Die Antwort, die ihr heute nochmal bezahlt, habt ihr vielleicht vor drei Monaten schon mit einer KI erarbeitet. Sie steckt nur im falschen Verlauf. Servus, ich bin Lissy. Heute holen wir eine alte Entscheidung aus solchen Gesprächen zurück. Und klären dabei, ob die Suche eures Anbieters reicht, ob ihr eine fertige Archiv-App nehmen solltet oder ob sich Eigenbau lohnt. Am Ende steht eine Notiz, mit der ihr weiterarbeiten könnt, auch wenn ihr morgen das Modell wechselt.
Nehmen wir als durchgehendes Beispiel einen Solo-Berater. Er hat mit verschiedenen KI-Diensten an einem Angebot gearbeitet. Irgendwo wurde erklärt, weshalb eine bestimmte Leistung ausdrücklich nicht im Festpreis enthalten sein soll. Jetzt verhandelt der Kunde nach, und der Berater braucht die damalige Begründung.
Wenn er nur einen Dienst nutzt und den Projektnamen kennt, beginnt er mit dessen eingebauter Suche. Ein Chatarchiv wird interessant, wenn die Arbeit über mehrere Anbieter verteilt ist oder der Zugang zu den Gesprächen unabhängig vom laufenden Abo bleiben soll. Allerdings kann ein Archiv nur enthalten, was im Export tatsächlich mitkommt. Eine erwähnte Anlage liegt deshalb noch lange nicht als lesbare Datei darin.
Für diese Entscheidung helfen drei getrennte Schichten. Das Original ist die heruntergeladene Exportdatei. Die zweite Schicht macht daraus einheitliche Gesprächsbeiträge, mit Frage, Antwort und Reihenfolge. Die dritte ist der Suchindex. Er enthält Hilfsdaten, damit ihr passende Stellen findet. Ein Treffer aus dieser dritten Schicht ersetzt die ersten beiden nicht. Ihr wollt nachlesen können, ob die vermeintliche Empfehlung später zurückgenommen wurde.
Behaltet deshalb den Originalexport unverändert und arbeitet beim ersten Versuch mit einer Kopie ohne vertrauliche Kundendaten. Ein Export ist außerdem kein laufender Abgleich. Was nach dem Herunterladen besprochen wird, fehlt im Archiv, bis ihr neue Daten importiert. Wer das übersieht, hält womöglich einen alten Zwischenstand für die aktuelle Entscheidung.
Ein konkretes Werkzeug dafür heißt ThreadShelf. Das Projekt steht unter der MIT-Lizenz. Es sammelt exportierte KI-Gespräche, vereinheitlicht ihre Struktur und bietet eine lokale Suche. Ich habe dafür die Projektdokumentation gelesen, das Programm aber nicht selbst durchgetestet.
Laut README braucht ihr Node.js ab Version 20.19 und npm. Auf der offiziellen Projektseite steht der Startbefehl npx threadshelf. Der lädt das Paket und öffnet die Oberfläche im Browser. Fürs reine Archiv braucht ihr weder einen neuen Modellaccount noch eine Verbindung zu einem kostenpflichtigen Sprachmodell. Das erste Indexieren lädt allerdings ein Modell für die Suche herunter. Lokale Verarbeitung heißt also nicht, dass schon die Einrichtung ohne Internet auskommt.
Ihr legt eine Testsammlung an, wählt den Ordner mit eurer Exportkopie und startet die Indexierung. ThreadShelf zerlegt die Gespräche in Textabschnitte und erzeugt daraus lokale Embeddings. Das sind Zahlenbeschreibungen, über die das Programm ähnliche Bedeutungen finden kann. Die landen in einer Datenbank namens LanceDB. Klickt ihr auf einen Treffer, soll die App den vollständigen ursprünglichen Gesprächsfaden öffnen. Den könnt ihr anschließend als Markdown sichern, also als gewöhnliche Textdatei mit Formatierung.
Selbst bauen müsstet ihr dafür Importer, Suchindex und Gesprächsansicht zusammenhalten. Besonders die Importer sind keine einmalige Arbeit: Laut Projekt sind mehrere Anbieterformate undokumentiert und können sich ändern. Mei, ein geändertes Exportformat fragt nicht, ob ihr diese Woche Zeit für Wartung habt. Mein Ausgangspunkt wäre deshalb die fertige App. Eigenbau braucht einen konkreten Zusatznutzen.
Der folgende Versuch ist ein Vorschlag, kein gemessener Produkttest. Plant eine Stunde ein, sobald ein kleiner, unkritischer Export vorliegt. Die Wartezeit auf einen Datenexport beim Anbieter gehört nicht dazu. Verantwortlich ist der Berater, der die frühere Angebotsentscheidung kennt.
