PAIDEIA — ein Claude-Code-Plugin speziell für die Prüfungsvorbereitung, entwickelt von einem KAIST-Studenten mit Doppelstudium in Physik und Mathematik

PAIDEIA – Ein Local-first-Claude-Code-Plugin, das aus meinen Vorlesungsunterlagen eine Wissensbasis zur Prüfungsvorbereitung erstellt

Ich studiere an der KAIST im Doppelstudium Physik und Mathematische Wissenschaften. Während der Prüfungsvorbereitung habe ich oft Freunde gesehen, die komplette PDFs in GPT hineinkippten. Dabei habe ich darüber nachgedacht, wie es effizienter gehen könnte, und schließlich selbst ein Plugin entwickelt und als Open Source veröffentlicht!

Die meisten Studierenden laden Vorlesungsunterlagen, Aufgaben, Lösungen und Altklausuren gesammelt in ein LLM und bitten dann um „Erklär das“, „Fass das zusammen“ oder „Erstelle mögliche Prüfungsfragen“. Doch für die echte Prüfungsvorbereitung ist nicht eine bloße Zusammenfassung entscheidend, sondern das fortlaufende Nachverfolgen von wiederkehrenden Lösungsmustern in dem Fach, dem Aufgabenstil des Professors, den Punkten, an denen ich häufig Fehler mache, und den Bereichen, die mit hoher Wahrscheinlichkeit in der Prüfung auftauchen. Genau deshalb habe ich PAIDEIA entwickelt.

PAIDEIA ist für Claude Code konzipiert und verfolgt einen Local-first-Ansatz. Legt man Vorlesungsunterlagen, Aufgabenblätter und Lösungs-PDFs in einen Kursordner, erstellt es eine Wissensbasis zur Prüfungsvorbereitung nur für dieses eine Fach.

Funktionen

• Vorlesungsunterlagen/HW/Lösungs-PDFs in Markdown umwandeln
• Wiederkehrende Lösungsmuster aus den Lösungen extrahieren
• Bereiche mit hoher Prüfungswahrscheinlichkeit auf Basis der Aufgabenabdeckung markieren
• Musterkarten, Schwächenlandkarte und One-Page-Cheatsheet erstellen
• Twin-Varianten bestehender Aufgaben erzeugen
• Probeklausuren generieren
• Handschriftlich gelöste Antwort-PDFs per OCR einlesen und mit der reference solution vergleichen und bewerten
• Fehlerhafte Muster kumulieren und in die nächsten Drills und Cheatsheets einfließen lassen
• Alle Ergebnisse als reines Markdown speichern

Hintergrund

Was Hochschulstudierende brauchen, ist kein „noch freundlicherer KI-Tutor“, sondern ein fachspezifisches Lernsystem, das fortlaufend meine Vorlesungsunterlagen und meine Fehler ansammelt.

Prüfungen sind in der Regel stärker an den Stil eines bestimmten Professors und die Verteilung der Aufgaben gebunden als an allgemeines Wissen. Selbst beim gleichen Konzept ist entscheidend, auf welche Weise es geprüft wird, welche Lösungsmuster sich wiederholen und wo ich regelmäßig ins Stocken gerate. PAIDEIA ist deshalb eher ein bearbeitbarer Lern-Graph als ein dialogorientierter Chatbot. Wenn man eine Aufgabe einmal falsch löst, bleibt dieser Fehler in der Schwächenlandkarte erhalten und wird in die nächsten Übungsaufgaben und Cheatsheets übernommen.

Local-First

Die Ergebnisse sind nicht in einer bestimmten App eingeschlossen. Sie bleiben als Markdown-Dateien in den jeweiligen Kursordnern erhalten und lassen sich auch in Tools wie Obsidian direkt öffnen. Für OCR kann standardmäßig der Vision-Workflow von Claude/Codex verwendet werden; optional lassen sich auch Qwen3-VL oder Tesseract anbinden.

Ich teile das Projekt, weil ich die Funktionen gern durch die Nutzung vieler Studierender in ingenieurwissenschaftlichen Fächern validieren lassen möchte!

[theoverstructure]

https://github.com/OPTIMETA/PAIDEIA-opencode
https://github.com/OPTIMETA/PAIDEIA-Hermes

Jetzt können Sie PAIDEIA auch in OpenCode und Hermes verwenden!

[hanjk94]

Es wäre gut, wenn auch HTML unterstützt würde.

[theoverstructure]

Gute Idee. So könnte man wohl auch Diagramme oder einige Abbildungen einbeziehen. Danke für die Idee!

[memevibe82]

Sie haben also die Gehirne der Professoren per Mustererkennung durchschaut, wow.

[theoverstructure]

Haha, danke, dass Sie es so positiv sehen!

[theoverstructure]

Ich bin der Verfasser! Da die README etwas lang ist, möchte ich eine 30-Sekunden-Demo-GIF und Ergebnisse aus dem sample-course hinzufügen, damit man es schnell verstehen kann.

Davor würde ich aber gern den Rat vieler Leute einholen!

1. Ob die Nutzungsbarriere durch die Form eines Claude-Code-Plugins hoch ist
2. Ob der Ablauf PDF → Musterextraktion → Schwächen-Mapping → Spickzettel für die tatsächliche Prüfungsvorbereitung sinnvoll wirkt
3. Ob die local-first-Struktur attraktiv ist, bei der alles als Markdown-Artefakt erhalten bleibt

Wenn ihr eure Meinung teilt, schaue ich sie mir sofort an! Vielen Dank

[toida]

Bei Punkt 2 wirkt der Flow gut, aber ich bin gespannt, wie gut das tatsächliche Ergebnis am Ende ausfällt.

[theoverstructure]

Das ist ein Update!

Wie empfohlen, habe ich im README ein Demo-Video hinzugefügt, das den tatsächlichen Ablauf zeigt. Ihr könnt es über den Link ansehen! https://github.com/TaewoooPark/PAIDEIA

• eine Opening-Demo, die schnell zeigt, welches Problem PAIDEIA lösen will
• eine echte Nutzungs-Demo, in der das Plugin im Claude-Code-Terminal in natürlicher Sprache ausgeführt wird und der Ablauf von course materials → Analyse → weakmap/cheatsheet gezeigt wird
• außerdem habe ich im README so aufbereitet, dass man direkt sehen kann, wie die Ergebnisse nicht in der App eingeschlossen bleiben, sondern als Markdown-Artefakte erhalten werden

Es gab insbesondere das Feedback: „Ich würde gern sehen, wie umfangreich die tatsächlichen Ausgaben sind.“ Deshalb habe ich es nicht nur bei einer einfachen Beschreibung belassen, sondern so erweitert, dass man die echte Terminal-Interaktion und die erzeugten Lernartefakte sehen kann.

Wenn ihr weiterhin Feedback gebt, setze ich es sofort um. Vielen Dank!

[theoverstructure]

Ich nutze es persönlich bereits aktiv beim Lernen! Besonders je länger man es verwendet und sich meine Schwächen dabei ansammeln, desto stärker spüre ich, wie es sich mit der Zeit immer individueller an mich anpasst.

[toida]

Es wäre toll, wenn auch Codex oder Gemini unterstützt würden~ haha

[theoverstructure]

Danke für die Rückmeldung! codex unterstützen wir derzeit in einem separaten Repository! (https://github.com/TaewoooPark/PAIDEIA-codex) Wir werden auch prüfen, ein Gemini CLI zu entwickeln.