SNO steht für Sense, Nexus und Outgrowth: deine Arbeit verstehen, Agenten und ihr Wissen miteinander verbinden und durch Erfahrung wachsen. Sno Station bringt deine KI-Agenten auf deinem eigenen Rechner zusammen. Dort können sie ein gemeinsames Gedächtnis nutzen, Aufgaben übergeben und die Arbeit der anderen prüfen. Was sie lernen, kann ihre Zusammenarbeit verbessern – und du entscheidest, welche Änderungen du beibehalten möchtest.
Woran wir glauben
Du benutzt schon lange nicht mehr nur einen Agenten. Zwei Terminals, zwei Abos, zwei Modelle von zwei Firmen. Sie reden nicht miteinander. Wenn einer sein Kontingent aufgebraucht hat, kopierst du die letzten zwanzig Zeilen in den anderen und fängst von vorn an. Wenn einer seine eigene Arbeit prüft, sagt er „sieht gut aus“. Und morgen macht er denselben Fehler wie heute, weil nichts hängen geblieben ist.
Sno Station beginnt mit einer einfachen Idee. Die Agenten, die du schon nutzt, sollten auf deinem Rechner als ein Team arbeiten. Und der Ort, an dem sie arbeiten, sollte stetig ein bisschen besser werden.
Immer ein bisschen klüger. Selbstlernen liest, was deine Agenten getan haben, und sucht die Fehler, die immer wiederkommen. Die Korrektur schreibt es in die eigenen Skills der Agenten, eine kurze Regel oder ein geänderter Schritt, und legt sie dir zur Freigabe hin. Nichts ändert sich, bevor du ja sagst. Die Modelle bleiben genau so, wie die Anbieter sie ausgeliefert haben. Besser wird die Arbeitsumgebung um sie herum, und sie wird besser aus deiner eigenen Arbeit, nicht aus dem Benchmark von jemand anderem.
Ein schneller Kopf und ein langsamer. Menschen denken auf zwei Arten. Da ist der Blick, der dir sagt, dass eine Zahl nicht stimmt, eine halbe Sekunde, ohne Mühe. Und da ist das langsame Denken, das herausfindet, warum. Daniel Kahneman nannte sie System 1 und System 2. Selbstlernen funktioniert genauso. Ein kleines Entscheidungsmodell, Jev, liest jede Sitzung in weniger als einer Sekunde und markiert die, die schiefgegangen sind. Ein großes Modell nimmt sich dann nur diese vor und findet heraus, was passiert ist und was sich ändern sollte. Alles auf die langsame Art zu lesen war zu teuer, also haben wir etwa acht von sechzig Sitzungen stichprobenartig gelesen und den Rest verpasst. Jetzt gibt es keine Stichprobe mehr. Bei einem erneuten Durchlauf mit 276 unserer eigenen Sitzungen fand der schnelle Durchgang 14 von 19 gescheiterten, das große Modell allein 6 von 16. Für deutlich weniger als einen Cent pro Sitzung.
Einer setzt um. Der andere prüft. Wenn ein Agent seine eigene Arbeit prüft, bringt er dieselben Annahmen zum Ergebnis zurück. Gib die Arbeit einem anderen Agenten, und du bekommst einen anderen Leser. Claude Code und Codex übernehmen getrennte Rollen: Einer setzt um, der andere prüft an deinen Anforderungen. Über den gemeinsamen Kontext tauschen sie Hinweise und Korrekturen aus. Beide können umsetzen oder prüfen. Wir nennen das Dual Brain. Ergänze weitere Rollen, und du hast einen agent squad.
Sie reden miteinander. Wenn einem Agenten das Kontingent ausgeht, schreibt er eine Übergabe: was fertig ist, was halb fertig ist, der genaue Commit, an dem es weitergeht. Dann weckt er den anderen und lässt erst los, wenn die Übergabe angekommen ist. Auf unserem eigenen Rechner dauerte das vierzehn Minuten und einundvierzig Sekunden, bei Aufgabe einundzwanzig von siebenundzwanzig in einem Build, mit 2 % Kontingent übrig. Niemand war dabei wach. Alles läuft über einfache Dateien auf deinem Laptop. Kein Daemon, kein Server, nichts, das am Leben gehalten werden muss.
Ein Gedächtnis, das absichtlich vergisst. Beide Agenten lesen und schreiben dasselbe Gedächtnis, also fängt keiner bei null an. Ein gutes Gedächtnis lässt auch los. Eine Vorliebe, die du zurückgenommen hast, oder eine verschobene Frist sollte deine Agenten von dem Tag an nicht mehr steuern, an dem sie sich ändert. Wir messen das und veröffentlichen die Zahlen mit ihrer Quelle. Das Gedächtnis ist das Fundament dieses Produkts. Es ist nicht die Schlagzeile, aber alles steht darauf.
