NextTrace
LOKALE OPEN WEIGHTS • SPECTRUM MEMORY • AGENTISCHE CLI • OPENAI-KOMPATIBEL
Farnah.ai ist eine lokal lauffähige, native Open-Weights-KI-Engine in der Pre-Release-Phase mit agentischer CLI. Das persistente Spectrum Multi-Layer Memory destilliert, verknüpft und erinnert dauerhaftes Projektwissen über Sessions hinweg; OpenAI-kompatibles Serving verbindet vertraute Clients mit derselben lokalen Engine. Begrenzte Agentenwerkzeuge und MCP, multimodale Komponenten sowie ein eval-gesicherter Trainingspfad sind um austauschbare lokale Modelle komponiert. Aus bestandener Evidenz können Farnah-eigene Adapter und Checkpoints entstehen, ohne ein bestimmtes Basismodell zum Produkt zu machen. Der lokale Betrieb gibt den Betreibenden die Kontrolle über Modelle, Gedächtnis und Datenflüsse. Der Name stammt von der altpersischen Form farnah-: Ruhm, Glanz und Glück, verbunden mit einer leuchtenden oder feurigen Kraft. Das Zeichen „Remembering Sun“ überträgt diese Idee auf Schichten von Erinnerung.
farnah-CLI ergänzt begrenzte Tools und MCP.Deine Mail geht an das Team, das die Engine baut. Du bekommst eine Walkthrough-Demo und den aktuellen Build-Stand.
Wie sie gebaut ist
Der Unterschied. Spectrum Multi-Layer Memory ist ein persistentes Subsystem mit Summary-first-Recall, deep_load bei Bedarf, Themenverknüpfungen und destilliertem Zurückschreiben. Modell-Runtimes bleiben zustandslos, während dauerhaftes Projektwissen Session-Grenzen überlebt. Die Fassade bleibt stabil, während sich der Speicher weiterentwickelt — mit begrenztem Retrieval statt globaler Scans im Hot Path.
Aufgabenbezogene Orchestrierung klassifiziert Anfragen zu Code, Dialog, Reasoning und Vision und wählt dahinter eine qualifizierte lokale Runtime mit passendem Modell. Basismodelle bleiben austauschbar und an Revisionen gebunden; Kompatibilitätsprüfungen und zurückgehaltene Evals entscheiden, was eingesetzt werden darf — keine feste Namensliste.
Eine Provider-Grenze hält lokale CPU- und GPU-Runtimes austauschbar, während das OpenAI-kompatible Gateway stabil bleibt. Farnah beginnt mit qualifizierten Open Weights und erzeugt aus redigierten Traces, Spectrum Memory und Eval-Labels deterministische Datensätze. Adapter oder Checkpoints werden erst nach bestandenen Trainings-, Held-out- Eval- und Export-Gates zu Farnah-eigenen Artefakten.
Eine begrenzte Tool-Schleife — Shell, Datei-Lesen/Schreiben, Web-Fetch, gesandboxte Code-Ausführung — mit MCP-Unterstützung für externe Tools, hinter einem OpenAI-kompatiblen Gateway. Der Befehl farnah bietet REPL- und One-Shot-Modi; bestehende kompatible Clients sprechen mit derselben Serving-API.
Die Pre-Release-Komponenten verbinden einen eingefrorenen Vision-Encoder mit einem trainierbaren Projektor, damit Bildkontext in die Engine gelangen kann, ohne das Produkt an ein festes Modell zu koppeln. Multimodale Artefakte durchlaufen dieselben Evaluations-Gates wie der übrige Stack.
Warum es sie gibt