Trails – Mit Claude Code Verbindungen zwischen 100 Büchern entdecken

• Webbasiertes Projekt, das mit Claude Code in 100 Büchern automatisch thematische Zusammenhänge erkundet
• Analysiert die Konzepte jedes Buchs und visualisiert sie als mehr als 40 thematische Verbindungen (Trails) wie „Useful Lies“, „Invisible Crack“ und „Name Game“
• Jeder Trail verknüpft Konzepte aus unterschiedlichen Bereichen wie Psychologie, Technologie, Organisation, Kreativität und Systemdenken
• Nutzer können jeden Trail anklicken, um zugehörige Bücher und Schlüsselkonzepte (z. B. Self-deception, Innovation, Tacit knowledge) zu erkunden
• Schlägt eine neue Art des Lesens und Forschens vor, bei der KI Beziehungen zwischen Wissensbereichen strukturell erkundet

---

Projektüberblick

• Trails ist ein System, das mit Claude Code die Inhalte mehrerer Bücher analysiert und automatisch gemeinsame Themen oder konzeptionelle Verbindungen ableitet
  • Die Website ist unter trails.pieterma.es öffentlich verfügbar
  • Wie das Projekt funktioniert, wird auf einer separaten Erklärseite (explainer) beschrieben
• Das Ergebnis visualisiert thematische Zusammenhänge zwischen Büchern in Form von „Trails“
  • Jeder Trail verbindet die Ideen mehrerer Bücher rund um ein bestimmtes Konzept

Beispiele wichtiger Trails

• Useful Lies: Behandelt menschliches Verhalten, bei dem Selbsttäuschung strategisch eingesetzt wird
  • Zugehörige Konzepte: Self-deception, Evolutionary psychology, Blue lies
• Invisible Crack: Das Phänomen, dass sich kleine Defekte ansammeln und zu einem katastrophalen Scheitern führen
  • Zugehörige Konzepte: Brittle fracture, Metal fatigue, Gradual change
• Ideas Mate: Schwache Rechte an geistigem Eigentum beschleunigen Innovation durch kollaboratives Kopieren
  • Zugehörige Konzepte: Innovation spillover, Japanese copying, Open source
• Desperate Pivots: Beispiele dafür, wie existenzieller Druck zu innovativen Wendungen führt
  • Zugehörige Konzepte: Odeo reinvention, Startup pivot, Hindsight bias
• Expert Intuition: Expertise wirkt als intuitives Wissen jenseits bewussten Denkens
  • Zugehörige Konzepte: Tacit knowledge, Mētis knowledge, Intuition

Vielfalt der Wissensverbindungen

• Die Trails decken ein breites Spektrum ab, darunter Technologie, Organisation, Psychologie, Wirtschaft und Kreativität
  • Beispiele: Proxy Trap (die Falle der Kennzahlenoptimierung), Legibility Tax (der Preis der Standardisierung), Joy Dividend (die Produktivität von Freude)
• Jeder Trail besteht aus 3 bis 4 Schlüsselwörtern, wodurch Beziehungen zwischen Konzepten intuitiv erkundet werden können
• Durch visuelle und thematische Erkundung können Leser Ideen aus Büchern in neuen Kontexten miteinander verbinden

Technische Merkmale

• Claude Code analysiert den Inhalt jedes Buchs und erzeugt Verbindungen auf Basis semantischer Ähnlichkeit
• Die Ergebnisse werden über eine linkbasierte Oberfläche bereitgestellt, sodass Nutzer nach Themen erkunden können
• Jede Trail-Seite besteht aus einem kurzen zusammenfassenden Satz und Tags mit verwandten Konzepten

Bedeutung

• Ein experimenteller Versuch, bei dem KI strukturelle Beziehungen in Wissen automatisch erkundet
• Ein Werkzeug, mit dem Leser und Forschende Ideen aus unterschiedlichen Bereichen miteinander verknüpfen und so ihren Denkrahmen erweitern können
• Verbindet buchbasierte Daten und KI-Analyse zu einer neuen Form eines „integrativen Leseerlebnisses“

[GN⁺]

Hacker-News-Kommentare

• Das Werk selbst ist schön, aber das eigentliche Daten-Output wirkt fast nutzlos
  Es fühlt sich an, als wäre einem statistischen Modell zu viel kritisches Denken übertragen worden
  Ich habe selbst lange verschiedene fortgeschrittene LLMs getestet, aber das Finden „unsichtbarer Verbindungen“ zwischen Texten war bisher nicht möglich. Menschliche Intuition ist weiterhin nötig

  • Statt Verbindungen nur über einzelne Wörter wie „Us/Them“ oder „fictions“ herzustellen, wäre es nützlicher, auf Konzeptebene zu verknüpfen
  • Ich würde mir gern einen genaueren Blick darauf ansehen. Der collective-brain-Trail ist großartig
  • Ich habe viele Texte mit RAG aufgebaut und nach Schlüsselwörtern, Orten, Daten usw. extrahiert, aber ohne Re-Ranker konnte das LLM keine brauchbaren Ergebnisse liefern. Bei Vektorabfragen kommt zwar immer eine Antwort heraus, aber meist sind irrelevante Fragmente beigemischt

