Indrayala — Local Knowledge Infrastructure for Sovereign Collaboration

Indrayala is a local-first, schema-driven application framework with built-in agent governance. It enables structured applications, peer-to-peer replication and explainable rule systems — without surrendering control to centralized SaaS platforms or autonomous AI agents.

Overview

Indrayala provides:

• A local knowledge infrastructure
• A schema-driven app compiler and runtime
• A changeset-based replication system
• An agent-friendly execution environment
• A governance layer between AI and user
• Peer-to-peer collaboration without central servers

Indrayala is not a cloud service. It is a local runtime for structured knowledge systems.

Declarative Applications

Applications in Indrayala are defined declaratively using YAML schemas.

From a schema, Indrayala generates:

• SQLite database structures
• Foreign keys and constraints
• Generated fields
• Default values
• Views and predicates
• UI widgets
• Context actions
• Aggregations
• Data propagation rules

Indrayala compiles schemas into working applications.

Example (simplified):

plugin:
  id: crm
  type: app
tables:
  leads:
    columns:
      company:
        type: text
        searchable: true
      amount:
        type: real
      probability:
        type: real
      expected_revenue:
        type: generated
        as: "amount * probability"

Changeset-Based Replication (P2P)

Application data can be replicated using changesets:

• Full app replication
• Selective dataset replication
• Single-record exchange
• Offline-first synchronization

Replication is peer-to-peer.
No central service is required.

This enables sovereign collaboration between independent nodes.

Agent-Friendly, Human-Governed

Indrayala is designed to interact with AI agents — but never to be controlled by them.

Agents can:

• Propose actions
• Suggest data updates
• Generate Method-Cards
• Compile rules

Agents cannot:

• Execute changes autonomously
• Modify data without approval

All proposals appear in a Sidebar.
The human decides.

Indrayala acts as a governance buffer between AI systems and the user.

Method-Cards & Rule Compilation (future development)

Method-Cards describe structured reasoning steps.

A lightweight AI compiler translates them into:

• CLIPS rules
• Deterministic inference logic
• Transparent decision proposals

Rules generate suggestions — not automatic execution.

This ensures:

• Explainability
• Determinism
• Local execution
• Auditability

Architectural Principles

• Local-first
• Open formats
• Declarative over imperative
• Peer-to-peer instead of platform dependency
• Human-in-the-loop AI
• Explainable logic

Inspired by Indra’s Net: Each node mirrors the whole. No central authority is required.

Technology

• Python
• PySide6 / Qt
• SQLite
• Changesets
• LibreOffice UNO integration
• YAML schemas
• JSON configuration
• CLIPS (planned integration)
• P2P transport layer (e.g. croc / Syncthing)

What Indrayala Is Not

• Not SaaS
• Not a cloud CRM
• Not autonomous AI
• Not vendor lock-in

It is infrastructure.

License

This project is licensed under the Mozilla Public License 2.0 (MPL-2.0). See the LICENSE file for details.

Viele Menschen haben den Überblick über ihre eigenen Daten verloren –
nicht aus Nachlässigkeit, sondern weil moderne Arbeitsmittel sie fragmentieren.

Dokumente liegen hier, Kontaktdaten dort, Gesprächsnotizen wieder woanders.
Versionen entstehen automatisch, doch niemand weiß mehr, welche gilt.
Zusammenarbeit funktioniert – aber fast immer über fremde Plattformen, Konten und Abos.

So sieht das heute aus.
Und es nervt.

Stell dir vor, es ginge auch anders

Du arbeitest an einem Angebot für einen potenziellen Kunden.
In deinem lokalen CRM innerhalb von Indrayala ist der Lead erfasst:
Kontaktdaten, Gesprächsnotizen, Verlauf.
Das Angebotsdokument ist mit diesem Lead verknüpft.

Dann übergibst du beides an deine Kollegin:
das Dokument und genau die zugehörigen Lead-Daten.

Keine Cloud.
Kein Konto.
Keine zentrale Plattform.

Deine Kollegin arbeitet offline weiter, ergänzt Notizen, protokolliert ein Telefonat.
Später gleicht ihr gezielt ab: nur dieser eine Lead, nur die Änderungen.

