MAAT Web Core
Einblick in den MAAT Web Core: Chat, Verlauf und aufklappbare Denkansicht.
Die öffentliche Version im Einsatz

LOCAL-FIRST · OPEN SOURCE · MODULAR

MAAT Web Core

Deine KI. Dein Wissen. Auf deinem Rechner.

Chatte mit lokalen Modellen, behalte Projektwissen und mache aus Antworten Code und Dokumente. In einer gemeinsamen Arbeitsumgebung.

Lokal starten Auf GitHub ansehen
Für deinen lokalen WorkflowmacOS & LinuxGGUF / llama.cppDesktop & MobilAGPL-3.0

01 / FUNKTIONEN

Der Kontext bleibt.
Die Arbeit geht weiter.

Für längere Gespräche, Forschung und eigene Projekte: MAAT Web Core verbindet lokale Modelle mit dauerhaftem Wissen und konkreten Werkzeugen.

01

Ein Chat zum Weiterarbeiten

Antworten live verfolgen, Thinking aufklappen, Text anhängen und Gespräche wiederfinden. Mit Copy, Vorlesen und Stop-Funktion.

Oberfläche ansehen
02

Erinnerungen mit Zusammenhang

Super Memory verbindet Ereignisse, Fakten und Beziehungen. Nutzerbezogen, mit Timeline, Archiv und Lessons aus Feedback.

Memory entdecken
03

Dein Projektwissen am richtigen Ort

Formeln, Papers und Projektkontext bekommen einen eigenen Bereich. Passende Themen holen dieses Wissen wieder ins Gespräch.

Projektkontext ansehen
04

Wissen auch ohne Netz

Lokale Wikipedia-Artikel aus Kiwix/ZIM und eine Suche durch alte Chats. Wissensquellen bleiben im Modellkontext gekennzeichnet.

Wissensquellen ansehen
05

Von der Antwort zur Datei

Python, LaTeX, HTML und Text als Dateien erhalten. Mit Downloads, PDF-Erstellung und optionaler Python-Ausführung samt Fehlerfeedback.

Dateiwerkzeuge entdecken
06

Nachvollziehen, was passiert

Modellstart, Kontextverarbeitung und Memory-Treffer im Log verfolgen. MAAT-Diagnosen ergänzen die Antwort um überprüfbare Hinweise.

MAAT kennenlernen

02 / EINBLICKE

Ein Core.
Auf deinen Geräten.

Am Rechner arbeiten, im selben LAN auf Smartphone oder Tablet weiterlesen. Chat, Modellsteuerung und Arbeitsbereiche bleiben zusammen.

Original-Screenshots · öffentliche Version
Desktop-Chat mit Seitenleiste, Modellwahl, Thinking-Fenster und MAAT-Tabs. Vergrößern
Der Chat steht im Mittelpunkt.Verlauf links, Arbeitsbereiche in Tabs und die Eingabe immer griffbereit.
Vorschaubild des MAAT-KI Interviews

IM GESPRÄCH

MAAT-KI im Interview

Ein Einblick in eine Unterhaltung mit MAAT-KI.

Demo auf YouTube

03 / MAAT & ARCHITEKTUR

Wissen verbinden.
Quellen erkennbar halten.

Memory, Projektwissen, Wiki und Verlauf erfüllen unterschiedliche Aufgaben. Der Core bereitet sie als gekennzeichnete Kontextquellen für das Modell auf.

  1. 01

    Kontext sammeln

    Nachricht & Anhänge
    Memory & Projektwissen
    Offline-Wiki & Verlauf

  2. 02

    Kontext vorbereiten

    Quellen kennzeichnen
    Verlauf komprimieren
    Kontextbudget priorisieren

  3. 03

    Antwort erzeugen

    Lokales GGUF-Modell
    Optionaler API-Adapter
    Streaming & Thinking

  4. 04

    Weiterarbeiten

    MAAT-Diagnose
    Dateien & Werkzeugfeedback
    Memory & Lessons

DIE FÜNF MAAT-FELDER

Eine zusätzliche
Perspektive auf Antworten.

Regelbasierte Heuristiken und Prompt-Regeln machen Aspekte wie Klarheit, Kontextbezug und Abwägung sichtbar.

H Harmonie
Klarheit und Kohärenz
B Balance
Abwägung und Gegenperspektiven
S Schöpfungskraft
Nützliche Ideen und Verbindungen
V Verbundenheit
Bezug zur Frage und ihrem Kontext
R Respekt
Ehrlichkeit und markierte Unsicherheit
Stability = min(R, ⁴√(H · B · S · V))

Diagnostische Heuristiken, kein Wahrheitsnachweis. Eine systematische Evaluation der Wirkung steht noch aus.

04 / IM DETAIL

Viele Bausteine.
Klare Aufgaben.

Die wichtigsten Funktionen der öffentlichen Version, nach Arbeitsbereich geordnet.