• Wirklich tolle Arbeit. Auch visuell zeigt sie eine erstaunliche Qualität

• Ein großartiger Versuch, aber wie andere sehe ich ebenfalls kaum substanzielle Verbindungen zwischen den Texten
  Zum Beispiel hat das LLM die Verbindung zwischen Jobs und The Elephant in the Brain nicht erkannt, obwohl Menschen sie leicht sehen können — beide ähneln sich darin, dass Selbsttäuschung strategisch funktioniert

• Dass der Ausdruck „Thanos committing fraud“ im Abschnitt „useful lies“ steht, war verwirrend
  Wenn der Gründer im Gefängnis sitzt, wirkt es seltsam, diese Lüge als „nützlich“ zu bezeichnen. Es sieht nach einer schlampigen Klassifizierung durch die AI aus

  • Vielleicht ist gemeint, dass es „eine nützliche Lüge war, bis er erwischt wurde“
  • Gemeint ist übrigens wohl nicht Thanos, sondern Theranos

• Ich habe mit Claude Code auch damit experimentiert, GitHub-Projekte zu ‚lesen‘, über die ich wenig wusste
  Dabei bin ich einem trendenden Projekt auf Russisch gefolgt und auf GoodbyeDPI gestoßen, wodurch ich in die Welt von Deep Packet Inspection eingetaucht bin

  • ValdikSS ist bekannt für den SBC-XQ-Patch für Android. Siehe dazu den Habr-Artikel und den Android-Review-Link
  • Auf GitHub gibt es wirklich viele Projekte, die ohne Domänenwissen schwer zu verstehen sind

• Ich verstehe die Linien zwischen den beiden Texten nicht. Meist sehen sie wie bedeutungslose Verbindungslinien aus
  Im Abschnitt „Father wound“ sind „abandoned at birth“ und „did not“ miteinander verbunden, was eher wie bloße visuelle Dekoration wirkt

  • Ich hatte denselben Eindruck
  • Es sieht gut aus, aber am Ende ist es nur das Ergebnis von willkürlichen Verknüpfungen durch ein LLM

• Ich habe ein ähnliches Projekt gemacht
  Mit pdfplumber habe ich PDF-Text extrahiert, in PostgreSQL gespeichert, dann in 100-Zeichen-Einheiten gechunkt und mit sentence_transformers 384-dimensionale Embeddings erzeugt
  Danach habe ich mit UMAP + HDBScan Dimensionsreduktion und Clustering durchgeführt und das mit Plotly visualisiert; thematische Cluster waren klar erkennbar
  Ich habe die Umgebung mit Docker Compose eingerichtet und in eine Flask-basierte Web-UI überführt. Nach etwas Aufräumen im Code plane ich eine Open-Source-Veröffentlichung

  • Ich würde den Ansatz und das Repository sehr gern sehen
  • Das wirkt wie ein ähnlicher Ansatz wie Bertopic. Eine großartige Bibliothek

• Ich habe früher ein Buch über „digitale Geisteswissenschaften“ gelesen, und das Konzept des „distant reading“ fand ich beeindruckend
  Dabei werden Hunderte bis Tausende Texte computergestützt analysiert, um makroskopische Einsichten zu gewinnen
  Ein Freund hat so eine Analyse in einer wissenschaftlichen Arbeit direkt mit Python umgesetzt, und das war wirklich interessant
  Heute ist dieser Ansatz dank LLMs leichter geworden, und man kann ihn auch ohne Programmierkenntnisse ausprobieren
  Mehr dazu gibt es im Wikipedia-Artikel zu Distant reading

  • LLMs sind ziemlich nützlich darin, selbst aus solchen vagen Beschreibungen Material zu finden ;)

• Die Idee ist gut, aber die Verbindungen zwischen Themen und Erzählungen der einzelnen Bücher sind schwach
  Bei einigen wirkt es, als wäre aus nur einem Absatz auf das Gesamtthema geschlossen worden
  Wenn man Prompts mehrfach iteriert oder einen mehrstufigen Extraktionsprozess hinzufügt, könnte es wohl präziser werden

• Wie im Zitat von Deleuze kann man Bücher entweder als „funktionierende Maschinen“ oder als „Boxen der Bedeutung“ sehen

  • Ich kenne die Quelle nicht, aber es wirkt wie eine zu stark vereinfachte Perspektive
    Deleuze war selbst ein Denker, der von anderen beeinflusst wurde, und ich halte den Versuch dieses Projekts gerade deshalb für sinnvoll
    Allerdings kann das Ergebnis auf Menschen, die die Texte tatsächlich gelesen haben, ungenau wirken