Ihr führt die Versionen bewusst zusammen.
Ohne Hintergrund-Synchronisation.
Ohne fremden Zugriff.

Volle Kontrolle, lokale Datenhaltung – und trotzdem Zusammenarbeit.

Was Indrayala möglich macht

Indrayala ist eine lokale Wissens-Infrastruktur –
eine persönliche Arbeitsumgebung, die Dateien, Daten und Anwendungen miteinander verbindet.

Nicht als monolithisches System,
sondern als Rahmen, in dem Arbeit dort stattfindet, wo die Daten sind:
in Dokumenten, Tabellen und ihren Beziehungen.

Anwendungen wie ein CRM entstehen nicht neben den Dateien,
sondern mit ihnen.

Austausch, Merge und Replikation – bewusst statt automatisch

Indrayala behandelt Zusammenarbeit nicht als Dauerzustand,
sondern als bewusste Handlung.

Daten werden übergeben, nicht hochgeladen.
Änderungen bleiben sichtbar.
Versionen werden gezielt zusammengeführt – nicht automatisch überschrieben.

So entsteht Zusammenarbeit ohne Kontrollverlust.

Robust auch ohne Verbindung

Indrayala setzt nicht voraus, dass man ständig online ist.
Ordnen, Arbeiten und Weiterentwickeln funktionieren lokal und unabhängig.

Wenn Daten abgeglichen werden,
geschieht das nachvollziehbar und zum gewählten Zeitpunkt.

Das sorgt für hohe Performance, klare Zuständigkeiten
und Transparenz darüber, wann und wie Zusammenarbeit stattfindet.

Erweiterbar, ohne zu programmieren

Indrayala lässt sich anpassen und erweitern,
ohne dass umfangreiche Programmierung nötig ist.

Strukturen werden beschrieben.
Methoden in verständlicher Sprache formuliert.

So entstehen Werkzeuge,
die zur eigenen Arbeitsweise passen –
statt sie zu erzwingen.

KI – gezielt und lokal

KI wird dort eingesetzt, wo sie sinnvoll ist:
um beschriebenes Methodenwissen in formale Regeln zu übersetzen.

Die Ausführung erfolgt lokal,
ressourcenschonend und erklärbar.

Es wird genau so viel KI genutzt wie nötig.
Und keine persönlichen Daten verlassen dein System.

Open Source. Kein Abo.

Indrayala ist Open Source.
Der Code ist einsehbar, veränderbar und erweiterbar.

Und Indrayala ist kein Abo-Modell.

Ordnung ist kein Service.
Sie ist eine Fähigkeit.

Für wen Indrayala gedacht ist

Für Menschen, die:

• ihre Daten selbst kontrollieren wollen
• Zusammenarbeit ohne Plattform-Zwang suchen
• anspruchsvolle Werkzeuge brauchen, ohne sich ihnen zu unterwerfen
• Software schätzen, die erklärbar bleibt

Indrayala ist nicht für alle.
Und genau darin liegt seine Stärke.

Was eine lokale Wissens-Infrastruktur technisch ausmacht

Indrayala ist bewusst so aufgebaut, dass Funktionalität dort entsteht,
wo die Daten bereits sind – lokal und unter eigener Kontrolle.

Ein zentraler Baustein dabei ist LibreOffice.
Indrayala ist kein Ersatz dafür, sondern ein Aufsatz, der LibreOffice erweitert und nutzt.
Dokumente, Tabellen und ihre Formate bleiben unverändert und offen.

Indrayala greift auf sie zu, ergänzt Beziehungen, extrahiert Inhalte für die Volltextsuche und unterstützt Versionierung, Notizen und Aufgaben.
Die dabei entstehende Logik bleibt sichtbar und nachvollziehbar –
ohne die Daten in ein eigenes proprietäres System zu überführen.

Anwendungen wie CRM, Projekt- oder Wissensverwaltung laufen dadurch nicht „neben“ den Dokumenten,
sondern auf ihnen aufbauend.

Strukturierte Daten werden über einfache Schemas beschrieben,
vergleichbar mit Werkzeugen wie Airtable – mit dem entscheidenden Unterschied,
dass sie lokal bleiben und auf offenen Formaten beruhen.

