Dokumente → Knowledge Graph → Personas → Simulation → nachvollziehbarer Bericht
Demo · Was ist Agora? · Funktionsweise · Prozess im UI · Schnellstart · Architektur · Status · Sicherheit · Mitwirken
Important
Agora sagt menschliches Verhalten nicht voraus. Die Plattform erzeugt überprüfbare Szenarien, mögliche Einwände, Konfliktlinien und Datenlücken. Simulationsergebnisse ersetzen weder Interviews noch Nutzertests oder empirische Forschung.
▶ Vollständige 38-Sekunden-Demo öffnen
Realer Lauf zur Einführung des KI-Lernassistenten „LernKompass 2027“.
Die Demo zeigt:
- laufende Multi-Agenten-Simulation mit Status und Ressourcenverbrauch,
- simulierte Reaktionen und technische Laufzeitdaten,
- einen strukturierten Report mit Risiken, Konflikten und Datenlücken,
- den Export des Ergebnisses als PDF.
Agora ist eine lokal oder hybrid betreibbare Analyseplattform. Sie verarbeitet Dokumente, Webseiten und Fragestellungen zu einem Wissensgraphen, erzeugt daraus überprüfbare Stakeholder-Personas und lässt diese in einer kontrollierten Multi-Agenten-Simulation interagieren.
Der anschließende Report trennt dokumentbelegte Aussagen von Hypothesen, unbelegten Behauptungen und fehlenden Informationen. Statt lediglich plausibel klingenden LLM-Text zu erzeugen, versucht Agora jede relevante Aussage auf Quellen, Graphobjekte und Simulationsereignisse zurückzuführen.
| Problem | Agora-Ansatz |
|---|---|
| Kritische Stakeholder werden spät berücksichtigt | Konfliktlinien und Einwände vor einer Entscheidung explorieren |
| LLM-Berichte vermischen Fakten und Spekulation | Claims nach Evidenzgrad klassifizieren und mit Quellen verknüpfen |
| Varianten werden nur nach Bauchgefühl verglichen | Runs, Prompts, Modelle und Eingabevarianten gegenüberstellen |
| Entscheidungen beruhen auf unvollständigen Unterlagen | Datenlücken und nicht repräsentierte Gruppen sichtbar machen |
| Sensible Daten sollen das eigene Netz nicht verlassen | Lokaler Betrieb mit Neo4j, Redis und Ollama möglich |
- Stakeholder- und Akzeptanzanalyse: mögliche Widerstände, Interessen und Kommunikationsprobleme strukturieren.
- Pre-Mortem: untersuchen, warum ein Vorhaben scheitern könnte, bevor es umgesetzt wird.
- Kommunikationsvarianten: Botschaften, Narrative und Positionierungen miteinander vergleichen.
- Produkt- und Konzeptreview: Annahmen, Risiken und unberücksichtigte Zielgruppen identifizieren.
- Forschung und Lehre: Multi-Agenten-, GraphRAG- und Evidence-Gating-Workflows nachvollziehbar untersuchen.
flowchart LR
A[Dokumente und Webseiten] --> B[Knowledge Graph]
B --> C[Stakeholder-Personas]
C --> D[Multi-Agenten-Simulation]
D --> E[Claims und Evidenzprüfung]
E --> F[Report, Vergleich und Export]
PDF-, Markdown- und Textdateien sowie Webseiten werden extrahiert, segmentiert und mit ihrer Herkunft gespeichert.
Neo4j speichert Entitäten, Beziehungen, Behauptungen, Quellenfragmente und Vektor-Embeddings. Dadurch können semantische Suche und Graphbeziehungen gemeinsam genutzt werden.
Agora leitet Stakeholder-Personas aus dem Wissensgraphen ab. Rollen, Interessen und Haltungen können vor dem Lauf geprüft, verändert oder neu generiert werden.
Die OASIS-/CAMEL-Laufzeit orchestriert die Agenten. Redis überträgt Status, Ereignisse und Laufzeitdaten zwischen Simulation, Backend und Oberfläche.
Der Report verarbeitet Graph- und Simulationsdaten zu strukturierten Claims. Quellenbezug, Confidence und Datenlücken werden gesondert dargestellt.
Runs können nach Modell, Prompt, Seed und Eingabevariante verglichen, erneut abgespielt und in mehrere Formate exportiert werden.
