Hier sehen Sie echte Arbeit für unser Unternehmen, erledigt vom CLARYEL-Agenten: Buchhaltung, Einrichtung der Maschinen, Infrastruktur. Echte Daten und echte Antworten des Systems.
CLARYEL arbeitet jeden Tag mit dem eigenen System.
Die Daten bleiben lokal, in der CLARYEL Box.
So funktioniert es
Wir stellen die Aufgabe in einfachen Worten: per Sprache oder als Nachricht
Der CLARYEL-Agent findet sich selbst zurecht und erledigt die ganze Arbeit
Wir erhalten Ergebnis und Bericht, oft mehr als verlangt
Von uns: nur die Aufgabe und die Freigabe wichtiger Schritte.
Business
Alltägliche Aufgaben des Unternehmens, die wir per Sprache über das System erledigen.
Buchhaltung
Rechnungsprüfung: FAKE und Duplikate
Wir haben gefragt, wie viel wir in einem Jahr für IT ausgegeben haben. Das System fand selbst FAKE-Rechnungen und Duplikate, entfernte sie nach unserer Freigabe und korrigierte seine eigene Zahl.
1Die Frage
2Die Korrektur
3Korrigiertes Ergebnis
Was auf dem Screenshot ist
Die Frage: wie viel wir im letzten Jahr für IT ausgegeben haben. Der CLARYEL-Agent antwortet: etwa €54.691, und weist von sich aus darauf hin, dass unter den Dokumenten FAKE-Rechnungen und Duplikate sind.
Was auf dem Screenshot ist
Wir bitten, die FAKE-Daten und Duplikate zu entfernen. Der Agent findet 64 FAKE-Rechnungen, bittet vor dem erzwungenen Löschen um unsere Freigabe, bereinigt dann den Bestand und prüft das Ergebnis.
Was auf dem Screenshot ist
Der geprüfte Endstand: 188 gültige Rechnungen über €38.627,70. Der Agent korrigiert selbst seine frühere Antwort: Die IT-Ausgaben im letzten Jahr betrugen €36.993,58.
Die Screenshots sind in der Originalsprache; unter jedem steht eine Zusammenfassung.
Vorher → nachher (aus den Screenshots 1–3)
64 FAKE-Rechnungen entfernt
188 gültige Rechnungen · €38.627,70
IT, letztes Jahr: ≈€54.691 → €36.993,58
Alles echt: echtes System, echte Dokumente, echte Beträge. Direkt aus unserem Arbeitsalltag: Dokumente aus dem Amazon-Konto, mehreren E-Mail-Postfächern, Google Drive und dem physischen Archiv unseres Systems.
Buchhaltung schlüsselfertig: vom neuen Computer bis zum Finanzamt
Der ganze Prozess: einen Computer von Grund auf einrichten, Ubuntu, die nötige Software, Odoo und NextERP installieren, Rechnungen aus Amazon Business abrufen und an die Agenzia delle Entrate übermitteln. Aufgaben werden per Sprache vom Telefon gegeben; geprüft wird nur das Ergebnis.
Was auf dem Screenshot ist
Eine Illustration zum Beitrag, kein Screenshot: sieben Schritte (neuer Computer, Ubuntu 24.04, Docker/Python/Git und weitere Software, Odoo, NextERP, Rechnungen aus Amazon Business, Übermittlung an die Agenzia delle Entrate) und unten eine Sprachaufgabe vom Telefon.
Ein Geschäftsprozess läuft bereits vollständig über den Agenten: Rechnungen und Transportdokumente aus E-Mail, Google Drive und Amazon Business → ERP und Buchhaltung → Steuersystem → Übersichtsberichte → Abgleich mit Kontoauszügen.
Was auf dem Screenshot ist
Eine Illustration zum Beitrag, kein Screenshot: links ein Mensch zwischen Bergen von Fenstern und Einstellungen, rechts eine Sprachaufgabe an den Agenten, der selbst mit den Programmen arbeitet und ein fertiges Ergebnis liefert.
Wie der CLARYEL-Agent unsere Maschinen selbst einrichtet und betreut: Hardware, Kühlung, KI-Modelle, Geschwindigkeit.
Kühlung
Steuerung des GPU-Lüfters
Wir haben in einfachen Worten gebeten: Der GPU-Lüfter soll der Temperatur der Grafikkarte folgen, und die Einstellungen sollen einen Neustart überstehen. Der CLARYEL-Agent fand selbst heraus, was zu steuern ist, ließ den Lüfter eine Minute auf voller Drehzahl laufen, stellte die Kurve ein und bestätigte alles mit einem echten Neustart, in etwa 30 Minuten.