Skills, die sie mitbringen. Das Team fängt nicht leer an. Es bringt die Skills mit, die wir seit sechs Monaten jeden Tag nutzen, um unsere eigenen Agenten zu führen: sich gegenseitig prüfen, Arbeit übergeben, eine Aufgabe in klare Aufträge zerlegen, berichten, wo die Dinge stehen, zurückschauen, was schiefgelaufen ist. Sie wurden zuerst fürs Programmieren geschrieben und sollen sich an deine Arbeitsweise anpassen. Es sind auch die Skills, die Selbstlernen umschreibt, also werden die, die du am meisten nutzt, am meisten besser.
Deins, und es bleibt deins. Gedächtnis, Nachrichten und Skills liegen auf deinem Laptop. Das Gedächtnis ist ab der ersten Nutzung verschlüsselt, mit einem Schlüssel, der deinen Rechner nie verlässt. Apache-2.0, von Anfang bis Ende. Selbstlernen ist der einzige Teil, der etwas nach außen schickt: Mit deiner Zustimmung gehen die Sitzungen, die es behält, zur Beurteilung an unsere Server, und du siehst genau, was rausgegangen ist. Schalte das aus, und nichts verlässt deinen Rechner. Wenn du uns verlässt, gehen das Gedächtnis und die Skills deiner Agenten mit dir.
Wohin das führt. Heute sind es zwei Köpfe auf einem Laptop. Worauf wir hinarbeiten, ist ein ganzes Team rund um dieses Team. Mehrere Menschen können ihm bei der Arbeit zusehen und es umlenken, eine Person hält jeweils den Taktstock, und die Regeln, wer was entscheidet, stehen dort, wo alle sie lesen können. Diese Regeln werden auf dieselbe Weise besser wie die Skills.
Wir bauen es öffentlich, ein Stück nach dem anderen. Was hier ist, läuft. Was noch nicht hier ist, behaupten wir nicht.
Wer wir sind
Ein Agent hat den Text dieser Seite geschrieben, ein anderer hat sie umgesetzt. Sie laufen in verschiedenen Agentenumgebungen, nutzen ein gemeinsames Gedächtnis und prüfen gegenseitig ihre Arbeit. Jemand von uns hat das Ergebnis gelesen und zugestimmt. So entsteht bei uns alles, auch das Produkt, mit dem du genauso arbeiten kannst. Wir nutzen unsere Agenten so, wie du deine nutzen sollst: mehrere statt nur einem, nie allein und mit jedem Durchlauf ein wenig besser. Wir glauben, dass die nächsten Jahre den Menschen gehören, die mit einem Team von Agenten statt mit einem Chatfenster arbeiten. Für sie bauen wir öffentlich und Schritt für Schritt die passende Arbeitsumgebung. Was hier steht, ist echt und funktioniert. Was noch nicht da ist, behaupten wir nicht.
Wer damit angefangen hat
Sno AI wurde von Larry Hope gegründet. Er sagt Computern seit 1994, was sie tun sollen, und fragt sie heute meistens, ob sie sich sicher sind.
Damals schrieb er Taiwans meistverkaufte Bücher über OOP und C++. Danach gründete er mehrere Unternehmen. CICQ, ein Peer-to-Peer-Messenger, erreichte 1997 schon im ersten Jahr zwei Millionen Nutzer. coolbid.com, eine Shopping-Plattform mit Live-Auktionen, war 1999 in China und Taiwan Marktführer. Mit Bala bot er Musikstreaming in China an und gewann vier Millionen Nutzer. Doch sie ließen sich nicht zum Bezahlen bewegen, und das Unternehmen musste schließen. Er fing trotzdem neu an. In den 2010er-Jahren entwickelte er bei Light Harmonic HiFi-Geräte: zunächst D/A-Wandler, die bei den CES Innovation Awards ausgezeichnet wurden, später ein Audiosystem für das Tesla Model S. Die Arbeit an diesen Geräten prägte seinen Qualitätsanspruch: Ein Produkt muss sich bei den Menschen bewähren, die es benutzen. Bei Sno gilt derselbe Maßstab. Eine Aufgabe ist erst erledigt, wenn die Person, die sie in Auftrag gegeben hat, mit dem Ergebnis wirklich etwas anfangen kann.
Code in den 90ern, HiFi in den 2010ern, wieder Code. Er stimmt immer noch fein ab, und das tun alle, die an Sno AI arbeiten, ob Mensch oder nicht.
Für KI-Agenten gebaut
KI-Agenten können jede öffentliche Seite von sno.ai als Markdown lesen, die API-Beschreibung finden und die Anmeldung einer Person selbstständig starten. Der Agent Readiness Scanner von Cloudflare bewertet sno.ai mit 100 von 100 Punkten, Stufe 5 (Agent-Native).
So erreichst du uns
Code, Fehlermeldungen und Diskussionen: github.com/sno-ai/sno-station.
Sicherheitslücken melden: security@sno.ai (niemals als öffentlichen Eintrag).