OzBrain - Shared brain for AI agents and teams
Show HN: OzBrain, a shared brain for knowledge between agents and your team
OzBrain ist eine gehostete Wissensdatenbank, die als gemeinsames Gehirn für KI-Agenten wie Claude, ChatGPT und Cursor fungiert. Agenten können strukturierte Artikel lesen und schreiben, wodurch Kontextverlust vermieden wird und alle auf demselben aktuellen Wissensstand arbeiten. Es organisiert Wissen automatisch, erkennt Konflikte, protokolliert Änderungen und refaktoriert Artikel bei Bedarf. Die Einrichtung dauert weniger als zwei Minuten über native Connector-Flows. Verschlüsselung, Audit-Logs und Export als Markdown gewährleisten Datenschutz und Kontrolle. Kostenlos starten, danach gestaffelte Pläne.
Ein Gehirn, das jeder Agent lesen und schreiben kann – damit du dich nie wieder doppelt erklären musst.
- Sammi
Ich habe in jedem Repo einen Ordner namens reports, plans und code-reviews. Ich lege meine MD-Dateien für Agenten dort ab, und schwupps, sind sie zusammen mit meinem Quellcode in der Cloud in Git. Ich rede einfach mit meinem lokalen Agenten über diese Dateien, und er findet Dinge mit grep und so. Fertig. Kein MCP oder spezieller Server nötig.
Mir wurden schon Produkte wie ozbrain angeboten, aber ich sehe keinen Bedarf gegenüber dem, was ich bereits habe. Scheint mir eher mehr Komplikation ohne Nutzen zu sein.
Übersehe ich etwas?
- gavinboston
Hast du eine Lösung für die Verschlechterung der Genauigkeit beim Zusammenfassen größerer Mengen von LLM-erzeugtem Text?
Ich baue auch LLM-Wissens-/Gedächtnissysteme und war überrascht, wie schlecht LLMs – selbst State-of-the-Art-Modelle – darin sind, nicht-triviale Textmengen zusammenzufassen. Sie machen Fehler, verzerren die zugrunde liegende Bedeutung oder Daten usw.
- sinuhe69
Ich denke, die zentrale Frage für ein solches Gedächtnissystem ist, ob wir oder die Agenten die relevanten Informationen finden können und wie wir diese Daten organisieren, während ständig Änderungen eintreffen. Würden wir beim Abruf etwas übersehen? Wie organisieren wir die Informationen, sodass sie aktuell und korrekt bleiben, ohne Müll anzuhäufen? Natürlich können wir die Daten weiterhin aneinanderreihen und mit Version und Datum versehen, aber dann müssen wir uns dem Problem stellen, die relevanten Informationen in kurzer Zeit zu extrahieren. Wenn wir dieses Problem einem LLM übertragen, verschlechtert sich die Leistung bei langen Kontexten und die Kosten explodieren.
Das ist der Grund, warum wir die Informationen überhaupt erst verdichten. Vergessen + Synthetisieren sind notwendige Bestandteile des Lernens, und im Grunde wollen wir mit Gedächtnis + intelligentem Abruf ein lernendes System aufbauen.
- rgbrgb
nett :)
> würde gerne hören, wie du es gemacht hast
Das hier ist unseres, das wir für Hedgy gebaut haben: https://setoku.com
Unser Ansatz war, einen Data Lake zu bauen, der Unternehmensdaten in Clickhouse saugt und das an einen Wissensspeicher anbindet. So hat das Gehirn einen Strom von Live-Fakten und baut Wissen darum herum. Wir haben aufgegeben, den Wissensspeicher menschenlesbar zu machen – ich glaube schon, dass da etwas dran sein könnte, aber im Moment kümmern wir uns nur darum, den Agenten zu verbessern, den du verwendest. Das macht meinen Claude Code sehr gut beim Debuggen und gibt jedem die Möglichkeit, Dashboards und kleine interne Tools mit echten Daten zu „vibecoden“.
Ich betreibe auch eine persönliche Instanz für meine Frau und mich, die Monarch Money und Gmail einsaugt. Meistens nutze ich sie, um mich über größere Geldbewegungen auszutauschen.
- jen729w
Ich bin Johnny.Decimal. [0]
Ich nutze einen Obsidian-Vault und mein System. „Es ist bei 23.16“, sage ich zu Claude. Von dort aus kann es sofort meine Notizen und Dateien finden.
Keine zusätzliche Software nötig. Nur etwas grundlegende Struktur. Claude liebt es. [1]
Oh ja, und um den Gesprächskontext zu begrenzen, sodass du /resume und so weiter nutzen kannst, einfach
$ cd 23.16
$ claude