Geistr Tutor – KI-Lernsystem

Geistr Tutor entsteht aus einem persönlichen Lernmuster. Ich habe Programmierung und AI Engineering vor allem über YouTube, Recherche, eigene Produkte und Probleme gelernt, die beim Bauen auftauchten. Dieses Lernen war dann am stärksten, wenn es nicht bei passivem Konsum blieb: Ich wollte etwas umsetzen, stieß auf eine Lücke, suchte gezielt nach Grundlagen, verglich Möglichkeiten und probierte weiter, bis ein nützliches Ergebnis entstand. Tutor soll diese Neugier und den Bezug zu echten Zielen bewahren, ihr aber eine klarere, hilfreichere Struktur geben.

Der Einstieg ist deshalb kein Kurskatalog und keine leere Chatfläche. Ein Lernender bringt eine Quelle, eine Frage oder ein konkretes Ziel mit: etwa eine Dokumentation, einen Artikel, ein Paper, ein Tutorial oder ein Problem aus einem eigenen Projekt. Tutor klärt, warum dieses Thema wichtig ist, was der Lernende danach können möchte und wie eng die ursprüngliche Quelle die Reise bestimmen soll. Die Quelle kann im Mittelpunkt bleiben, wichtige Aussagen können gezielt überprüft werden oder es kann eine breitere Recherchebasis entstehen. Daraus entsteht ein dauerhafter Themenbereich statt einer einzelnen, vergessenen Unterhaltung.

Im Themenbereich arbeitet ein eigener Tutor weiter. Die erste Orientierung, Lesson 0, ist keine Prüfung und kein generischer Anfängerkurs. Sie verbindet die Mission mit dem groben Bild des Themas, entdeckt vorhandenes Wissen, Beobachtungen, Unsicherheiten und bevorzugte Erklärformen. Erst danach wird der Lernpfad an das gezeigt angepasst, was der Mensch tatsächlich erklären, anwenden oder hinterfragen kann. Das ist für mich der zentrale Unterschied zu einer festen Content-Abfolge: Erfahrung in Programmierung bedeutet nicht automatisch Vorwissen in Neurowissenschaft, Musik oder Design, und dieselbe Quelle sollte für unterschiedliche Ziele zu unterschiedlichen Lernwegen führen.

Die Lektionen sind als reichhaltige, ruhige Arbeitsflächen gedacht, nicht als lange generierte Textwände. Sie können kurze Erklärungen, Visualisierungen, Beispiele, Aktivitäten, Aufgaben, Quellenabschnitte und Rückfragen kombinieren. Besonders wichtig ist die Verbindung zum ursprünglichen Material: Video Focus Mode hält einen relevanten Videoabschnitt, einen klaren Fokus und Fragen genau zu diesem Moment zusammen. Wer in einer Lektion Text auswählt oder bei einer Quelle hängen bleibt, kann direkt neben diesem Kontext nachfragen, statt den ganzen Zusammenhang erneut erklären zu müssen.

Tutor behandelt Fortschritt bewusst nicht als reine Completion-Rate. Eine geöffnete Lektion oder ein Klick auf Weiter beweist noch kein Verständnis. Stärker sind eigene Erklärungen, Anwendungen, Korrekturen, übertragene Lösungen, Artefakte und spätere Wiederholung. Antworten und Einreichungen bleiben bei der jeweiligen Aktivität, Feedback erscheint dort, wo die Arbeit entstanden ist, und eine schwache Antwort kann zur Überarbeitung einladen, ohne den Lernenden zu blockieren. Der nächste Schritt soll sich aus sichtbarer Arbeit, offenen Fragen und der persönlichen Mission ergeben – nicht aus einem künstlichen Mastery-Score.

Technisch ist Geistr Tutor ein desktop-first Produkt auf der wiederverwendbaren Geistr-Core-Grundlage und dem Pi SDK. Geistr Core liefert die wiederverwendbaren Desktop-, Agent-, Session-, Tool- und Speichergrundlagen; Tutor konzentriert sich darauf, daraus eine echte Lernbeziehung mit Themenräumen, Quellen, Lektionen, Feedback und Evidenz zu machen. Themen, Antworten, Beobachtungen, Transkripte und Artefakte bleiben standardmäßig lokal oder in einem vom Lernenden kontrollierten Speicher. Die öffentliche Website dokumentiert die aktuelle Produktreise mit echten Aufnahmen. Das Desktop-Produkt befindet sich weiterhin in privater Entwicklung; öffentliche Installer für Windows, macOS und Linux sind noch nicht verfügbar.