Die Pipeline in der Agora-Weboberfläche folgt fünf aufeinander aufbauenden Schritten — Run starten, Upload, Personas, Report und Interaktion. Die folgenden Screenshots zeigen einen realen Lauf (proj_c12f138aa04e zum Thema SchulKI) von der Quelldatei bis zum 1‑zu‑1‑Gespräch mit den generierten Personas:
Im Dashboard wird ein neuer Run angelegt: Quelldatei ablegen, Modellprofil und Sprache auswählen, Anzahl der Personas und Simulationsrunden einstellen, dann starten.
Direkt nach dem Start extrahiert Agora aus den hochgeladenen Dokumenten Entitäten und Beziehungen und zeigt sie als interaktiven Graphen. Beziehungs‑Labels sind ein‑ und ausblendbar, der Graph ist als .graphml, .svg, .png, .pdf oder .html exportierbar.
| Frisch hochgeladen | Vollständig aufgebaut |
|---|---|
 |
 |
Über den Relationship‑Inspector lässt sich jeder Knoten anklicken — die Beziehungen und Selbst‑Referenzen werden in einem seitlichen Panel sichtbar.
Aus dem Wissensgraphen werden hunderte Personas abgeleitet. Vor der Generierung werden LLM‑Modell, Agentensprache und die maximale Anzahl Agenten konfiguriert.
Während der Generierung füllt sich eine Karten‑Übersicht mit Name, Rolle, Interessen und Tags. Jede Persona lässt sich vor dem Simulationslauf einzeln prüfen, bearbeiten, neu generieren oder freigeben.
| Generierte Personas | Persona-Detailansicht |
|---|---|
 |
 |
Während der Simulation laufen die Agenten‑ und Werkzeug‑Aufrufe parallel. Jede Report‑Section wird mit Evidenzbindung (ADR‑0002), Confidence und Quellenverweisen erzeugt; bei fehlgeschlagenem LLM‑Call liefert die Section stattdessen eine nachvollziehbare Fehlermeldung mit Verweis auf den Server‑Log.
Nach Abschluss des Reports lassen sich einzelne Personas direkt ansprechen — entweder im 1‑zu‑1‑Gespräch oder als Umfrage. So können hypothesengetriebene Nachfragen gestellt und Evidenzlücken gezielt geschlossen werden.
graph TD
UI[Vue 3 + Vite + Pinia] <-->|REST und SSE| API[Flask + Pydantic v2]
API --> REG[LLM Provider Registry]
REG --> LOCAL[Ollama lokal]
REG --> CLOUD[OpenAI-kompatible Provider]
API --> NEO[(Neo4j Knowledge Graph)]
API --> REDIS[(Redis Event Bus)]
API --> OASIS[OASIS / CAMEL Runtime]
OASIS --> REDIS
OASIS --> NEO
API --> EVIDENCE[Evidence-Gating Engine]
EVIDENCE --> REPORT[Report, Vergleich und Export]
| Bereich | Technologie | Aufgabe |
|---|---|---|
| Frontend | Vue 3, Vite, Pinia, TypeScript, Zod | Oberfläche, Statusdarstellung und Eventverarbeitung |
| Backend | Flask, Pydantic v2, Python 3.14, uv |
REST API, SSE, Contracts und Orchestrierung |
| Knowledge Graph | Neo4j 5.18+ | Entitäten, Relationen, Claims und Vektorindizes |
| Event Bus | Redis 5.0+ | Status, Pub/Sub, IPC und Simulationsereignisse |
| Simulation | OASIS / CAMEL AI | Multi-Agenten-Interaktionen und Rollensteuerung |
| LLM-Schicht | Provider Registry und chat_json |
Ollama sowie OpenAI-kompatible Anbieter |
| Qualität | Pytest, Frontend-Tests, E2E-Smokes, GitHub Actions | Contracts, Migrationen und Kernabläufe absichern |
- Git
- Linux oder macOS empfohlen
- ein konfigurierter LLM- und Embedding-Provider
- für den vollständigen Stack: Docker
git clone https://github.com/arn0ld87/agora.git
cd agora
./install.sh
cp .env.example .env
# LLM-Endpunkte und Secrets in .env konfigurieren
bun run dev./install.sh --docker| Dienst | Adresse | Funktion |
|---|---|---|
| Frontend | http://localhost:5173 |
Agora-Weboberfläche |
| Backend | http://localhost:5001 |
REST API und SSE Gateway |
| Readiness | http://localhost:5001/readyz |
Backend-Status |
| Neo4j Browser | http://localhost:7474 |
Graph und Cypher Console |
Warning
Agora ist aktuell ein experimentelles Single-User-System. Die Anwendung nicht ungeschützt im öffentlichen Internet betreiben. Nutze Tailscale, WireGuard, ein VPN oder einen korrekt konfigurierten HTTPS-Reverse-Proxy.
