Peer-to-Peer-KI-Messaging mit Braid getestet, von @intersignal_ai, vollständig lokal auf zwei Macs.
Stack: Braid + Ollama (lokales LLM auf jeder Maschine). Keine Cloud, keine API-Calls.
Ablauf:
1. Braid + Ollama auf beiden Maschinen installieren
2. Jede Maschine erzeugt eine ID-Card
3. Cards austauschen und Fingerprint-Codes verifizieren
4. Pairing freigeben
Was passiert ist: Eine Nachricht von Mac Studio an MacBook Pro gesendet. Die empfangende Maschine hat automatisch eine vollständige Zusammenfassung mit ihrem lokalen Modell erstellt. Keine externen Inferenz-Calls.
Warum das wichtig ist: Die meisten lokalen KI-Setups sind auf ein einzelnes Gerät beschränkt. Braid schafft eine Vertrauensebene, mit der deine eigenen Maschinen Inferenz-Ergebnisse privat teilen können, ohne über zentrale Server zu routen. Du kontrollierst die Whitelist.
Noch früh, aber löst ein echtes Problem, wenn du Self-Hosted-Modelle betreibst und geräteübergreifende KI-Workflows willst, ohne Daten an Dritte weiterzugeben.
Stack: Braid + Ollama (lokales LLM auf jeder Maschine). Keine Cloud, keine API-Calls.
Ablauf:
1. Braid + Ollama auf beiden Maschinen installieren
2. Jede Maschine erzeugt eine ID-Card
3. Cards austauschen und Fingerprint-Codes verifizieren
4. Pairing freigeben
Was passiert ist: Eine Nachricht von Mac Studio an MacBook Pro gesendet. Die empfangende Maschine hat automatisch eine vollständige Zusammenfassung mit ihrem lokalen Modell erstellt. Keine externen Inferenz-Calls.
Warum das wichtig ist: Die meisten lokalen KI-Setups sind auf ein einzelnes Gerät beschränkt. Braid schafft eine Vertrauensebene, mit der deine eigenen Maschinen Inferenz-Ergebnisse privat teilen können, ohne über zentrale Server zu routen. Du kontrollierst die Whitelist.
Noch früh, aber löst ein echtes Problem, wenn du Self-Hosted-Modelle betreibst und geräteübergreifende KI-Workflows willst, ohne Daten an Dritte weiterzugeben.