Vollständige Dokumentation
Chat & Bedienung

Streaming mit Stop-Funktion und aufklappbarem Thinking, Chatverlauf mit Suche, Umbenennen und Löschen, automatische Chat-Titel, Textanhänge, Markdown und LaTeX-Formeln.

Copy für Antworten und Codeblöcke, Vorlesen, Chat/Log/Help sowie Tabs für Projekte und Docs. Helles und dunkles Design mit zeitabhängigem Wechsel, mobile Ansicht und LAN-Zugriff.

Modelle & Einstellungen

GGUF über llama-cpp-python ist Standard. Der öffentliche Loader ist für Qwen3.8-27B, Qwen 3.6, Gemma 4 und LFM angepasst. Die nutzbare Modellgröße hängt von Hardware, Quantisierung und Kontext ab.

Wählbarer Modellordner, Favoriten im Chat, Systemscan für Threads und GPU-Layers, manuelle Einstellungen, separates Kontextlimit und automatische Berechnung freier Ausgabetokens. Optional: OpenAI-kompatible Backends, etwa llama.cpp server oder text-generation-webui.

Super Memory, Person Graph & Lessons

Arbeits-, episodisches, semantisches und Keyword-Gedächtnis, getrennt nach Nutzern. Der Person Graph hält Beziehungen und Kontext fest; Timeline und Archiv unterstützen zeitbezogene Erinnerungsfragen.

Milestones, Dreaming und gewichtete Lessons ergänzen den Recall. Speicherbefehle werden aus der finalen Antwort verarbeitet; Thinking-Inhalte sollen keine Erinnerungen erzeugen. Autostore und modellgesteuertes Speichern sind konfigurierbar.

Projektwissen & Kontextmanagement

Project Memory hält Projektkontext, Formeln, Papers, Tags und Trigger getrennt von persönlichen Erinnerungen. Passende Themen aktivieren den Projekt-Recall.

Der Chat Compressor verdichtet ältere Turns ohne Thinking und kann Themenzeilen sowie Zusammenfassungen erstellen. Der Context Optimizer priorisiert Quellen innerhalb des verfügbaren Budgets. Datum, Uhrzeit und der Abstand zur letzten Nachricht ergänzen den Kontext.

Offline-Wiki & Chat-Archiv

Lokale ZIM-Dateien über Kiwix/libzim, mit wählbarem Pfad und mehreren Artikeln pro Anfrage. Wiki-Treffer werden als Quelle für das Modell gekennzeichnet.

Chat Search durchsucht vorhandene Chatlogs über SQLite/FTS, beispielsweise mit /maat search <Begriff>. Alte Gespräche bleiben als Archiv recherchierbar.

Dateien, Code & PDF

Der File Builder erkennt Python-, LaTeX-, HTML- und Textausgaben, legt Dateien an und bietet Öffnen, Download und Löschen. LaTeX kann mit installiertem pdflatex zu PDF kompiliert werden.

Python-Syntaxprüfung, optionale Ausführung und Fehlerfeedback helfen beim Überarbeiten. Python-Ausführung ist in der öffentlichen Version standardmäßig deaktiviert. Nur finale Ergebnisse sollen Dateien erzeugen.

MAAT-Module & Erweiterungen

Engine, Value Core, CCI, Balance, Claim Guard und PLP Anti-Hallu ergänzen die Antwortdiagnose. Reflection und Rewrite unterstützen Überarbeitung; Style, Emotion, Identity, Spirit und Reality Layer steuern weitere Kontext- und Antwortaspekte.

Adaptive Learning speichert Lessons mit Confidence, das Feedback Tool erzeugt Reports. Erweiterungen können Hooks und Commands registrieren. Die Logansicht zeigt aktivierte Quellen und Verarbeitungsschritte.

05 / LOSLEGEN

Dein Rechner.
Dein nächstes Projekt.

Du brauchst Python 3.10 oder neuer, empfohlen ist 3.11, sowie Git für die folgenden Befehle. Modelle und optionale Wissenspakete richtest du beim Setup ein.

# Projekt herunterladen
git clone https://github.com/Chris4081/maat-web-core.git
cd maat-web-core

# Startdateien ausführbar machen
chmod +x setup.sh start.sh setup.command start.command

# Einrichten und automatisch starten
./setup.command
Danach im Browser: http://127.0.0.1:8787
  1. 01

    Umgebung einrichten

    Das Setup erstellt die Python-Umgebung und fragt nach dem GGUF-Loader, einem Beispielmodell und optionaler Offline-Wikipedia.

  2. 02

    Systemscan ausführen

    Beim ersten Start unter Settings die automatische Hardware-Erkennung nutzen. Den Kontext stellst du separat ein.

  3. 03

    Modell wählen und chatten

    Modellpfad und Favoriten festlegen. Für spätere Sitzungen genügt ./start.sh oder auf macOS start.command.

Eine frühe, öffentliche Version. MAAT Web Core wird aktiv weiterentwickelt. Funktionen können je nach Modell und Plattform variieren; Tests und Fehlerberichte helfen beim Verbessern.

Feedback auf GitHub