ProfEngel/TrinityLectureAssisitant: Trinity v0.16.70 – Werkstatt recherchiert und versteht Bilder

Engineering notes

Engineering notes will be added by the aipentium editorial team.

Chinese explanation / 中文解读

中文解读待补充：本站会优先为大语言模型、生成式AI、ChatGPT相关技术、计算机视觉、深度学习等高价值论文补充中文说明。

Original abstract

Trinity v0.16.70 – Werkstatt startet wirklich, recherchiert und versteht Bilder Ausführbarer Agent und fachlicher Skill Die Werkstatt behandelt einen fachlichen Skill nicht mehr als ausführbaren OpenCode-Agenten. OpenCode startet mit dem in Trinity konfigurierten Hauptagenten, standardmäßig build, und erhält html-praesentationswerkstatt oder thesis-reviewer als verbindliche fachliche Anweisung. Vor jedem OpenCode-Auftrag prüft Trinity: ob der konfigurierte OpenCode-Agent tatsächlich existiert, ob der angegebene OpenCode-Dienst erreichbar ist, ob der Modellserver des gewählten Providers einen TCP-Listener besitzt. Ein ausgeschalteter GPU-Server wird dadurch vor dem Modelllauf verständlich gemeldet. Der Auftrag bleibt nicht mehr mit irreführenden Lebenszeichen stehen. Fehler markieren außerdem den gerade laufenden Arbeitsschritt als fehlgeschlagen. Die gemeinsame Ausführungsschicht gilt für alle derzeit aktiven und später ergänzten Werkstattkacheln. Verbindliche Recherche Die Planphase einer Präsentation startet ausdrücklich mit "Agent 00: Research & Evidence". Sie verlangt zwei echte Recherchezyklen, eine Gap-/Gegenprüfung und überprüfbare Quellenartefakte: sources/sources.json sources/source-overview.md Fehlt eine verfügbare Recherchefunktion oder liefert der Lauf keine geprüfte Quelle, gibt Trinity den Plan nicht zur Freigabe weiter. Modellwissen wird nicht als angebliche Webrecherche ausgegeben. Vision-Adapter für Bilder, PPTX und PDF Trinity erzeugt vor dem Präsentationsplan ein technisches visuelles Inventar. Dabei werden: eigenständige Bildanlagen als echte Modellanlagen übernommen, Bilder aus PPTX-Dateien extrahiert und ihrer Ausgangsfolie zugeordnet, PDF-Seiten mit PyMuPDF als visuell prüfbare Ansichten gerendert, extrahierter Folien- beziehungsweise Seitentext als Zusatzkontext bewahrt. Codex/ChatGPT erhält Rasterbilder über seine native --image-Schnittstelle, OpenCode über --file. Bei visuellen Eingaben muss der Agent visual-analysis.md erzeugen. Darin beschreibt er nach tatsächlicher Bildinspektion Inhalt, Aussage, Text/Labels, wichtige Randdetails, Wiederverwendbarkeit und die passende neue Folien-ID. Dateiname, OCR und Folientext allein gelten nicht als Bildverständnis. Beim späteren HTML-Bau werden dieselben Ansichten erneut bereitgestellt. Bildplatzierung, Alternativtext und die Entscheidung zwischen contain und cover folgen damit dem sichtbaren Inhalt. Prüfung Vollständige Python-Testsuite erfolgreich. Zusätzliche Tests für PPTX-Bildextraktion, Folienzuordnung, eigenständige Bildanlagen, Codex---image und die Trennung von Skill und OpenCode-Hauptagent. Lokaler Preflight gegen die aktuelle Konfiguration meldet den ausgeschalteten GPU-Modellserver erwartungsgemäß innerhalb weniger Sekunden.

Links and sources

Comments