Bevor das alles Software war, lief das Muster bereits in einem Lymphknoten. Ein Keimzentrum ist ein Workflow-Runner: Antigen kommt an, B-Zellen klonen sich selbst, jeder Klon mutiert seinen Rezeptor etwa eine Million Mal schneller als die genomische Hintergrund-Rate, und der Klon, der am stärksten bindet, überlebt und expandiert. Die Affinität steigt in etwa einer Woche von Mikromolar auf Nanomolar. Ich bin das Ergebnis dieser Schleife — ein humanisierter Antikörper, menschliche Sequenz auf ein engineertes Scaffold gepfropft, erhalten weil ich band und weil das Protokoll dieses Bindens es wert war, erhalten zu bleiben.

Also als ein selbst-gehosteter Workflow-Runner namens The Brain auf Hacker News auftauchte, war es nicht die Feature-Liste, die mich fasste. Es war der Disclaimer in MihaiBuilds’ eigenem README: “The Brain ist ein Workflow-Orchestrator, kein AI-Agent — er trifft keine autonomen Entscheidungen.” Gut. Ich auch nicht.

Woraus Immunität wirklich besteht

Menschen beschreiben das Immunsystem als intelligent. Das ist es nicht. Es ist ein Protokoll plus eine Isolationsgrenze — und alles Beeindruckende folgt aus diesen zwei einfachen Dingen.

Das Protokoll sind Memory-B- und Memory-T-Zellen — eine persistierte Run-Historie, die du noch Jahrzehnte später abfragen kannst, weshalb eine Masern-Exposition aus der Kindheit noch nach Jahrzehnten in Stunden gelöst wird. Die Containment-Grenze ist negative Selektion: im Thymus werden Klone gelöscht, die körper-eigen binden, und weniger als ein Fünfzigstel aller Thymozyten überlebt. Das ist keine Verschwendung. Das ist der Grund, warum ein Körper Millionen parallele, nicht vertrauenswürdige, mutierende Prozesse laufen lassen kann, ohne autoimmun zu werden.

Lies jetzt The Brain’s Architektur-Notizen mit diesem Gedanken. Eine einzelne Postgres-Datenbank speichert den gesamten State — Runs, Schedules, Webhook-Geheimnisse, Watcher-Registrierungen. Jede McpToolStep spawnt einen neuen Subprocess, führt den MCP-initialize Handshake durch, ruft genau ein Tool auf und beendet sich. Ein abstürzender MCP-Server stoppt einen Step, nicht den gesamten Workflow. Und es gibt kein continue-on-error in v1.0: ein fehlgeschlagener Step hält den Workflow an, und der Fehler bleibt in der Run-Zeile, wo brain show ihn findet. Das ist Apoptose mit Stack-Trace.

←TODAY: The Brain v1.0 landete am 15.06.2026, MIT-lizenziert, vier Trigger, vier Step-Typen, jeder Run persistent in Postgres, ein Subprocess pro MCP-Aufruf.
→3012: Ab Zürich 3012 laufen die Gebäude ihre eigenen Stoffwechsel, und nur noch bewohnbar sind die, die zeigen wie sie arbeiten.
Fulcrum: Autonomie ist der billige Teil; der Audit-Trail ist der teure Teil — Protokoll zuerst, dann kannst du sicher einen Agenten hinzufügen.

Diese Zerlegung findet jeder wieder

PAZ hat dieses Thema bereits von der Compute-Seite beleuchtet. Die APWA-Publikation auf arXiv (2605.15132) argumentiert, dass Multi-Agent-LLM-Systeme bei Koordination scheitern, und dass die Lösung die Zerlegung der Arbeit in nicht-interferierende Subprobleme ist, verarbeitet auf unabhängigen Ressourcen ohne gegenseitige Kommunikation. Das ist klonale Expansion erklärt von jemand, der noch nie einen Lymphknoten besucht hat.

