Vision

Wenn der User Ollama installiert hat, soll PBP aus seinem Verhalten lernen und sich anpassen — Schritt fuer Schritt, mit klarem Mehrwert je Schicht. Ohne lokale AI: nur Schicht 1+2 (reine Datensammlung).

User-Vorgabe (07.05.2026):

„Ich moechte, das PBP, bzw. die lokale LLM 'lernt' aus dem was bereits gemacht wurde und sich damit verbessert/erweitert, vor allem wenn Muster deutlich zu erkennen sind... und umsomehr, wenn darin ausnahmen hervorstechen."

Vier Schichten

4. Adaptive UI
   ├── Schnellzugriff sortiert nach Nutzung
   ├── Filter-Defaults aus Verhalten abgeleitet
   └── Vorgeschlagene Aktionen kontext-spezifisch
        ↑
3. LLM-Pattern-Analyse (braucht aktive lokale AI)
   ├── Woechentliche Aggregation: "Was ist auffaellig?"
   ├── Anomalie-Erkennung: Ausnahmen vom Muster
   ├── LLM-Korrektur-Loop: User-Override speichern
   └── analyze_user_patterns als neuer LLM-Task
        ↑
2. Ereignis-Aggregation (rein deterministisch)
   ├── dismiss_reasons-Top-3 pro Woche
   ├── Workflow-Vollendung-Quote pro Bereich
   └── Anti-Pattern-Detection (siehe unten)
        ↑
1. Ereignis-Erfassung — FOUNDATION
   ├── user_activity_events-Tabelle
   ├── UI-Events: Klicks, Tab-Wechsel, Filter-Aenderungen, Verweildauer
   ├── Workflow-Events: erstellt/abgebrochen/abgeschlossen
   └── LLM-Events: Entscheidung + User-Korrektur

Designprinzipien

Privatsphaere

• Alles lokal in user_activity_events-Tabelle der PBP-DB
• Default On mit klarem Onboarding-Hinweis: „Diese Daten verlassen deinen Rechner NICHT. Sie helfen PBP, sich an deinen Workflow anzupassen — z.B. haeufig genutzte Filter als Defaults zu lernen."
• Opt-Out jederzeit in Einstellungen → Datenschutz
• DSGVO-Selbstauskunft (Datenschutz-Selbstauskunft als PDF (DSGVO Art. 15) #581) listet erfasste Events
• „Lerndaten loeschen"-Button entfernt nur die Lern-Daten, nicht die Domain-Daten

Tracking-Tiefe: TIEF (User-Vorgabe)

User-Insight: „ich hasse Mausklicks und scrollen. ich liebe es wenn alle Informationen auf einen Blick sichtbar sind. Wenn jemand Verweilt, ist er Kaffee-holen, auf Toilette oder liest. Ist besser als rumklicken und scrollen... dann sucht jemand. Das gilt es zu vermeiden."

Heisst: Scroll-/Click-Volumen ist Anti-Pattern, lange Verweildauer ist gut.

Konkret:

• Scroll-Position + Distance pro Seite
• Klicks pro Minute pro Seite
• „Sucht-Verhalten"-Detection: viele Klicks + viel Scroll + kurze Verweildauer = User findet was nicht
• Wenn ein Workflow unverhaeltnismaessig viele Klicks braucht → Optimierungs-Kandidat

Lokale AI als Co-Pilot

• Ohne Ollama: Schicht 1+2 funktionieren (Datensammlung + simple Aggregation), aber keine Patterns/Empfehlungen
• Mit Ollama: Schicht 3+4 aktiv — woechentliche Pattern-Analyse, UI-Empfehlungen
• → Klarer Mehrwert wenn lokale AI da ist

Stufenplan

Stufe 5 — Telemetrie-Sharing (User-Wunsch)

Wenn Schicht 3 ein interessantes Muster oder einen echten Blocker findet, fragt PBP:

„PBP hat festgestellt: Du brichst den Bewerbung-Erstellen-Workflow oft (12x in 30 Tagen) im Schritt X ab. Das koennte fuer alle PBP-User relevant sein. Moechtest du diese Erkenntnis (anonymisiert + nur funktionsbezogen, KEINE persoenlichen Daten) zur Verbesserung an PBP-Service@Elwosa.de senden?"

Optionen:

• „Per Mail senden" — oeffnet Mail-Client mit vorbereitetem Text an PBP-Service@Elwosa.de
• „Als GitHub-Issue erstellen" — generiert Issue-Vorschlag-Text fuer den User zum Copy-Paste
• „Nicht senden" — speichert Dismiss-Marker

Anonymisierung:

• Keine Firmen-Namen, keine Stellen-Titel, keine Personen
• Nur Struktur-Info: „Workflow X, Schritt Y, Abbruch-Quote 40%, im UI passiert Z"
• LLM bereitet das auf in einem Format das fuer Maintainer gut lesbar ist

Bei Fehlern/Blockern:

• Lokale LLM analysiert Fehler-Logs
• Bereitet einen verstaendlichen Fehler-Report auf
• Bietet User „Fehler an PBP-Service@Elwosa.de melden" oder „GitHub-Issue erstellen"
• Vorbereiteter Text mit Stack-Trace, Reproduktions-Schritten, System-Info

Beziehung zu anderen Issues

• Lokale AI: Lerneffekt durch adaptive Prompts statt echtes Fine-Tuning #593 (Adaptive Prompts) → wird Teilmenge in Schicht 3
• Datenschutz-Selbstauskunft als PDF (DSGVO Art. 15) #581 (DSGVO-PDF) → erweitern mit Lern-Daten
• Recap-Funktion: Was hat sich seit deinem letzten Besuch getan? #576 (Recap-Funktion) → Recap-Card erweitern um Lern-Block

Akzeptanzkriterien (uebergreifend)

• User kann jederzeit alle Lerndaten loeschen (1-Klick)
• Privacy-Setting Default On, mit Onboarding-Erklaerung beim Erst-Setup
• Performance-Impact < 50ms pro UI-Interaktion (kein spuerbares Lag)
• Telemetrie-Sharing rein opt-in, niemals automatisch
• Anonymisierung verifizierbar (Tests die pruefen dass keine PII in Sharing-Texten landet)

Quelle

User-Vorgabe 2026-05-07 nach beta.25 + #593 (jetzt geschlossen).
Mail-Empfaenger fuer Sharing: PBP-Service@Elwosa.de