1Bittenormaler Text, keine Befehle
2ErkundungZ10PA-U8 · Tesla P100 · NCT7904D
3Eine Minute auf voller Drehzahl1468 → 5294–5421 RPM in 5 s · GPU 37 → 31 °C
4Kurve≤35 °C 35% → ≥85 °C 100%
5Neustart1319 RPM, 35 °C: alles lief von selbst wieder an
Kurve: GPU-Temperatur → Lüfterdrehzahl~78 %: Notbetrieb, wenn der Temperatursensor nicht mehr antwortetSanft: höchstens ±15 % alle 5 s
Über die Aufgabe hinaus
Hat das Verfahren als Fähigkeit für künftige Maschinen gespeichert.
Hat ehrlich erklärt, worauf der Schluss beruht, dass fan5 der GPU-Lüfter ist.
Hat in derselben Sitzung die Maschine außerdem in P1005 umbenannt, wie wir es früher erbeten hatten.
Von uns: ein Befehl zur Vergabe von Administratorrechten, die Antwort «Ready» und eine Bestätigung unterwegs.
≈ 30 Minuten (06:26–06:57 laut Screenshots)
Was auf dem Screenshot ist
Unsere Bitte (06:26) als normaler Text. Der Agent beginnt sofort mit der Erkundung ohne Administratorrechte: Platine Z10PA-U8, GPU Tesla P100; noch keine Schnittstelle zur Lüftersteuerung; GPU-Temperatur lesbar: 39 °C.
Was auf dem Screenshot ist
Der Agent bittet uns, einmal einen Befehl auszuführen, der ihm Administratorrechte auf P1005 gibt (jederzeit widerrufbar), und legt den Plan dar: den Chip finden, der den Lüfter steuert, einen kleinen Dienst nach GPU-Temperatur schreiben, eine Minute auf voller Drehzahl mit Kontrolle am Tacho. Die Adresse der Maschine ist abgedeckt.
Was auf dem Screenshot ist
Ende des Plans: Dienst mit Autostart, Umbenennung des Hosts in P1005; sollte die Steuerung unmöglich sein, sagt der Agent das ehrlich. Unsere Antwort «Ready» (06:29), dann der Fortschritt: Steuerdienst, eine Bestätigung (06:43), «alles hat den Neustart überstanden» (06:49) und der Beginn des Berichts.
Was auf dem Screenshot ist
Bericht, Punkte 1–3: Chip Nuvoton NCT7904D, Kanalzuordnung (pwm2 → fan5, bis ~5300 RPM: das Gebläse der P100), eine Minute auf voller Drehzahl (1468 → 5294–5421 RPM in 5 s, GPU 37 → 31 °C) und die laufende Kurve.
Was auf dem Screenshot ist
Bericht, Punkt 4 und Fazit: Treiber und Dienst starten automatisch, echter Neustart (fan5 bei 1319 RPM, GPU bei 35 °C, Strata lief von selbst wieder an, Port 8080 lauscht), Hostname P1005, ein ehrlicher Hinweis, wie der GPU-Lüfter erkannt wurde, und das als Fähigkeit gespeicherte Verfahren.
Die Screenshots sind in der Originalsprache; unter jedem steht eine Zusammenfassung.
Eine praktische Aufgabe: Per Sprachnachricht haben wir gefragt, wie das System aufgebaut ist. Es antwortete mit realen Daten unserer Maschinen: Hardware, Laufwerke, KI-Modell und Geschwindigkeit. Ist ein Punkt unklar, fragt man einfach sofort, was er bedeutet.
Was auf dem Screenshot ist
Die Antwort auf die Sprachfrage zur Konfiguration: zwei Maschinen, claryel01 und P2002, mit Prozessor, Speicher, GPU, Laufwerken, Softwareversionen, KI-Modell und gemessener Geschwindigkeit (~44–48 tok/s). Ganz unten die Zeile zum Ausweichmodell (Cloud fallback: xAI Grok 4.7).
Bei diesem Auftrag war das Ersatzmodell extern (Grok) und ohne Filter. Für unser lokales System ist das nicht akzeptabel, deshalb wurde das Ersatzmodell durch ein zweites lokales ersetzt. Heute werden Cloud-Modelle nur über den Filter aufgerufen und, wenn nötig, nach ausdrücklicher Bestätigung durch den Nutzer.
