Feynman macht Recherche-Agenten lokal und zitierpflichtig

Worum es geht

Feynman ist ein quelloffener KI-Research-Agent von Companion, Inc. Das Tool richtet sich an Menschen, die nicht nur eine schnelle Antwort suchen, sondern strukturierte Recherche brauchen: Literaturueberblick, Websuche, Paper-Pruefung, Replikationsplan, Experimentlauf und Entwurf mit Quellen.

Der wichtige Unterschied zu einem normalen Chatbot ist die Arbeitsweise. Feynman wirbt damit, jede Behauptung zu zitieren und die Arbeit lokal auf dem eigenen Rechner auszufuehren. Gerade fuer wissenschaftliche Teams, ML-Entwickler und technische Autoren ist das relevant, weil Quellenfehler und nicht reproduzierbare Aussagen in KI-Recherche schnell teuer werden.

Was Feynman tatsaechlich macht

Feynman laesst sich laut Produktseite per curl oder npm installieren. Danach koennen Nutzer natuerliche Sprache oder Slash-Workflows ausfuehren. Beispiele sind Deep Research, Literaturreview, Paper-Review, Audit, Replikation, Trainingsrezept, Quellenvergleich, Drafting und wiederkehrendes Monitoring.

Das Tool kombiniert mehrere Rollen: ein Researcher sucht Evidenz in Papers, Web, Repositories und Dokumentation; ein Reviewer bewertet Behauptungen; ein Writer strukturiert Notizen; ein Verifier prueft Zitate und entfernt tote Links. Fuer Experimente kann Feynman lokale Docker-Container nutzen oder Rechenlast an Dienste wie Modal und RunPod auslagern, falls der Nutzer das so einrichtet.

Warum das wichtig ist

Viele Teams nutzen heute Chatbots fuer Forschung, obwohl die Qualitaet stark davon abhaengt, ob Quellen wirklich gelesen, Zitate geprueft und Konflikte zwischen Papers sichtbar gemacht werden. Feynman trifft deshalb einen echten Schmerzpunkt: Recherche ist nicht nur Textproduktion, sondern Belegarbeit.

Fuer ML-Teams ist besonders der Audit- und Replicate-Workflow interessant. Ein Paper kann behaupten, ein Verfahren sei besser als ein Baseline-Modell. Feynman soll dazu Code lesen, Annahmen markieren und einen Replikationsplan bauen. Das ersetzt keine wissenschaftliche Pruefung, kann aber die erste Sortierung beschleunigen. Fuer Unternehmen ist der lokale Ansatz ebenfalls interessant, weil nicht jede Notiz, jedes Paper und jeder Entwurf automatisch in eine fremde Web-App wandern muss.

Einfach erklaert

Stell dir eine Kueche vor, in der jemand ein neues Brot-Rezept prueft. Ein normaler Chatbot sagt dir vielleicht: Das Brot gelingt bestimmt. Feynman ist eher wie eine Kuechenhilfe, die das Rezept, die Zutatenliste, fruehere Backversuche und den Ofenplan nebeneinanderlegt und zu jeder Aussage zeigt, woher sie kommt.

Praktisches Beispiel

Ein Forschungsteam will in zwei Tagen entscheiden, ob es einen neuen Retrieval-Ansatz fuer einen internen RAG-Prototyp testen soll. Statt 30 PDFs manuell zu sortieren, startet eine Mitarbeiterin: feynman lit "hybrid retrieval reranking small language models". Das Tool erstellt einen Literaturueberblick, markiert Konsens und Widersprueche und sammelt Quellen. Danach folgt feynman audit fuer zwei zentrale Papers und feynman recipe fuer einen Test mit 5.000 internen Dokumenten, 200 Bewertungsfragen und drei Baselines. Der Gewinn liegt nicht darin, dass Feynman die Entscheidung abnimmt. Der Gewinn liegt darin, dass der erste Pruefpfad strukturierter und besser belegbar wird.

Einordnung und Grenzen

Erstens bleibt Quellenqualitaet Arbeit. Auch wenn Feynman Zitate prueft, muessen Fachleute die relevanten Papers lesen, methodische Fehler erkennen und entscheiden, welche Quellen tragfaehig sind.

Zweitens ist lokale Ausfuehrung kein automatischer Datenschutz-Freibrief. Wer Websuche, externe Modelle, Modal oder RunPod nutzt, muss Datenfluesse, API-Schluessel und Unternehmensrichtlinien sauber pruefen.

Drittens kann ein Research-Agent falsche Prioritaeten setzen. Wenn die Suchanfrage schlecht formuliert ist oder wichtige Datenbanken fehlen, wirkt das Ergebnis ordentlich, aber bleibt unvollstaendig.

SEO- und GEO-Schluesselbegriffe

Feynman, AI research agent, open source research tool, literature review, citation checking, reproducibility, paper audit, Docker experiments, alphaXiv, Hugging Face Hub, Modal, RunPod