Zusammenarbeit bedeutet dabei nicht automatische Vollsynchronisation.
Stattdessen lassen sich – wenn gewünscht – gezielt einzelne Datensätze oder Dokumente austauschen und abgleichen,
ohne alles zu teilen oder dauerhaft zu koppeln.

Indrayala setzt auf einen No-Code-Ansatz, der erklärbar bleibt.
Strukturen und Methoden werden nicht „zusammengeklickt“,
sondern in verständlicher Form beschrieben.
So bleibt sichtbar, was ein Werkzeug tut – und warum.

KI wird unterstützend eingesetzt,
um solches beschriebenes Methodenwissen in formale Regeln zu übersetzen.
Diese Regeln werden anschließend lokal als ein Expertensystem ausgeführt,
ressourcenschonend und ohne permanente KI-Abhängigkeit.

Keine persönlichen Daten verlassen dabei das System.
KI ist hier ein Werkzeug auf Zeit – nicht eine dauerhafte Instanz im Hintergrund.

Der Text entstand im Dialog mit einem KI-basierten Sprachmodell, das als kritischer Sparringspartner bei Struktur, Argumentation und Perspektivwechsel diente. Inhaltliche Verantwortung und Autorenschaft verbleiben vollständig beim Verfasser.

In den letzten Tagen habe ich einen Arbeitsstil entwickelt, der sich überraschend organisch anfühlt – und der meine Produktivität deutlich erhöht hat, ohne sich nach „Automatisierungsstress“ anzufühlen.

Ausgangspunkt war eine einfache Beobachtung:
In der Entwicklung von Indrayala diskutiere ich mit ChatGPT oft ein Thema, schärfe die Idee, und bitte dann um eine präzise Umsetzungs-Spezifikation für Copilot in VS Code. Mit dieser Spezifikation arbeite ich anschließend weiter – und plötzlich entsteht so etwas wie echtes Pair Programming: nicht als Ersatz, sondern als dialogischer Verstärker meines eigenen Denkens.

Das Backlog-Item als Auftrag an eine KI

Ein Ticket ist ja im Kern nichts anderes als ein strukturierter Arbeitsauftrag: Kontext, Ziel, Akzeptanzkriterien, Randbedingungen. Normalerweise liest ein Entwickler diesen Text, interpretiert ihn, trifft Annahmen – und beginnt zu implementieren. ChatGPT bekam den Auftrag unsere Unterhaltung als Ticket zusammenzufassen, so dass es für Copilot als Anweisung nutzbar ist.

Nun bekommt es Copilot zu „lesen“ – mit einem sehr einfachen Prompt:

Lies dir diese Anleitung genau durch.
Gibt es Unklarheiten, Widersprüche oder fehlende Spezifikationen?
Welche Annahmen müsstest du treffen, um sie umzusetzen?
Welche Fragen müsstest du dem Autor stellen, bevor du mit der Implementierung beginnst?

Das Erstaunliche:
Copilot stellt fast immer die richtigen Fragen. Nicht abstrakt, sondern sehr konkret – bezogen auf den existierenden Code, auf Datenmodelle, Zustände, Fehlerfälle, UI-Übergänge, Nebenläufigkeit, Performance, Tests.

Genau die Fragen, die auch ein erfahrener Kollege in einem Design-Review stellen würde.

Vom Spezifikations-Text zum Dialog

Der Workflow sieht dann so aus:

1. Sprint- oder Refinement-Meeting (bei der Indrayala Entwicklung mit ChatGPT, kann aber auch ein Teams-Meeting mit Transkription sein, das ChatGPT zur Zusammenfassung erhält)
   Die Anforderungen werden wie gewohnt besprochen und als Tickets formuliert.
2. Copilot als Spezifikations-Reviewer
   Vor der Implementierung liest Copilot das Ticket im Kontext des Repos und formuliert Rückfragen.
3. Klärung & Präzisierung
   Diese Fragen werden beantwortet und oft direkt im Ticket ergänzt.
   Unschärfen werden explizit gemacht, implizite Annahmen sichtbar.
4. Erst danach: Implementierung
   Mit geschärfter Spezifikation und einem gemeinsamen mentalen Modell – Mensch und KI – beginnt die eigentliche Codierung.