Maschinenpark
Drei Maschinen, ein Agent
Wir haben um ein kurzes Profil aller unserer Maschinen mit Strata gebeten. Der CLARYEL-Agent prüfte selbst das Netz, fand drei Maschinen und sammelte für jede Speicher, Laufwerk, GPU, Strata- und Modellversion sowie Geschwindigkeit. Alle drei steuert ein einziger Agent.
Mac Studiodie schnellste256 GB LPDDR5X · M3 Ultra60.0 tok/s
P1005für Hintergrundaufgaben31 GiB DDR4 · Tesla P100 16 GB16.2 tok/s
Auf allen dreien: Strata v0.1.45 · Qwen3.8-Flash-Next IQ3_S · Kontext 262 144
Was auf dem Screenshot ist
Unsere Anfrage (07:47) und der Beginn der Antwort: Netz geprüft, es sind drei Maschinen. Die erste ist P2002: 62 GiB DDR5, Lexar NM1090 PRO 2 TB, AMD RDNA4 mit 16 GiB, Strata v0.1.45, Qwen3.8-Flash-Next IQ3_S, 46.8 tok/s. Die Adresse ist abgedeckt.
Was auf dem Screenshot ist
Mac Studio: 256 GB LPDDR5X (M3 Ultra), SSD 2 TB, 60.0 tok/s, die schnellste. P1005: 31 GiB DDR4, Tesla P100 16 GB, 16.2 tok/s, für Hintergrundaufgaben. Fazit: Ein Agent auf claryel01 steuert alle drei, überall dasselbe Modell; Reserve P2002 → Mac Studio → Grok. Die Adressen sind abgedeckt.
Bei diesem Auftrag war das Ersatzmodell extern (Grok) und ohne Filter. Für unser lokales System ist das nicht akzeptabel, deshalb wurde das Ersatzmodell durch ein zweites lokales ersetzt. Heute werden Cloud-Modelle nur über den Filter aufgerufen und, wenn nötig, nach ausdrücklicher Bestätigung durch den Nutzer.
Strata auf einer neuen Maschine: Der Agent hat alle Stolpersteine selbst gemeistert
Wir haben gefragt, welche Schwierigkeiten beim Start von Strata v0.1.45 auf einem Mac Studio (M3 Ultra, 256 GB) auftraten. Der CLARYEL-Agent hat die Engine aus dem Quellcode gebaut, eine Korrektur gefunden und angewendet, das 79-GB-Modell übertragen und einen Engine-Fehler selbst umgangen.
Was auf dem Screenshot ist
Unsere Frage (05:16) zu den Schwierigkeiten mit Strata auf dem Mac Studio. Die Antwort, Punkte 1–3: kein fertiger Mac-Build, der defekte 0.1.45-Build und die Korrektur aus PR #2895, Beginn des Berichts über die Übertragung des 79-GB-Modells.
Was auf dem Screenshot ist
Punkte 3–6: Übertragung des Modells (Starlink ~6,5 MB/s, Netzwerk ~11 MB/s, rsync von P2002 in 2 h 05 min), ein Groß-/Kleinschreibungsfehler im Modellnamen, der Engine-Fehler „jede Anfrage 400“ und der Workaround --no-prefill-borrow, Verwechslung mit einem alten Prozess auf Port 8080.
Was auf dem Screenshot ist
Punkte 6–7 und Ergebnis: „Hänger“ beim ersten Start (~10 Minuten zum Lesen von 55 GB von der Festplatte), Mac ≈ P2002 bei der Generierung (~58 gegenüber ~57 tok/s), Prefill +36 %, alles im Skill strata-mac-deploy gespeichert.
Die Screenshots sind in der Originalsprache; unter jedem steht eine Zusammenfassung.
Der Agent hat die Engine seines eigenen „Gehirns“ aktualisiert
In Telegram baten wir den CLARYEL-Agenten, Strata auf P2002 zu aktualisieren, der Maschine, auf der er selbst läuft. Der Agent startete das Update mit Absicherung, behob einen Fehler im letzten Schritt selbst und verglich ehrlich die Geschwindigkeit vorher und nachher.
Was auf dem Screenshot ist
Die Versionsfrage (04:30), die Antwort (v0.1.43.1 auf P2002, v0.1.45 auf GitHub) und der Befehl „aktualisiere dich“ (04:31). Der Agent beschreibt den Plan: Update getrennt von sich selbst und ein Wächter mit automatischem Rollback auf 0.1.43.1.
