Aura-Forschung: Lokales Tool kompiliert Dokumente in ein KI-navigierbares Wiki mit persistentem Speicher

Aura Research ist ein Open-Source-Tool, das Rohdokumente in ein KI-navigierbares Wiki mit dauerhaftem Gedächtnis kompiliert. Das Tool läuft zu 100 % lokal, ohne dass Daten Ihren Computer verlassen.

So funktioniert es

Der Arbeitsablauf besteht aus vier Hauptbefehlen:

pip install aura-research
research init my-project
# copy docs into raw/
research ingest raw/
research compile
research query "your question"

Sie legen einen Ordner mit Rohdokumenten ab (PDFs, Papiere, Notizen, Code, unterstützt 60+ Formate) und die LLM kompiliert sie in ein strukturiertes Markdown-Wiki mit rückverlinkten Artikeln, Konzeptseiten und einem Hauptindex. Anschließend komprimiert es alles in ein .aura-Archiv, das für RAG-Abrufe optimiert ist, was laut Entwickler etwa 97 % kleiner ist als die Rohdaten.

Wichtige Designentscheidungen

• Keine Embeddings, keine Vektordatenbanken. Verwendet stattdessen SimHash + Bloom-Filter ohne RAM-Overhead
• Integriertes 3-stufiges Memory OS (Fakten / episodisch / Notizblock), damit die LLM wichtige Kontexte über Sitzungen hinweg nicht vergisst
• Das Wiki besteht nur aus .md-Dateien, die in Obsidian, VS Code oder jedem Markdown-Editor durchsuchbar sind
• Funktioniert mit jedem LLM-Anbieter (OpenAI, Anthropic, Gemini) oder als agent-natives Tool in Claude Code/Gemini CLI, wo kein API-Schlüssel benötigt wird
• Alles läuft lokal, ohne dass Daten Ihren Computer verlassen

Der "No-Embeddings"-Ansatz

Der Entwickler hat bewusst den Standard-RAG-Pipeline (Chunk → Embed → Vektorsuche) vermieden. Stattdessen kompiliert die LLM Wissen in ein gut strukturiertes Wiki mit einem Index. Bei einer Abfrage liest es den Index, findet die 2-3 relevanten Artikel und lädt nur diese. Der Ansatz geht davon aus, dass, wenn Wissen richtig organisiert ist, die LLM intelligent genug ist, um eine gute Dateistruktur zu navigieren, ohne ein separates Embedding-Modell zu benötigen.

Das Tool ist auf GitHub unter https://github.com/Rtalabs-ai/aura-research verfügbar und kann über PyPI mit pip install aura-research installiert werden.