vorweg: Das ist keine fertige Blaupause, sondern ein System, das sich Schritt für Schritt aus konkreten Anforderungen entwickelt hat. ━━━━━━━━━━━━━━━━ 🔧 HERMES ALS OPERATIVE SCHICHT Hermes läuft bei mir als selbstgehosteter persönlicher KI-Assistent mit mehreren getrennten Profilen. Die Profile haben unterschiedliche Aufgabenbereiche und eigene Arbeitskontexte. Hermes übernimmt dabei unter anderem: • Recherche und Datenaufbereitung • Verarbeitung von Dateien und Links • wiederkehrende Prüfungen • Cronjobs und Automatisierungen • Telegram-Kommunikation • Zusammenarbeit mit Coding-Agenten wie Claude Code und Codex Der entscheidende Punkt ist für mich: Hermes wartet nicht nur auf die nächste Chatfrage, sondern kann auch wiederkehrende Aufgaben selbstständig ausführen. ━━━━━━━━━━━━━━━━ 🧠 OBSIDIAN ALS WISSENSBASIS Die grossen und langfristig wichtigen Inhalte sollen nicht nur im Chatverlauf liegen. Dafür nutze ich Obsidian. Dort landen zum Beispiel: • Zusammenfassungen und Transkripte • Rechercheergebnisse • Projektideen und Pläne • technische Dokumentationen • Steuer- und Finanznotizen • Wochenreflexionen • Auswertungen von Webseiten und Videos Hermes kann diese Notizen lesen, durchsuchen, verlinken, ergänzen und in neue Zusammenhänge bringen. Für mich ist dabei wichtig, dass eine Notiz nicht nur aus einer KI-Antwort besteht. Ich versuche, klar zu trennen: 1. Quelle: Woher kommt die Information? 2. Zusammenfassung: Was steht tatsächlich in der Quelle? 3. Einordnung: Was bedeutet das? 4. Eigene Ableitung: Was könnte ich daraus umsetzen? Dadurch bleibt auch später nachvollziehbar, was eine Quelle gesagt hat und was meine eigene Schlussfolgerung war. ━━━━━━━━━━━━━━━━ 📱 TELEGRAM ALS MOBILE SCHNITTSTELLE Telegram nutze ich als zentrale Verbindung zu Hermes. Von unterwegs kann ich:

Ich nutze Hermes Agent als selbstgehosteten persönlichen KI-Assistenten mit mehreren getrennten Profilen. Darüber steuere ich unter anderem Telegram-Bots und lasse Hermes rund um die Uhr auf einem Contabo-Server laufen. Für den stabilen Betrieb habe ich automatische Neustarts, systemd-Watchdogs sowie Fallback-Modelle mit OpenAI Codex und DeepSeek eingerichtet. Mit Hermes automatisiere ich Cronjobs für die Pflege meines Obsidian-Wissenssystems, Pendenzen, YouTube-Auswertungen, Website- und Projektchecks sowie die Überwachung meiner Backups zu pCloud und OneDrive. YouTube-Videos werden automatisch transkribiert, zusammengefasst und als strukturierte Notizen in Obsidian gespeichert. Außerdem nutze ich Hermes als Orchestrator für Coding-Agenten wie Claude Code und Codex. Damit kann ich Projekte analysieren, Code ändern, Tests ausführen, Git-Worktrees verwenden und je nach Aufgabe unterschiedliche KI-Modelle kombinieren. Hermes dient dabei als zentrale Schnittstelle über Telegram. Die eigentliche Arbeit wird je nach Aufgabe auf meinem Linux-System, dem Mac mini oder dem Contabo-Server ausgeführt. Ich freue mich auf den Austausch mit euch und darauf, welche KI-Agenten, Automationen und Workflows ihr in der Praxis einsetzt. 🙌

Was ist neu? Opus 5 ist die neueste Version von Claude Sie erreicht fast das Niveau der bisher stärksten Version (“Fable 5”), kostet aber nur die Hälfte. Was kann sie konkret? - 📊 Starke Leistung bei komplexen Aufgaben wie Programmieren, Texten und Auswertungen - ⚙️ Einstellbarer Aufwand: niedrig, mittel oder hoch – du entscheidest, wie viel “Denkarbeit” die KI reinsteckt (spart Kosten bei einfachen Aufgaben) - ✅ Arbeitet selbstständiger: prüft eigene Ergebnisse und korrigiert Fehler ohne dass du eingreifen musst - 🚀 Schnellerer Modus verfügbar, wenn’s mal pressen muss Meine Einschätzung: Der Preis-Leistungs-Sprung ist der eigentliche Knaller, nicht die reine Power. Für die meisten Alltagsaufgaben war die teuerste Version ohnehin oft übertrieben – jetzt gibt’s fast das gleiche Niveau günstiger. Wie bewertet ihr die neue Version? 🤔 Was ist euch wichtiger – maximale Power oder guter Preis pro Aufgabe? 🧐 P.S. Der Post wurde redaktionell von der KI unterstützt 😉

