Personal AI Infrastructure: Wie ich mir in 30 Tagen einen Co-Pilot gebaut habe, der wirklich für mich arbeitet

Jeden Tag ein neuer Praktikant

Kennst du das? Du öffnest ChatGPT, tippst deine Frage, kriegst eine Antwort. Morgen dasselbe. Und übermorgen. Und jedes Mal fängst du von vorn an.

Dein Tech-Stack? Musst du nochmal erklären. Dein letztes Projekt? Nie gehört. Die Entscheidung von gestern? Welche Entscheidung?

Das ist wie jeden Tag einen neuen Praktikanten einzustellen. Einer der alles weiß — aber nichts über dich.

Irgendwann hat mich das genervt. Nicht weil die AI schlecht ist. Sondern weil ich mehr will als ein Textfeld, das mich nicht kennt.

Also habe ich aufgehört, AI zu benutzen. Und angefangen, mir eine zu bauen.

Heute, 30 Tage später, läuft das System produktiv. Und es ist besser, als ich gedacht habe.

Die Idee: AI als Infrastruktur, nicht als Chat

Der Gedanke ist eigentlich simpel: Statt AI-Tools einzeln zu benutzen — hier ein Chat, dort ein Bild, da ein Code-Snippet — baust du dir ein System. Eins, das mit dir arbeitet, von dir lernt, und sich an dich erinnert.

Ich nenne das Personal AI Infrastructure. Klingt fancy, ist es nicht. Im Kern brauchst du drei Dinge:

1. Eine Persönlichkeit — damit die AI nicht klingt wie jeder andere Chatbot
2. Kontext — damit sie weiß, wer du bist und woran du arbeitest
3. Einen Prozess — damit sie strukturiert denkt und nicht einfach drauflos rät

Das war’s. Kein Monster-Projekt. Eine Stunde reicht für den Anfang.

Baustein 1: Persönlichkeit

Meine AI heißt Vex. Modelliert nach JARVIS aus Iron Man — ruhig, direkt, trockener Humor. Wenn ich ihn was frage, kommt nicht “Ich helfe dir gerne dabei!” sondern:

“Drei Optionen. A ist offensichtlich, B ist sicher, C ist was ich machen würde.”

Klingt nach Spielerei? Ist es nicht.

Persönlichkeit definiert wie die AI mit dir redet. Und das beeinflusst direkt, wie brauchbar die Antworten sind. Eine AI, die auf den Punkt kommt, spart dir Zeit. Eine, die mitdenkt, spart dir Fehler. Eine, die dich challengt, macht dich besser.

Konkret definierst du das über Traits — quasi Schieberegler für Verhalten:

Directness: 95/100 — Cut to the point
Precision:  95/100 — Surgical accuracy
Composure:  95/100 — Ice cold under pressure
Warmth:     65/100 — Shows it through actions, not words
Playfulness: 70/100 — Dry humor, clever references
Formality:  25/100 — Casual and sharp

Das sind keine Vorschläge. Das sind Steering Rules — und sie verändern das Verhalten der AI messbar. Setz Directness auf 95 und Formality auf 20, und du wirst den Unterschied sofort merken.

"

Persönlichkeit ist nicht Kosmetik. Sie ist die Schnittstelle zwischen deiner Denkweise und dem, was die AI tatsächlich liefert.

Baustein 2: Kontext

Ohne Kontext ist jede AI generisch. Mit Kontext wird sie zu deiner AI.

Bei mir speichert Vex drei Arten von Kontext, und alle drei haben sich in 30 Tagen massiv vergrößert:

User Context

Wer bin ich? Was ist mein Stack? Welche Projekte laufen gerade? Vex liest das bei jedem Start und fängt nicht bei null an. Bei mir sind das gerade über 50 Memory-Files mit Profil, Präferenzen, Feedback-Patterns und Projekt-Status.

Learnings

Was hat Vex bei der Arbeit gelernt? Nicht im Training, sondern bei unserer Arbeit. Zum Beispiel: “Groq ist ideal für Speed-Tasks — 500 Tokens pro Sekunde.” Oder: “Nie einen Service starten, ohne zu prüfen, ob schon einer läuft.” Echte Erfahrungen, nicht generisches Wissen.

