Lokale PGN-Flows, deterministische Engine-Analyse, statische Stellungsauswertung und wiederverwendbare Datenmodelle fuer robuste Trainingsentscheidungen.
Schachtraining, Analyse und lokale Modellinfrastruktur
CaiLama
Ein modulares Schachtrainingssystem fuer PGN-Arbeit, Stockfish-Analyse, statische Brettwahrheit, LLM-Router, Search/RAG, Spielerprofile, Trainingskarten und DGT-nahe Workflows.
Ein Kernsystem, klare Bausteine.
CaiLama verbindet vorhandene Module statt Fachlogik zu duplizieren. Analyse, Training, Agent-CLI, Profile, Knowledge und externe Integrationen bleiben als testbare Bausteine getrennt.
Spielerprofile, Plattformpartien, Rating-Kontext, Trainingskarten und Review-Historie bilden die Grundlage fuer personalisierte Trainingspfade.
Eine terminal-native Agent-Console nutzt Rollen wie Coach, Analyst, Critic, Vision, Scribe und Researcher ueber klare Prompts und Tools.
Das CaiLama-Oekosystem.
Das Projekt ist bewusst kein Monorepo. CaiLama bleibt Produktkern, Router und Search sind eigenstaendige Dienste, Master koordiniert.
TotoBa/CaiLama
Hauptsystem fuer Schachanalyse, Training, Profile, Agent-CLI und produktnahe Workflows.
Repository oeffnenTotoBa/CaiLama-LLM-Router
OpenAI-kompatibler Router fuer Modell-Aliase, Backends, Fallbacks und Betriebschecks.
Repository oeffnenTotoBa/CaiLama-Search
Search-, DWZ- und RAG-Dienst mit FastAPI, Meilisearch, Quellen und Importpfaden.
Repository oeffnenTotoBa/CaiLama-Master
Koordination, Statusplaene, TODO-Pflege, Webseite und lokale Ecosystem-Pruefungen.
Repository oeffnenLokaler Start.
Die Kerninstallation folgt dem Haupt-Repository. Live-Zugriffe auf externe Dienste, Router, Hardware oder echte Datenbanken bleiben bewusst explizite Entscheidungen.
python3 -m venv .venv
.venv/bin/python -m pip install --upgrade pip setuptools wheel
.venv/bin/python -m pip install -e '.[ocr,assets,test]'
cp config/default.sample.toml config/default.toml
cailama --help
cailama-cli --help
cailama-cli --fake-llm
printf '/chain\n/exit\n' | cailama-cli --fake-llmRoadmap.
Der naechste Schritt ist Integrationsdisziplin: Search haerten, SearchAdapter anbinden, personalisiertes Training fertig operationalisieren und danach die Plattform verbreitern.
Search-Auth-Hardening und interner SearchAdapter.
PTG-Folgehaertung und DWZ-Identity-Linking.
RAG-Analysepakete und einheitliche Job-Orchestrierung.
Privacy-safe Observability und optionale semantische Suche.