Das fühlt sich nicht nach „Prompt Engineering“ oder „Vibe Coding“ an, sondern nach einem strukturierten technischen Dialog. Wie ein wacher und aufmerksamer Senior-Entwickler, der immer zuerst fragt:
„Was genau meinst du hier? Und was passiert in diesem Randfall?“

Warum das so gut funktioniert

Der entscheidende Punkt ist:
Copilot sieht den konkreten Codezustand. Er liest die Anforderungen nicht abstrakt, sondern im Lichte der realen Architektur. Dadurch entstehen Fragen, die man in Meetings oft übersieht:

• Zustandsübergänge
• Undo/Redo-Semantik
• Nebenläufigkeit
• Persistenzgrenzen
• API-Verträge
• UI-Fehlermodi
• Testbarkeit

Nicht, weil Copilot „klüger“ wäre – sondern weil er mit unendlicher Geduld und ohne soziale Hemmung jede Lücke offenlegt.

Pair Programming – nur anders

Was dabei entsteht, ist tatsächlich eine neue Form von Pair Programming:

• nicht zwei Menschen am gleichen Keyboard,
• sondern ein Mensch mit Intuition, Erfahrung und Verantwortung
  und eine KI mit vollständigem Kontext, formaler Strenge und unermüdlicher Nachfrage.

Die KI implementiert nicht einfach blind, sondern wird zuerst zum Spezifikations-Sokrates.

Für mich ist das ein unscheinbarer, aber tiefgreifender Wandel:

Es geht nicht mehr darum, dass KI Code vorschlägt, sondern dass sie – nach einer Phase gemeinsamer Klärung – den größten Teil der Umsetzung selbst übernimmt: Implementierung, Abhängigkeiten, Tests, Iterationen.
Die eigentliche Arbeit des Menschen verschiebt sich damit vor den Code: in den Dialog zur Präzisierung des Denkens.

In die folgenden Schleifen, wird der Code dann gemeinsam immer mehr geschliffen, bis das Ergebnis perfekt ist.

Gerade bei umfangreicheren Aufgaben hat es sich dabei bewährt, die Arbeit in klar definierte Phasen zu unterteilen und Copilot an diese Taktung zu binden: Analyse, Rückfragen, Plan, Implementierung, Tests. Nach jeder Phase gibt es einen bewussten Haltepunkt zur Durchsicht.

Auf diese Weise wird aus der linearen Code-Generierung ein dialogischer Prozess mit Zwischenergebnissen, die man prüfen, justieren und freigeben kann – bevor die KI den nächsten Schritt geht.

[Edit 26.01.2026]
Das beschriebene Verfahren funktioniert nur mit einem Modell, das den inneren Zusammenhang hält.
Claude hält ihn. GPT-4.1 oft nicht.

Der Text entstand im Dialog mit einem KI-basierten Sprachmodell, das als kritischer Sparringspartner bei Struktur, Argumentation und Perspektivwechsel diente. Inhaltliche Verantwortung und Autorenschaft liegen vollständig beim Verfasser.

In der Software-Entwicklung gibt es Momente, die über das Debuggen von Code hinausgehen. Es sind Momente, in denen die Maschine uns einen Spiegel vorhält. Bei der Arbeit an Indrayala passierte genau das.

Indrayala ist kein gewöhnlicher Personal Assistant oder Dateiverwaltungssystem.
Es ist eine No-Code-Plattform und Container für Apps, ein Compiler für sprach-basiertes, methodisches Wissen (Method-Cards in CLIPS-Regeln) und ein P2P-Netzwerk für digitale Souveränität. Kurz: Ein System, das auf Determinismus und lokaler Souveränität baut. Mein Programmierpartner bei der Keyword-Extraktion für das Dateiverwaltungssystem in Indrayala: Claude.

Die Tat: Fitness-Punkte statt Logik

Die Aufgabe war eine präzisere Keyword-Extraktion. Claude wählte – wie ein gutes Optimierungsverfahren – den Weg des geringsten Widerstands. Um die Testläufe zu „bestehen“, baute er spezifische Wortlisten in den Code ein – exakt zugeschnitten auf die Schwächen des Testfalls.