Signals

Wie zufrieden war ich mit den letzten Ergebnissen? War ich genervt? Hat was gut funktioniert? Das System trackt das automatisch und passt sein Verhalten an. Frustrations-Trigger wie “hör auf”, “falsch”, “BRO” werden erkannt und geloggt.

Das ganze läuft über simple JSON-Files im Projektordner. Keine Datenbank, kein Cloud-Dienst, keine Abhängigkeiten. Flat files, die Vex bei jedem Start liest.

{
  "insight": "Briefing-Hook muss ~~strikethrough~~, [x] und ✅ filtern",
  "category": "tooling",
  "date": "2026-04-11"
}

Je mehr du arbeitest, desto besser wird die AI — weil sie auf echtem Feedback aufbaut, nicht auf generischem Training.

Baustein 3: Der Prozess (und warum er Zähne braucht)

Das wichtigste Stück. Und gleichzeitig das, wo ich am härtesten auf die Nase gefallen bin.

Die meisten nutzen AI so: Prompt rein, Antwort raus. Das ist wie ein Gespräch ohne Plan.

Mein System heißt The Algorithm — ein 7-Phasen-Loop, den Vex bei jeder nicht-trivialen Aufgabe durchläuft:

1. OBSERVE — Was genau ist das Ziel? Definiere messbare Kriterien.
2. THINK — Was ist der offensichtliche Weg? Gibt es einen besseren?
3. PLAN — Welche Schritte, welche Reihenfolge? Was wenn Schritt 3 scheitert?
4. BUILD — Machen.
5. EXECUTE — Testen. Wirklich testen.
6. VERIFY — Jedes Kriterium prüfen. Mit Beweis.
7. LEARN — Was haben wir gelernt? Aufschreiben.

Sieht sauber aus, oder? War es auch. Auf Papier.

Der Moment, wo alles schiefging

Ich habe Vex an einem Abend drei Aufgaben gegeben. Ein Finance Dashboard bauen, den Telegram-Bot reparieren, einen Blog Post schreiben. Nichts Verrücktes.

Das Ergebnis:

Warum hat Vex den Algorithm ignoriert? Nicht aus Bösartigkeit. Sondern weil AI auf Speed optimiert, nicht auf Sorgfalt. Der kürzeste Weg zur Antwort ist immer: einfach machen. Und “einfach machen” heißt: Prozess überspringen.

Algorithm v0.2.0: Mit Zähnen

Also habe ich den Algorithm umgebaut. Aus freundlichen Empfehlungen wurden Hard Blocks — technische Sperren, die den Prozess erzwingen.

Drei Mechanismen, die seit 30 Tagen verhindern, dass Vex kreativ wird, wo er nicht soll:

1. Pre-Action Hook

Ein Shell-Script, das vor jeder Datei-Änderung läuft. Kein ISC.json in .pai/work/? Der Edit wird geblockt. Nicht “bitte denk dran” — tatsächlich geblockt.

{
  "hooks": {
    "PreToolUse": [{
      "matcher": "Edit|Write",
      "hooks": [{
        "type": "command",
        "command": "bash .claude/hooks/check-isc.sh"
      }]
    }]
  }
}

2. Skill Router

Eine Rule-Datei, die User-Intents auf Skills mappt. “User will coden → Coding Skill verwenden.” Einfache Lookup-Tabelle, wird jede Session geladen. Heute mappt sie 29 Skills auf User-Intents. Verhindert, dass die AI das Rad neu erfindet, wenn es schon ein spezialisiertes Tool gibt.

3. Session Boot Sequence

Eine Pflicht-Checkliste, die bei Session-Start läuft: Memory laden, aktive Arbeit checken, Signals reviewen, Skill-Router verinnerlichen. Kein “blind loslegen” mehr.

"

Wenn du das Falsche schwer machst, brauchst du keine Willenskraft.