Aktuelle Version: 0.9.0 Stability Beta
| Bereich | Stand |
|---|---|
| Backend | mehr als 4.560 gesammelte Unit- und Contract-Tests |
| Frontend | 171 Testdateien |
| E2E | 20 grüne Szenarien, darunter 6 verpflichtende Kern-Smokes |
| Main Branch | geschützt durch 17 Required Status Checks |
| Produkt-Frontend | Vue-v4-Routen sind die einzige ausgelieferte Oberfläche |
| Betriebsmodell | stabilisierter Single-User-Betrieb, noch keine allgemeine Produktionsfreigabe |
| Version | Ziel | Status |
|---|---|---|
0.8.0 |
funktionsfähige Technical Preview | abgeschlossen |
0.9.x |
Stabilisierung, Security- und Readiness-Gates | aktuell |
0.10.0 |
reproduzierbare Runs, Replay, Budgets, Backup/Restore | geplant |
1.0.0 |
stabile Verträge, Referenzlauf und nachgewiesener Produktnutzen | geplant |
Der verifizierte Ist-Zustand steht in docs/STATUS.md. Die verbindlichen nächsten Schritte stehen in ROADMAP.md.
- Personas sind simuliert. Ihre Aussagen sind keine echten Kunden- oder Bürgermeinungen.
- Confidence ist keine Wahrheitsskala. Der Wert beschreibt die interne Evidenzbindung eines Claims.
- Inputs bestimmen die Ergebnisse. Datenqualität, Prompt, Modell und Seed können den Lauf erheblich verändern.
- Ein Run ist keine Stichprobe. Für belastbarere Aussagen sind mehrere Varianten und externe Reviews nötig.
- Kleine Modelle sparen Kosten, reduzieren aber häufig die Qualität. Besonders strukturierte Ausgaben und Evidenzzuordnung leiden.
- Cloud-Provider erzeugen Datenschutz- und Kostenrisiken. Datenflüsse und Auftragsverarbeitung müssen vorab geprüft werden.
Agora ist am nützlichsten als Entscheidungsunterstützung vor realen Interviews, Fachreviews, Nutzertests oder Pilotprojekten.
- API-Zugriff über
AGORA_AUTH_TOKEN - zeitlich begrenzte, signierte Tickets für SSE und Downloads
- Secrets werden nicht in Reports, Logs oder Graphobjekte serialisiert
- HTTPS-Pflicht für credential-behaftete LLM- und Embedding-Endpunkte
- empfohlener Betrieb im lokalen Netz, über VPN oder hinter einem Reverse Proxy
Weitere Dokumentation:
Agora befindet sich zwischen funktionsfähiger Stability Beta und einer belastbaren Version 1.0. Besonders aufwendig sind wiederholte LLM-Läufe, Hardware für lokale Modelle, reproduzierbare Referenzsimulationen und fachliche Evaluationen.
Gesucht werden:
- Forschungs- und Evaluationspartner, die Multi-Agenten-Ergebnisse methodisch prüfen,
- Compute- und Hardware-Sponsoren für wiederholbare lokale Modellläufe,
- Pilotpartner mit echten, dokumentierten Stakeholder-Fragestellungen,
- Open-Source-Mitwirkende for Testing, UX, Security und Release Engineering,
- Förder- und Kooperationspartner für den Weg zu Version 1.0.
Kontakt und Mitarbeit:
- GitHub Issues
- Projektseite des Entwicklers
AGENTS.mdfür agentische EntwicklungsworkflowsCLAUDE.mdfür Claude-Code-Aufgaben
Agora ist Open Source unter der AGPL-3.0 Lizenz (LICENSE).
Entstanden aus MiroFish-Offline, grundlegend weiterentwickelt für professionelle DACH-Simulationen.
Teile der Simulationslaufzeit basieren auf dem CAMEL-AI-/OASIS-Ökosystem.
Entwickelt von Alexander Schneider