Ein von einem Entwickler mit Archäologie-Hintergrund entwickeltes LLM-basiertes Automatisierungs-Kit für Newsletter

Hallo. Ich habe an der Universität Archäologie studiert, bin aber Ingenieur und Entwickler geworden, um endlose Handarbeit zu lösen.

Nach langem Überlegen teile ich die von mir für den Eigengebrauch entwickelte Newsletter-Automatisierungs-Engine (LLM Newsletter Kit) als Open Source.

Derzeit ist diese Engine der Kern meines Kulturerbe-Newsletters „Research Radar“, hält eine Klickrate (CTR) von 15 % und ist dabei auf LLM-API-Kosten von rund $0.20 pro Ausgabe optimiert.

Es ist nicht einfach nur eine Linksammlung, sondern eine Pipeline, in der ein LLM Wissen aus einer Fachdomain analysiert und zusammenfasst, um Insights zu liefern.

Entwicklungshintergrund und eine ehrliche Geschichte

Da es codebasiert ist, denke ich, dass die Einstiegshürde im Vergleich zu No-Code-Tools höher ist und es deshalb möglicherweise nicht breit genutzt wird. Von Anfang an war das Ziel aber nicht breite Verbreitung, sondern die Lösung meines ganz konkreten Bedarfs.

Anfangs war es ein „auf Kulturerbe spezialisierter Newsletter“, den ich nur für mich selbst erstellt hatte. Später habe ich den Service so geöffnet, dass ihn jeder abonnieren kann.

Während der Entwicklung waren Source Code und Domain-Logik für Kulturerbe zu stark gekoppelt. Um das zu lösen, habe ich die Struktur mit DI (Dependency Injection) abstrahiert und als Bibliothek getrennt, die jeder nutzen kann.

npm i @llm-newsletter-kit/core

Inzwischen betreibe ich auch meinen eigenen Service, nachdem ich den früheren eng gekoppelten Legacy-Code verworfen und auf Basis dieses Open-Source-Core migriert habe.

Designphilosophie: "Logic in code, reasoning in AI"

Der Grund, warum ich mich statt für No-Code-Tools für Code entschieden habe, ist meine Designphilosophie. „Logik im Code, Schlussfolgern in der AI, Verbindungen in der Architektur (Logic in code, reasoning in AI, connections in architecture).“

No-Code-Tools sind bequem, aber bei der Umsetzung komplexer Logik waren die Grenzen klar. Entscheidende Workflows werden mit typsicherem Code (TypeScript) kontrolliert, während nur die intelligente Analyse dem LLM überlassen wird. So konnte ich ausgefeilte Logik wie Self-Reflection oder mehrstufige Verifikation umsetzen.

Hauptmerkmale

Type-First- & DI-Design: Geschrieben in TypeScript, und alle Schritte wie Crawling, Analyse und Generierung basieren auf Provider-Interfaces, sodass sich Komponenten wie Bauteile austauschen lassen.

Bring Your Own Scraper: Kein Lock-in auf eine bestimmte Bibliothek. Puppeteer, Cheerio oder ein AI-basierter Parser – alles kann asynchron injiziert und verwendet werden.

Production Ready: Für den echten Betrieb mit Retry-Logik, Chain-Optionen und 100 % Testabdeckung ausgestattet.

Links

• GitHub (Core): https://github.com/kimhongyeon/llm-newsletter-kit-core
• Beispiel für reale Ergebnisse (Research Radar): https://heripo.com/research-radar-newsletter-example.html
• Code der Referenzimplementierung: https://github.com/kimhongyeon/heripo-research-radar

Vielen Dank. Feedback ist jederzeit willkommen!