Was auf dem Screenshot ist
Die Zeile über den Wechsel zum Ersatzmodell (grok-4.7) um 04:46; der Bericht: Code auf v0.1.45, Engine gebaut (34 MB, 0 Fehler), Dateiersatz fehlgeschlagen („Text file busy“), der Agent repariert selbst. Darunter: der Hinweis zum Skill-Update und unsere Frage nach der aktuellen Version (04:50).
Was auf dem Screenshot ist
Die Antwort: Auf P2002 läuft Strata v0.1.45, die alte 0.1.43.1 ist als Reserve gesichert, Modell Qwen3.8-Flash-Next IQ3_S, Kontext 262.144; Geschwindigkeitsmessungen vor und nach dem Update.
Was auf dem Screenshot ist
Einschätzung des Agenten: Prefill deutlich verbessert (bis +80 % in einer Messung), Generierung in zwei neuen Messungen ~10–20 % niedriger; der Agent schlägt 3–4 weitere Läufe und ein Rollback vor, falls sich die Verlangsamung bestätigt.
Die Screenshots sind in der Originalsprache; unter jedem steht eine Zusammenfassung.
Bei diesem Auftrag war das Ersatzmodell extern (Grok) und ohne Filter. Für unser lokales System ist das nicht akzeptabel, deshalb wurde das Ersatzmodell durch ein zweites lokales ersetzt. Heute werden Cloud-Modelle nur über den Filter aufgerufen und, wenn nötig, nach ausdrücklicher Bestätigung durch den Nutzer.
Morgens prüft der CLARYEL-Agent selbst die Smart-Home-Sensoren von Home Assistant, die Backups, den Zustand der Festplatten und die Temperatur der angeschlossenen Computer und meldet nur, was Aufmerksamkeit braucht.
Was auf dem Screenshot ist
Eine Illustration zum Beitrag, kein Screenshot: das Ergebnis der Morgenprüfung — Raum mit den Computern bei 28,8 °C, Sensorbatterien bei 20 % (Büro) und 30 % (Terrasse), Türsensor „Leo“ im Zustand ON, der geprüft werden sollte.
Was auf dem Screenshot ist
Eine Illustration zum Beitrag, kein Screenshot: die Kette Strata v0.1.43 → Qwen3.8-Flash-Next (IQ3_S) → Agent → Home-Assistant-Sensoren, Backups, Festplatten, Computertemperaturen; unten die Hilfswerkzeuge (Telegram, ChatGPT, ChatGPT Go + Codex, Grok 4.7).
Eine Illustration zum Beitrag, kein Screenshot.
Bei diesem Auftrag war das Ersatzmodell extern (Grok) und ohne Filter. Für unser lokales System ist das nicht akzeptabel, deshalb wurde das Ersatzmodell durch ein zweites lokales ersetzt. Heute werden Cloud-Modelle nur über den Filter aufgerufen und, wenn nötig, nach ausdrücklicher Bestätigung durch den Nutzer.
Wie dasselbe Modell auf unterschiedlicher Hardware läuft, von einer alten Tesla P100 bis zu einer neuen Radeon. Die Zahlen stammen nur von den Bildschirmen.
Modellgeschwindigkeit
31 tok/s bei fast freiem RAM: Das Modell wird von der SSD gelesen
Strata v0.1.41, Qwen3.8-Flash-Next IQ3_XXS, eine Radeon mit 16 GB und 31 GB RAM. Eine Antwort mit 12.136 Token bei 31 tok/s, und nur 3,2 GB RAM sind belegt.
Was auf dem Screenshot ist
Strata-Monitor: Generierung 31,0 tok/s, Prefill 43 tok/s, VRAM 15,7/16 GB, GPU 45 °C, Kontext zu 19 % gefüllt (12k von 64k), eine Anfrage: 12.136 Token in 396,3 s; RAM 3,2/31 GB.
Was auf dem Screenshot ist
Modell und Engine: qwen3.8-flash-next-iq3_xxs, v0.1.41, Kontext 65.536 Token, 8-Bit-KV-Cache im VRAM, 5.681 Experten im VRAM (9,2 GB). Computer: AMD Radeon 16 GB, Intel Core Ultra 7 270K Plus (24 Threads), 31 GB RAM.
