security

ZeroClaw: Warum die Alarmierungsregeln nicht mehr im Prompt stehen

Ein deterministischer Poller entscheidet, welche Alerts eine Nachricht auslösen. ZeroClaw übernimmt die wöchentliche Einordnung. Wie feste Regeln, eine persistente Outbox und engere Kubernetes-Rechte den bisherigen Alert-Gate-Aufbau weiterentwickeln.

Ein Assistent kann erklären, warum mehrere Alerts zusammengehören. Ob dieselbe Meldung bereits verschickt wurde, sollte er dagegen nicht bei jedem Lauf neu beurteilen müssen. Für diese Frage gibt es einen Zustand, eine Regel und einen überprüfbaren Übergang.

Im Oktoberbeitrag über ZeroClaw als Alert-Gate war diese Trennung noch nicht konsequent umgesetzt. Ein stündlicher LLM-Sweep sollte Meldungen gruppieren und bekannte Vorfälle zurückhalten. Der Artikel benannte die Grenze ausdrücklich: Promptregeln sind kein deterministischer Incident-Controller und keine verlässliche Zustellsemantik.

Der aktuelle Aufbau verlagert diese Entscheidungen in einen kleinen Python-Poller. Code entscheidet über die Benachrichtigung; das Sprachmodell hilft bei der Einordnung der Woche. Das reduziert die Aufgaben des Modells, macht aber einen wichtigen Teil des Betriebs besser prüfbar.

Paperless-Dokumentchat: lokale Suche, Cloud-Antwort und eine klare Datenschutzgrenze

Paperless bekommt lokale Embeddings für Dokumentchat und Ähnlichkeitssuche. Was dadurch lokal bleibt, welche Inhalte weiterhin zum Cloud-Modell gehen und warum ein grüner Ollama-Pod noch keine gute Dokumentensuche beweist.

Ein Dokumentenarchiv kann zuverlässig importieren und trotzdem eine umständliche Suche haben. Für eine bekannte Rechnungsnummer reicht meist die Volltextsuche. Bei einer Frage wie „Was wurde zur Verlängerung dieses Vertrags vereinbart?“ muss ich dagegen oft mehrere Schreiben finden, ihre Reihenfolge prüfen und relevante Absätze zusammensuchen.

Der Paperless-Beitrag vom Oktober beschrieb bewusst noch keinen Dokumentchat. Die KI unterstützte dort die Klassifikation; das Archivieren, Suchen und Prüfen blieb ein eigener Ablauf. Seit November enthält die Konfiguration zusätzlich einen lokalen Embedding-Dienst und die Anbindung für Dokumentchat und Ähnlichkeitssuche.

Das ist ein hybrider Aufbau: Die Vektorisierung läuft lokal, das Modell für die formulierte Antwort weiterhin in der Cloud. Genau diese Grenze bestimmt, welche Datenverarbeitung hinzukommt und was vor einer belastbaren Nutzung geprüft werden muss.

Eigene CI für Radicle: vom Ref-Event zum überprüfbaren Release

Eine praktische Fortsetzung zum CI-Broker: eigene Radicle-Repositories bauen, Images und Helm-Charts veröffentlichen, mit Syft und Trivy prüfen und Releases mit überprüfbaren Digests beschreiben. Mit Konfigurationsbeispielen, den Gründen für cosign-legacy und den Grenzen des nativen Runners.

Wenn der erste Build durchläuft, funktioniert der grundlegende Ablauf einer eigenen CI. Für den verlässlichen Betrieb bleiben jedoch Fragen offen, die eine gehostete Forge oft bereits im Produkt beantwortet. Dazu gehören Ausführungsrechte, die Zuordnung von Images zu Commits und die Prüfung beider Architekturen. Dazu kommt die Freigabe eines Releases, bei der Git-Tag, Registry-Artefakt und Radicle-Veröffentlichung zusammenpassen müssen, obwohl sie getrennt entstehen.

