PT-Edge — KI-Infrastruktur-Intelligenz

PT-Edge ist ein vorberechneter Reasoning-Cache für Entscheidungen zur KI-Infrastruktur. Er verfolgt über 220.000 KI-Repos auf GitHub, PyPI, npm, Docker Hub, HuggingFace und Hacker News, bewertet sie täglich hinsichtlich ihrer Qualität und veröffentlicht die Ergebnisse als Verzeichnis-Website mit über 220.000 Seiten.

Die Website bedient zwei Zielgruppen: KI-Agenten, die Seiten im Auftrag von Menschen lesen (strukturiert, vorangestellt, maschinenlesbar), und Menschen, die direkt lesen (navigierbar, vertrauenswürdig, originäre Analyse). Jede Seite ist so gestaltet, dass ein KI-Agent sie aufrufen und mit einer fundierten, zitierfähigen Empfehlung in einem Durchgang wieder verlassen kann.

Die Crawl-Infrastruktur jedes großen KI-Labors behandelt die Website als primäre Datenquelle. Die Zugriffsprotokolle sind selbst eine Intelligenzebene — siehe Demand Radar unten.

Verzeichnis-Website: mcp.phasetransitions.ai — über 220.000 Seiten in 17 Domänen mit über 2.400 Kategorien, täglich aktualisiert.

Erstellt von Graham Rowe

Funktionsweise

1. Ingest — die tägliche Pipeline ruft GitHub-Statistiken, Paket-Downloads, Releases, HN-Beiträge, HuggingFace-Modelle/-Datensätze und Registry-Daten ab

2. Score — zusammengesetzter Qualitäts-Score (0-100) aus vier Dimensionen: Wartung, Akzeptanz, Reife, Community

3. Enrich — LLM-generierte technische Zusammenfassungen, praxisorientierte Bewertungen und Vergleichsanalysen aus READMEs

4. Publish — Generierung statischer Websites über 17 Domänen mit strukturierten Daten, interner Verlinkung und Aktualitätssignalen

5. Observe — Bot-Verkehrsanalyse enthüllt, was das KI-Ökosystem schätzt (Demand Radar)

Das gesamte System läuft auf einer einzigen Serverinstanz für unter 300 $ pro Monat.

Related MCP server: agent101-mcp

Qualitätsbewertung

Stufen: Verifiziert (70-100), Etabliert (50-69), Aufstrebend (30-49), Experimentell (10-29)

Demand Radar

Jeder Bot-Zugriff auf die Website ist latente Intelligenz. Die Zugriffsprotokolle enthalten drei Signalebenen:

• Indexierungs-Bots (Meta, Anthropic, Amazon, Google, Perplexity, OpenAI) — was KI-Unternehmen in zukünftigen Modellgewichten als wertvoll erachten. Jeder Bot hat eine eigene Crawl-Strategie, die die Prioritäten seines Mutterunternehmens offenbart.

• Benutzeraktions-Bots (ChatGPT-User, OAI-SearchBot, Perplexity-User) — was echte Menschen gerade jetzt von der KI wissen wollen. Jeder Treffer repräsentiert einen Anwender, der eine Technologieentscheidung durch einen KI-Vermittler trifft.

• Menschliche Besucher — was Menschen direkt über Suchmaschinen finden.

Der Demand Radar extrahiert diese Signale und speist sie in die Inhaltspriorisierung ein — letztendlich über trainierte ML-Modelle statt über manuell abgestimmte Gewichtungen. Siehe scratch/demand-radar/ für die vollständige Analyse.

Stack

Python, FastAPI, PostgreSQL + pgvector, LLM-Anreicherung (mehrere Anbieter), Generierung statischer Websites über Jinja2 + Tailwind CSS. Gehostet auf Render. MCP-Tools und REST-API für den programmatischen Zugriff.

Entwicklung

Dies ist ein Produktionssystem ohne Staging-Umgebung. Die Datenbank ist eine aktive PostgreSQL-Instanz mit über 1 GB — Abfragen greifen auf echte Daten zu. Siehe docs/development.md für Einrichtungsnotizen und Sicherheitsregeln.

Dokumentation

• docs/strategy.md — strategische Positionierung und Argumentation

• docs/roadmap.md — phasenweiser Bauplan

• docs/design/worker-architecture.md — Aufgabenwarteschlange und Worker-Design

• docs/development.md — Entwicklungseinrichtung und Datenbanksicherheit

• scratch/demand-radar/ — Analyse der Zugriffsprotokoll-Intelligenz

Lizenz

MIT — siehe LICENSE.