ContextMe

Jede Sitzung fängt wieder von vorne an

Du erklärst deine Rolle. Dein aktuelles Projekt. Wie du arbeitest, was du nicht willst. Den Rest rät der Agent zusammen und liegt daneben. Wenn die Sitzung endet, ist alles weg. Was man üblicherweise dagegen macht, hilft jeweils halb:

Ein langer Prompt in `CLAUDE.md`

Steht fest, während dein Alltag weiterläuft. Veraltet, ohne es zu melden, und sagt nie, woher eine Angabe stammt.

Das Memory des Anbieters

Liegt beim Anbieter. Du kommst nicht heran, um nachzusehen, zu korrigieren oder es zu einem anderen Werkzeug mitzunehmen.

Ein komplettes Second Brain

Ein Archiv sagt dir, was du abgelegt hast. Es sagt nicht, was davon diese Woche zählt.

Dasselbe Thema, zwei Gewichte

„Mobile“ liegt als Thema einmal im Speicher. Wie schwer es wiegt, hängt am Kontext und nicht am Thema. Genau das bildet ContextMe ab.

Bei den meisten Menschen sieht der Normalzustand so aus.
Thema	Beruflich	Privat
Mobile	niedrig	hoch
Künstliche Intelligenz	hoch	hoch

Ein Agent, der die beiden Seiten in einen Topf wirft, antwortet dir im Meeting privat und am Wochenende beruflich. Wechselst du die Rolle, bekommt die alte ein Enddatum und bleibt im Speicher stehen. Ein altes berufliches Dokument behält seine berufliche Herkunft, auch wenn sein Inhalt dir heute privat weiterhilft.

Die Arbeit ist geteilt

Das Modell liest und interpretiert. Python speichert, prüft und rechnet. Diese Teilung hat einen Grund: Die Gewichtung läuft jedes Mal gleich ab, und du siehst zu jeder Angabe, woher sie kommt. Auch dann, wenn sich das Modell beim Lesen geirrt hat.

Host-Modell

Material lesen
Semantik verstehen
Angaben ableiten
Quelle und Herkunft trennen

Batch → ← Kontext

Lokale Laufzeit

Schema und Referenzen prüfen
Historie und Gültigkeit
Gewichtung und Trend
Sichten erzeugen

Reine Python-Standardbibliothek. Kein Konto, kein API-Schlüssel, kein Netzwerkzugriff in der Laufzeit.

Woran sich der Speicher hält

Zu jeder Angabe gehört eine Quelle. Dazu kommen Zeitpunkt und Herkunft: explicit für das, was du selbst gesagt hast, document für importiertes Material, inferred für eine Interpretation. Aus einem Satz im Dokument wird nie eine Selbstaussage.
Gewicht hängt an Zeit und Kontext. Häufigkeit klingt über die Zeit ab, ein Massenimport wird gedämpft, Duplikate zählen einfach. Wenn ein Agent deinen Speicher abfragt, gilt das nicht als deine Aktivität.
Was du sagst, schlägt jede Ableitung. Eine Korrektur setzt sich gegen jedes statistische Muster durch. Ableitungen unter dem Grenzwert 0.70 landen in einer Prüfliste und gehen erst nach deiner Freigabe ins Profil.
Der Speicher gehört dir. Klartext-JSON in einem Ordner deiner Wahl. Du liest ihn, sicherst ihn, versionierst ihn, löschst ihn, und nimmst ihn zwischen Claude Code und Codex mit.

24 Erhebungsdimensionen

Alle stehen ab dem ersten Start bereit. Ein Interview mit 60 Pflichtfragen bleibt dir erspart: Was im Material steht, wird erhoben. Was fehlt, steht als unbekannt drin.

IdentitätUnternehmenRollen TeamProjekteAufgaben ZieleInteressenHobbys WerteStärkenArbeitsweise EntscheidungenKommunikationVorlieben AbneigungenErwartungen an die KILife Library Routinen und SOPsReflexionenWerkzeuge Rahmenbedingungen persönlicher Kontext, optional Selbstbeschreibung, optional

In drei Schritten

Du brauchst Python 3.10 oder neuer und ein eingerichtetes Claude Code oder Codex mit Datei- und Ausführungszugriff.

Installieren

git clone https://github.com/GodModeAI2025/ContextME.git
cd ContextME
python3 skill/scripts/install.py --target both --workspace "$HOME/ContextMe"

Der Installer legt den Skill unter ~/.claude/skills/contextme und ~/.agents/skills/contextme ab und richtet deinen privaten Arbeitsordner ein. Unter Windows nimmst du py -3.

Profil erheben

/contextme  Nutze meinen eingerichteten Arbeitsordner. Erhebe mein
            Kontextprofil zuerst aus dem Material, das ich dir gebe,
            und frage nur wesentliche Lücken nach.

Du gibst Notizen, Transkripte oder freigegebene Mails hinein. Rollen, Projekte, Ziele und Arbeitsweisen holt der Agent selbst heraus, JSON schreibst du keins. In Codex heißt der Aufruf $contextme.

Kontext abrufen

python3 skill/scripts/contextme.py --workspace "$HOME/ContextMe" context \
  --context work --query "Aktuelle Rolle und Prioritäten" --max-chars 12000

Zurück kommt ein begrenztes JSON-Paket mit Angaben, Quellen-IDs, Herkunft, Unsicherheit und Relevanz. Dein restliches Leben bleibt aus dem Prompt heraus.

Befehle

Befehl	Zweck
`init`	Neuen Arbeitsordner anlegen
`doctor`	Speicher auf Konsistenz prüfen
`material --input`	Lokale Datei lesen: Text, Markdown, JSON, CSV, HTML, EML. Speichert nichts
`ingest --batch`	Belegten Batch validieren und übernehmen, wahlweise mit `--dry-run`
`snapshot --context`	Aktuelle Sicht für einen Kontext
`context --context`	Begrenztes Kontextpaket für einen anderen Agenten
`classify --text`	Material einordnen. Liest, erzeugt kein Lernsignal
`interview`	Offene Lücken je Dimension zeigen
`update-now`	Gewichtungen und Sichten neu berechnen
`review --id --decision`	Unsichere Hypothesen annehmen oder ablehnen
`forget --entity --yes`	Entität aus dem verwalteten Speicher entfernen

Was ContextMe nicht leistet

Ein paar Dinge solltest du wissen, bevor du persönliche Daten hineinlegst. Sie stehen genauso in der Dokumentation.

Die lokalen Skripte arbeiten ohne Netzwerk. Über die semantische Verarbeitung sagt das nichts aus: Was beim Modellanbieter landet, entscheidet dein Host.
ContextMe bringt keine eigene Verschlüsselung mit. Die Daten liegen im Klartext. Dateiberechtigungen und ein verschlüsselter Datenträger bleiben deine Aufgabe.
Die Kontextfilter sind keine Zugriffssteuerung gegenüber einem Agenten, der ohnehin alle Dateien lesen darf. Für echte Trennung brauchst du getrennte Arbeitsordner.
Es gibt keinen Hintergrunddienst und keinen Postfach-Crawler. Der Skill sieht, was der Host ihm reicht, und läuft, wenn er aufgerufen wird.
Sensible persönliche Attribute leitet er nicht aus Material ab. Sie gehen erst nach ausdrücklichem Auftrag und mit --allow-sensitive in den Speicher. Passwörter und Token niemals.
Keine psychologische Diagnose, kein allgemeines Wissensarchiv. Beim Interpretieren irrt ein Modell gelegentlich, deshalb hängen an jeder Aussage Quelle, Herkunft und die Möglichkeit zur Korrektur.