Mein erster CI-Broker-Beitrag beschrieb die Probleme beim Aufbau und die Lösungen, die daraus entstanden sind. Diese Fortsetzung führt schrittweise durch die Einrichtung und richtet sich an Menschen, die Radicle bereits verwenden und ihre eigene CI betreiben möchten. Der Broker ist inzwischen bei v1.5.0 angekommen. Er unterstützt die gemeinsame Veröffentlichung und Signierung von Images und Charts, bringt Werkzeuge für SBOMs und Schwachstellenscans mit und verarbeitet Release-Ereignisse zuverlässiger.

Dafür muss niemand mein komplettes Lab nachbauen. Entscheidend ist der Weg vom replizierten Commit bis zu einem Artefakt, dessen Herkunft und Prüfergebnisse auch andere nachvollziehen können.

ZeroClaw als Alert-Gate: erst verstehen, nicht gleich reparieren

ZeroClaw hilft im Lab bei der Alert-Triage: Symptome einordnen, Clusterzustand prüfen und nächste Schritte vorbereiten. Ein Blick auf lesende Monitoring-Rechte, die Grenzen von Promptregeln und die Frage, wer einen Ausfall der Triage bemerkt.

Ein Storage-Problem löst mehrere Volume-Alerts aus, betroffene Pods melden Fehler, und schließlich fällt ein Dienst aus, dem seine Abhängigkeit fehlt. Das Monitoring arbeitet dabei korrekt. Aus den einzelnen Meldungen ergibt sich aber noch keine Antwort auf die wichtigste Frage: Was ist passiert, und was muss ich jetzt entscheiden?

Dabei soll ZeroClaw in meinem Lab helfen. Als Alert-Gate und lesender Triage-Assistent fragt der Agent den Clusterzustand ab und soll zusammengehörige Symptome einordnen. Bekannte Meldungen soll er zurückhalten, neue relevante Vorfälle verständlich zusammenfassen. Deployments selbst zu reparieren gehört nicht zu seinem Auftrag.

Für diesen Einsatz sind die Grenzen ebenso wichtig wie die Diagnose: Welche Daten darf der Agent lesen, welche Änderungen sind ihm erlaubt? Und wer bemerkt es, wenn ausgerechnet der Assistent schweigt?

fabric: Eine Machbarkeitsstudie für ein selbstheilendes P2P-Mesh

Wie finden sich Knoten, wenn Adressen wechseln, Verbindungen abbrechen und kein zentraler Dienst die Topologie kennt? fabric ist meine Forschungsplattform für Peer-Discovery, Route-Healing, mehrstufige Transportwege und klar begrenztes Vertrauen. Dieser Beitrag beschreibt, was bereits funktioniert, wo die Selbstheilung heute endet und warum gerade diese Grenze interessant ist.

Ein Mesh ist auf dem Whiteboard immer gesund. Ein paar Kreise, einige Linien dazwischen, vielleicht noch eine Wolke für „das Internet“ — fertig ist das dezentrale Netz. Interessant wird es, wenn die ersten Linien verschwinden: Ein Knoten zieht um, eine Adresse ist nur aus einem privaten Netz erreichbar oder UDP fällt plötzlich aus. Dann muss sich zeigen, ob die Teilnehmer noch einen Weg zum Ziel finden.

Genau dort beginnt fabric. Das Projekt untersucht, ob wenige, bewusst begrenzte Bausteine für ein Peer-to-Peer-Netz genügen, das neue Teilnehmer sicher aufnimmt und seine Nachbarn selbst entdeckt. Es soll indirekte Wege lernen und veraltete Routen wieder überprüfen. Dabei geht es nicht um ein fertiges Produkt, das jedes kaputte Netz repariert, sondern um eine Machbarkeitsstudie für Discovery und Auto-Healing. Sie ist ausführbar und testbar und gibt auch dort Einblick, wo die Mechanismen noch nicht ausreichen.