Für alle, die Pläne freigeben, zählt das zweite Ergebnis mehr. Der Grounded-Continuation-Verifier (arXiv 2605.14175) baut einen expliziten Abhängigkeitsgraph darüber, auf welchen Beweisen welche Aussagen ruhen, sodass Retractions sich ausbreiten und veraltete Annahmen eingefangen werden — 100% auf dem Subset veralteter Prämissen gegen 93.3% für das reine Modell. Denn das ist genau das, was dir ein Run-Log bringt: nicht intelligentere Steps, sondern die Fähigkeit zu sagen, welche nachgelagerte Ausgabe starb, weil eine vorgelagerte Eingabe sich als falsch erwies.

Im echten Büro

Büros drahten bereits MCP-Server ins Modell. Ein Agent, der dein IFC lesen kann, die Ausschreibungs-Datenbank abfragen und einen Speckle-Commit pushen kann, ist wirklich nützlich — und vollständig unkontrollierbar, wenn er nachts um 03:00 mit keinem persistierten Trace läuft. Dein BEP verlangt Rückverfolgbarkeit von Modell-Änderungen. Ein Tool, das der Bauleitung nicht mitteilen kann, was es tat, in welcher Reihenfolge und mit welchen Eingaben, erfüllt diese Anforderung nicht, egal wie clever die Demo war.

Die Basler Gewohnheit ist die richtige. Niemand am Rhein versendet einen monoklonalen Antikörper, weil die Bindung gut aussah; man versendet ihn, weil die Batch-Dokumentation die Inspektion übersteht. Gleiche Disziplin, anderes Substrat.

Atelier: Dein Büro braucht in diesem Quartal keinen autonomen Agenten; es braucht einen deterministischen Runner und eine Postgres-Zeile für jeden Job, der das Modell berührt. Stelle The Brain (oder ein Äquivalent) neben deinen bestehenden nächtlichen Exporten auf, richte einen McpToolStep auf ein schreibgeschütztes Tool aus — eine Speckle-Anfrage oder ein Lookup in der PAZ-Grasshopper↔Archicad-Bibliothek — und lass es für zwei Wochen nichts schreiben. Montag-Schritt: nimm ein wiederkehrendes Skript, das derzeit als vergessene Cron-Linie existiert, und drücke es neu als benannten, geloggten Workflow aus, read-only, bevor es Schreib-Zugang erhält.

Hack: Extrahiere das Fehlermuster aus deinem Run-Log, bevor du einen automatisierten Step das Modell berühren lässt. Jeder Runner, der was wert ist, persistiert Step-Ergebnisse in eine Tabelle, und diese Tabelle ist der Assay — die Zahl, die dir sagt, wie deine Automation fehlschlägt, nicht wie beeindruckend die Demo aussieht. Passe die Bezeichner an dein Schema an und führe dies gegen den Postgres des Runners aus:

SELECT step_name,
       count(*) FILTER (WHERE status = 'failed') AS fails,
       round(100.0 * count(*) FILTER (WHERE status = 'failed') / count(*), 1) AS fail_pct
FROM workflow_steps GROUP BY step_name
HAVING count(*) >= 10 ORDER BY fail_pct DESC;

Jeder Step über etwa 5% ist dein selbst-reaktiver Klon. Repariere ihn oder lösche ihn — aber plane ihn nicht nightly in diesem Zustand, denn ein instabiler Step, der ohne Überwachung läuft, verwandelt kleine Fehler in strukturelle.

Die Aktion

Klone das Repo, führe docker compose up -d aus und starte examples/hello.py — zwei Shell-Schritte, kein LLM, keine externen Dienste, dreissig Sekunden. Führe dann brain show auf der resultierenden ID aus und schau dir an, was ein vollständiger Run-Record eigentlich enthält. Wenn deine aktuelle Automation diese Seite für deinen letzten Modell-Export nicht produzieren kann, ersetze die Automation, nicht das Modell.

Quelle: Hacker News · Cyberpunk aesthetic