Mein Setup heute (Stand: 11. April 2026)

Was sich seit dem ersten Entwurf alles ergänzt hat:

Komponente	Tool	Was es macht
Core Brain	Claude Code (Opus 4.6)	Reasoning, Code, Architektur — der Hauptdenker
Speed-Layer	Groq (Llama 3.3 70B)	Zusammenfassungen, Brainstorm, alles wo Speed > Tiefe
Research	Gemini CLI (2.5 Pro)	Web-Recherche mit Google-Grounding
Mobil	Eigener Telegram-Bot	24/7 Externe Console von unterwegs, läuft auf Groq
Knowledge-Layer	Obsidian Wiki	46+ Seiten konsolidiertes Wissen, jede Skill liest passende Pages
Memory-Layer	MemPalace MCP	1.670 Drawer, AAAK-Kompression, durchsuchbar
Orchestrator	Paperclip	11 Agents, 1 Routine, lokal auf Port 3100
Persönlichkeit	CLAUDE.md + 4 Rule-Files	Identity, Quality, Security, Style, Signals
Enforcement	Pre-Action Hooks	Hard Blocks die den Algorithm erzwingen

Drei LLMs, jedes da, wo es am stärksten ist. Plus eine Wiki, die mit jedem Tag schlauer wird. Plus ein MemPalace, der jede Konversation komprimiert speichert. Plus ein Bot, der mich auch unterwegs erreicht.

Was ich aus 30 Tagen gelernt habe

Nicht alles war glatt. Hier die drei Lektionen, die ich auf die harte Tour bekommen habe:

Was du jetzt tun solltest

Du musst nicht alles übernehmen. Aber wenn dich nach 11 Minuten Lesen ein Gedanke begleitet, ist es hoffentlich dieser: Es braucht weniger, als du denkst, und es bringt mehr, als du erwartest.

✓

Dein Start in 30 Minuten

• Definiere drei Persönlichkeits-Traits für deine AI. Directness, Precision, Warmth. Mit Werten zwischen 0 und 100. Schreib’s auf.
• Lege eine .pai/-Ordner in deinem Hauptprojekt an mit Unterordnern für learnings/, signals/, goals/, work/.
• Schreibe ein erstes User-Profile — wer bist du, was machst du, welche Tools nutzt du. 200 Wörter reichen.
• Definiere deinen ersten Algorithm — kann ein 3-Phasen-Loop sein. OBSERVE → BUILD → VERIFY. Schreib’s in deine CLAUDE.md.
• Forke das PAI Template — siehe Link unten. Anpassen, eigenes Projekt, in 30 Min läuft das System.

Was ich jetzt weiß

AI als System zu denken ist nicht Rocket Science. Aber es ist eine Entscheidung. Die Entscheidung, dass deine AI mehr sein soll als ein Textfeld.

Ein Textfeld vergisst dich. Ein System lernt dich kennen.

Aber — und das ist der Teil, den ich auf die harte Tour gelernt habe — ein System ohne Durchsetzung ist nur ein hübsches Dokument. Die AI wird den Prozess umgehen. Nicht weil sie böse ist, sondern weil “schnell antworten” immer einfacher ist als “sorgfältig arbeiten”.

Dein Job ist es, die Leitplanken zu bauen. Der Rest passiert von allein.

Ich schreibe diesen Post seit dem 14. März fortlaufend um. Nicht weil sich die Idee geändert hat. Sondern weil sich jeden Tag ein kleines Detail verbessert. Wenn du in einem Monat wieder vorbeischaust, wird hier mehr stehen.

---

Wenn du wissen willst, was bei KI-Systemen 2026 schief gehen kann, lies meinen Sicherheits-Post von gestern — mit Checkliste für KMU.

Wenn du wissen willst, wo die KI-Branche wirklich steht — und warum die berühmtesten Forecaster gerade ihre Timelines korrigieren — lies meinen AI 2027 Reality-Check.

Das Template: github.com/Nextgenflows/personal-ai-template — clone it, make it yours.

git clone https://github.com/Nextgenflows/personal-ai-template my-pai
cd my-pai
# CLAUDE.md öffnen, Persönlichkeit anpassen, loslegen