learn
Dein Router sollte keine generischen Regeln nutzen; er sollte deinen spezifischen Workflow lernen. hirn_learn bietet die Tools zum Sammeln, Labeln und Finetunen deines lokalen Klassifizierers.
Datenerfassung
Während du arbeitest, protokolliert der Router jede Interaktion lokal im Hintergrund. Diese Protokolle werden ausschließlich auf deiner lokalen Festplatte unter ~/.hirn/logs/ gespeichert und niemals hochgeladen.
{"input": "Datenlayer refactorn", "intent": "coding", "files": 12, "chosen_model": "gemini-3.5-flash"}
{"input": "Speicherleck analysieren", "intent": "debugging", "files": 3, "chosen_model": "fable-5"}Die Trainingsschleife
Mit einem für Function Calling optimierten Mini-Modell wie Needle kannst du das Verhalten des Routers schnell an deine persönlichen Vorlieben anpassen.
Starte die lokale hirn UI, um historische Protokolle zu prüfen, Fehlroutings zu korrigieren (z. B. festzulegen, dass bestimmte PR-Reviews immer Fable 5 nutzen sollen) und einen hochwertigen eigenen Datensatz aufzubauen.
Sobald du einen kuratierten Datensatz hast, bringt ein Ein-Klick-Finetuning-Prozess Needle bei, deine spezifischen Eingaben auf den korrekten Routing-Funktionsaufruf abzubilden, um Token-Kosten und Latenz dauerhaft zu optimieren.
Kontinuierliches Lernen
Je mehr du hirn nutzt, desto präziser sagt der Router voraus, wie viel Compute deine spezifischen Prompts benötigen.
Privacy First
Alle Finetuning-Daten bleiben lokal auf deiner Festplatte. Keinerlei Prompts, Präferenzen oder Codebasen verlassen dein System.
Ein-Klick-Finetune
Trainiere deinen Klassifizierer nativ in der Benutzeroberfläche mit einem Klick und wende die aktualisierten Modellgewichte sofort an.