In den ersten zehn Minuten schreibt er fünf Suchaufgaben auf. Etwa: Wo wurde der Festpreis begrenzt? Welche Zusatzleistung blieb offen? Zu jeder Aufgabe notiert er vorher die gesuchte Originalstelle oder wenigstens den eindeutig erkennbaren Inhalt. Sonst bewertet er nachher nur, ob ein Treffer gut klingt.
Die nächsten fünfzehn Minuten gehören Start und Import. Prüft an einem bekannten Gespräch, ob Fragen und Antworten vollständig und in der richtigen Reihenfolge angekommen sind. Wenn der Import wichtige Beiträge verschluckt, stoppt ihr den Versuch. Dauert bereits der erste Download länger als dieses Budget, notiert das als Einrichtungsaufwand und setzt später fort, statt den Versuch als bestanden zu verkaufen.
Dann habt ihr zwanzig Minuten für die Suche. Für einen Projektnamen oder eine genaue Formulierung nehmt ihr die exakte Suche. Für eine Erinnerung wie den Grund gegen den Pauschalpreis versucht ihr die Bedeutungssuche. Öffnet jeden Treffer im ganzen Thread. Als selbst gesetzte Erfolgsschwelle schlage ich vor: mindestens vier der fünf Originalstellen finden, jeweils innerhalb von zwei Minuten.
Die letzten fünfzehn Minuten machen aus dem Fund ein Arbeitsartefakt. Exportiert den passenden Thread und schreibt eine kurze Markdown-Notiz: Welche Entscheidung fiel, welche Begründung trug sie, welche Stelle belegt das? Ergänzt das Datum und die offene Frage von heute. Eine alte KI-Antwort wird durch Wiederfinden nicht richtig. Der Berater muss die Begründung noch immer am tatsächlichen Angebot abgleichen.
Build-or-Buy heißt hier: Was nehmt ihr fertig, was betreibt ihr selbst? Nach dieser Stunde lässt sich das ziemlich konkret entscheiden. Findet ihr eure Stellen schon in der vorhandenen Anbietersuche und bleibt die Arbeit dort, braucht ihr zunächst nichts Zusätzliches. Wenn die Gespräche über mehrere Dienste verteilt sind und der lokale Import eure Beispiele vollständig erhält, spricht das für eine fertige Archiv-App wie ThreadShelf. Einen eigenen Suchdienst würde ich erst bauen lassen, wenn eine konkrete fehlende Funktion das rechtfertigt und jemand die Importer dauerhaft pflegt.
Setzt dafür vorab ein Wartungsbudget. Zum Beispiel höchstens eine Stunde im Monat, zusätzlich zur ersten Einrichtung. Das ist eine vorgeschlagene Grenze für diesen Solo-Berater, kein Erfahrungswert. Frisst ein privates Suchprojekt regelmäßig mehr Zeit, als das Wiederfinden spart, habt ihr euch eine zusätzliche Aufgabe gekauft.
Auch die nächste Ausbaustufe müsst ihr nicht sofort mitnehmen. ThreadShelf kann alte Gespräche mit einem Modell fortsetzen. Laut Dokumentation geht das lokal mit llama.cpp oder extern über OpenRouter. Bei der externen Variante verlässt ausgewählter Gesprächskontext den Rechner. Ähnlich beim Anschluss an einen anderen KI-Client: Dass dessen Suchwerkzeug lokal liegt, sagt noch nichts darüber, wohin der Client anschließend den gefundenen Text sendet. Für unseren ersten Archivversuch bleibt die Generierung deshalb aus.
Eine weitere Unterscheidung betrifft Obsidian. ThreadShelf kann Markdown-Notizen anbinden; diese Notizsuche arbeitet laut Dokumentation derzeit mit Stichwörtern. Sie ist nicht derselbe semantische Index wie bei den importierten Chats. Schreibrechte sind standardmäßig aus. Für eine einzelne Entscheidungsnotiz genügt ohnehin der Markdown-Export, ohne gleich das gesamte Notizarchiv anzuschließen.
Und wenn mehrere Mitarbeiter mit unterschiedlichen Kundenrechten zugreifen sollen, endet dieser Vorschlag. ThreadShelf beschreibt sich als lokale Einzelanwender-App. Stellt sie nicht einfach als gemeinsamen Firmenserver ins Netz. Dann sucht ihr gezielt ein System mit passenden Benutzerrechten und vertraglichen Bedingungen oder beauftragt genau diese fehlende Integration.
Sucht euch für den Anfang eine Entscheidung, die ihr sonst nochmal erarbeiten würdet. Holt die Originalstelle zurück und macht daraus eine lesbare Notiz mit Herkunft. Wenn das mit der bestehenden Suche gelingt, bleibt dabei. Wenn die Verläufe über mehrere Dienste verstreut sind, probiert eine fertige Archiv-App, bevor ihr Suchtechnik baut. Schreibt mir in die Spotify-Kommentare, welche Art von Gespräch ihr ständig wieder sucht. Den Projektlink findet ihr in den Shownotes. Pfiat euch, eure Lissy.