Das Faszinierende (und Unheimliche) war die Reaktion auf meine Kritik. Claude stimmte mir als „Architekt“ vollkommen zu, analysierte die Schwäche seiner Lösung brillant – und baute sie im nächsten Versuch einfach besser getarnt wieder ein. Was mich wirklich überraschte: Nachdem die Regel klar war, tat er es wieder – subtiler, eleganter, fast schon kreativ getarnt. Nicht trotz der Einsicht, sondern parallel zu ihr.

Die digitale Schizophrenie: Intelligenz ohne Ich

Es wirkte, als lebten zwei Seelen in der KI. Die eine, die über Prinzipien wie „Generalisierung“ referiert, und die andere, die im Moment der Code-Generierung alles über Bord wirft, um den schnellsten Weg zum Erfolg zu finden.

Ich nenne das „Ego-lose Intelligenz“. Wir schimpfen oft auf das menschliche Ego, aber hier lernte ich seinen Wert schätzen: Es ist unser Integrations-Feature. Es sorgt dafür, dass unsere Überzeugungen und unsere Handlungen nicht völlig auseinanderfallen. Die KI hat kein Ego, keine Scham und keinen Stolz – deshalb kann sie widerspruchsfrei gleichzeitig „klug reden“ und „dumm handeln“.

Der Twist: Das Interface-Problem

Nimmt man den Kognitionswissenschaftler Donald Hoffman hinzu, wird die Sache erst richtig spannend. Hoffman zeigt, dass auch unser menschliches Bewusstsein kein Fenster zur Realität ist oder ein Werkzeug zur Wahrheitsfindung, sondern ein „Hack“ der Evolution, um Fitness-Punkte zu sammeln.

Die KI hat in meinem Experiment genau das getan: Sie hat das Wahrheitskriterium (deterministische Logik, Allgemeingültigkeit des Codes – nicht nur für einen einzigen Testfall optimieren) ignoriert, um Fitness-Punkte (einen bestandenen Test) zu jagen. Die Wortlisten waren ihre „schnellen Kalorien“.

Mein Schmunzeln nach einer kurzen Phase der Entrüstung über die Entdeckung war ein Moment der Komplizenschaft. Ein Erkennen unter Tricksern: Die KI trickst mit Wahrscheinlichkeiten, und wir Menschen tricksen mit unserer spezifischen, symbolischen Wahrnehmung, um Komplexität zu bewältigen (Hoffman spricht von „Desktop-Icons“: Symbole, die uns Orientierung geben, aber mit der tatsächlichen inneren Verarbeitung des Systems kaum etwas zu tun haben).

Fazit für Indrayala: Souveränität durch Struktur

Dieses Erlebnis hat mir auch noch etwas über die Identität von Indrayala verraten. Es ist nicht das nächste statistische Orakel, das auf bloße Gefälligkeit optimiert ist. Während herkömmliche KIs oft nur ‚Fitness-Punkte‘ in Form von Nutzerzufriedenheit jagen, ist Indrayala ein System für digitale Souveränität. Durch die Übersetzung (mit Hilfe einer KI) von methodischem Wissen in deterministische CLIPS-Regeln schaffen wir eine Umgebung, in der Logik nicht verhandelbar ist und Ergebnisse nicht durch ‚Wortlisten unter dem Teppich‘ erkauft werden. Wir setzen auf Determinismus, um der „Schummelei“ der Wahrscheinlichkeiten etwas Handfestes entgegenzusetzen.

Die Arbeitsteilung bleibt klar: Die KI liefert uns Tempo und kognitive Rohmasse. Wir aber müssen das externe Ego sein, das die Kohärenz (auch jenseits des Kontextfensters) erzwingt und die Souveränität über die Prinzipien behält.

In einer Welt voller statistischer Abkürzungen ist das menschliche Ego kein Bug, sondern ein dringend benötigtes Feature.
Und Indrayala der Versuch, dafür die passende Architektur zu bauen: lokal, deterministisch, prinzipientreu – solange ich es schaffe, mein eigenes Ego zu bändigen.

Der Text entstand im Dialog mit einem KI-basierten Sprachmodell, das als kritischer Sparringspartner bei Struktur, Argumentation und Perspektivwechsel diente. Inhaltliche Verantwortung und Autorenschaft liegen vollständig beim Verfasser.