Jede Idee hat eine Geschichte. Manche entstehen über Nacht. Andere brauchen Jahre. Diese hier brauchte dreieinhalb. Ich nehme euch mit auf diese Reise. Ich erinnere mich noch gut an diesen Abend. Eigentlich wollte ich nur herausfinden, ob die vielen Berichte über Large Language Models wirklich stimmen. Keine Agenda. Kein Forschungsprojekt. Keine große Vision. Nur Neugier. Also begann ich zu experimentieren. Ich ließ Texte schreiben, Fragen beantworten, Ideen entwickeln und Code erzeugen. Nicht jede Antwort war gut. Manche waren sogar erstaunlich schlecht. Aber darum ging es irgendwann nicht mehr. Zum ersten Mal hatte ich das Gefühl, dass Maschinen nicht mehr nur Informationen verarbeiten. Sie begannen, an Wissensarbeit mitzuwirken. Und plötzlich stand eine Frage im Raum: Was passiert, wenn das kein Hype ist? Was, wenn wir gerade erleben, dass sich ein großer Teil unserer Wissensarbeit automatisieren lässt? Gedanklich ging ich immer weiter. Schreiben. Recherche. Analyse. Dokumentation. Programmierung. Beratung. Immer mehr Tätigkeiten schienen plötzlich erreichbar. Vielleicht war das gar kein neues Werkzeug. Vielleicht veränderte sich gerade die Art, wie Wissensarbeit entsteht. Diese Vorstellung hat mich fasziniert. Heute, dreieinhalb Jahre später, glaube ich noch immer, dass dieser Eindruck richtig war. Verändert hat sich etwas anderes. Damals hielt ich die entscheidende Frage für: Wie viel Wissensarbeit kann KI übernehmen? Heute würde ich sagen: Das war nur der Einstieg. Ein paar Tage später tauchte eine zweite Frage auf. Sie war erstaunlich einfach. Und gerade deshalb so folgenreich. Wenn KI Wissensarbeit automatisieren kann – warum sollte sie dann nicht auch bei der Entwicklung von KI-Systemen helfen? Genau mit dieser Frage beginnt der nächste Teil der Reise. Fortsetzung am Donnerstag.

Vor dreieinhalb Jahren begann ich, mich intensiv mit generativer KI zu beschäftigen. Ausgangspunkt war eine scheinbar einfache Frage: Wie weit lässt sich Wissensarbeit automatisieren? Damals schien der Fortschritt nahezu unglaublich. Mit großen Sprachmodellen wurde plötzlich vorstellbar, dass sich ein erheblicher Teil intellektueller Arbeit automatisieren lässt. Wie viele andere war ich fasziniert von dem, was diese Systeme bereits leisten konnten – und davon, mit welcher Geschwindigkeit sie sich weiterentwickelten. Doch je tiefer ich in das Thema einstieg, desto weniger interessierte mich eine andere, damals naheliegende Frage: Wie werden die Modelle noch leistungsfähiger? Stattdessen begann ich, grundlegendere Fragen zu stellen. Fragen nach der Struktur. Fragen nach Verantwortung. Fragen nach Governance. Und schließlich eine Frage, die mein Denken nachhaltig verändert hat: Optimieren wir überhaupt das Richtige? Diese Frage wurde zum Ausgangspunkt einer Entwicklung, die mich Schritt für Schritt zu Konzepten wie Declarative AI, Accountable Systems und schließlich zum Operational Integrity Benchmark führte. Keine dieser Ideen entstand plötzlich. Jede war die Konsequenz einer Erkenntnis, dass die vorherige Denkweise irgendwann an ihre Grenzen stieß. Deshalb ist diese Serie keine Sammlung fertiger Frameworks. Sie erzählt den Weg dorthin. Einen Weg voller Neugier, Irrtümer, Experimente und unerwarteter Erkenntnisse. Einen Weg, auf dem ich immer wieder feststellen musste, dass das eigentliche Problem nur selten das Sprachmodell selbst war. Fast immer lag es in der Struktur, die das Modell umgab. Ich nehme euch mit auf diese Reise – nicht, um fertige Antworten zu präsentieren, sondern um die Fragen zu teilen, die mein Verständnis von KI grundlegend verändert haben. Im ersten Beitrag geht es zurück zu dem Moment, in dem ich überzeugt war, dass sich nahezu jede Form von Wissensarbeit automatisieren lässt – und warum mich genau diese Überzeugung schließlich dazu brachte, die Automatisierung selbst zu automatisieren.