Was auf dem Screenshot ist
Gewählte Strata-Einstellungen: Qwen3.8-Flash-Next, IQ3_XXS, Kontext 64K, 8-Bit-KV-Cache, Bilder aus, Low-RAM-Modus (31 GB RAM, Experten teilweise von der SSD gelesen), AMD Radeon RX 9070 (~16 GB VRAM); Modelldatei ~47 GB.
Die Screenshots sind in der Originalsprache; unter jedem steht eine Zusammenfassung.
256K-Kontext: 26 Anfragen auf einer einzigen 16-GB-Grafikkarte
Wir haben Strata v0.1.41 mit Qwen3.8-Flash-Next IQ3_S auf einem Kontext von 262.144 Token gestartet. Antworten bis 14.829 Token, belegt sind 3,3 von 31 GB RAM: Das Modell arbeitet fast nur im Videospeicher.
Was auf dem Screenshot ist
Ein Standbild aus dem Video: Das Modell schreibt eine lange technische Antwort darüber, wie Mixture-of-Experts-Modelle funktionieren (Experten-Routing, KV-Cache, Speicherhierarchie). Das ganze Video ist im Originalbeitrag.
Was auf dem Screenshot ist
Strata-Monitor: Generierung der letzten Anfrage 14,8 tok/s, Prefill 112 tok/s, VRAM 15,8/16 GB, Kontext 62 % (162k/256k), RAM 3,3/31 GB; in der Anfragetabelle Generierung von 13,0 bis 19,6 tok/s und Antworten bis 14.829 Token; insgesamt 26 Anfragen.
Was auf dem Screenshot ist
Modell und Engine: qwen3.8-flash-next-iq3_s, v0.1.41, Kontext 262.144 Token, 8-Bit-KV-Cache im VRAM, 3.114 Experten im VRAM (6,0 GB). Computer: AMD Radeon 16 GB, Intel Core Ultra 7 270K Plus (24 Threads), 31 GB RAM.
Die Screenshots sind in der Originalsprache; unter jedem steht eine Zusammenfassung.
Das Video ist im Originalbeitrag; hier ein Standbild daraus.
Mehr RAM: 45 tok/s bei einem Kontext von 164.000 Token
Dieselbe Maschine mit mehr RAM (62 GB im System). Strata v0.1.43 mit Qwen3.8-Flash-Next IQ3_S: Generierung mit 45,2 tok/s bei zu 63 % gefülltem Kontext.
Was auf dem Screenshot ist
Strata-Monitor: Generierung 45,2 tok/s, Prefill 94 tok/s, VRAM 15,9/16 GB, GPU 44 °C, Kontext 63 % (164k/256k), RAM 53,5/62 GB; zwei Anfragen mit je etwa 162.000 Token, Prefill 1.176 tok/s, Generierung 48,3 und 45,2 tok/s.
Was auf dem Screenshot ist
Modell und Engine: qwen3.8-flash-next-iq3_s, v0.1.43, Kontext 262.144 Token, 8-Bit-KV-Cache im VRAM, 3.114 Experten im VRAM (6,0 GB). Computer: AMD Radeon 16 GB, Intel Core Ultra 7 270K Plus (24 Threads), 62 GB RAM.
Die Screenshots sind in der Originalsprache; unter jedem steht eine Zusammenfassung.
Die bescheidenste Konfiguration: Intel Xeon E5-2690 v4, 31 GB RAM und eine Tesla P100 mit 16 GB. Strata v0.1.45 mit Qwen3.8-Flash-Next IQ3_S liefert 19–27 tok/s, und nur 2,2 GB RAM sind belegt.
Was auf dem Screenshot ist
Strata-Monitor und htop: Generierung 26,9 tok/s, Auslastung Tesla P100 100 %, VRAM 15,7/16 GB, 97 W, PCIe Gen3 x16, CPU 45 %, Lesen von der Festplatte 164 MB/s, RAM 2,2/31 GB; Anfragen: 19,3 tok/s (253 Token) und 25,3 tok/s (12.686 Token in 504,1 s).
Was auf dem Screenshot ist
Modell und Engine: qwen3.8-flash-next-iq3_s, v0.1.45, Kontext 262.144 Token, 8-Bit-KV-Cache im VRAM, 3.051 Experten im VRAM (5,8 GB). Computer: Tesla P100 16 GB, Intel Xeon E5-2690 v4 (28 Threads), 31 GB RAM.
Die Screenshots sind in der Originalsprache; unter jedem steht eine Zusammenfassung.
