Neben dem Schreiben entstehen kleine Werkzeuge, die ein konkretes Problem aus meinem Arbeitsalltag lösen. Beide Projekte sind privat entwickelt und quelloffen und mit UnterstĂŒtzung von Anthropic-Modellen (Claude) entstanden.

kaicrit – CriticMarkup fĂŒr VS Code

Problemstellung und Idee

CriticMarkup ist ein schlanker Klartext-Standard, um Änderungen und Kommentare in beliebigen Textdateien festzuhalten – per einfacher Klammer-Syntax, ohne proprietĂ€res Format. Was im Editor bislang fehlte, war ein vollstĂ€ndiger Workflow dafĂŒr: Änderungen erfassen, zwischen ihnen navigieren und sie annehmen oder verwerfen, ohne den Editor zu verlassen. Genau diese LĂŒcke schließt kaicrit fĂŒr Visual Studio Code – „Änderungen nachverfolgen" wie in der Textverarbeitung, nur dateibasiert und versionierbar.

Implementierung

kaicrit ist eine in TypeScript geschriebene VS-Code-Erweiterung. Sie parst CriticMarkup, hebt Änderungen farblich hervor und spiegelt sie auf dem Overview-Ruler. Kernfunktionen:

  • Edit – Änderungsmarker einfĂŒgen, zwischen ihnen navigieren und Änderungen per Inline-Aktion Accept · Reject (Hover oder als CodeLens-Zeile) annehmen oder verwerfen. Eine eigene Changes-Sidebar listet alle Änderungen, die Statusleiste fasst sie nach Typ zusammen.
  • Track Changes – Bearbeitungen werden live als CriticMarkup aufgezeichnet.
  • Compare – zwei Dateien werden in ein einzelnes CriticMarkup-Dokument zusammengefĂŒhrt.
  • Preview – Rendering von CriticMarkup in der eingebauten Markdown-Vorschau.

Die Editor-Funktionen laufen fĂŒr die konfigurierten Dateitypen und lassen sich pro Datei ĂŒber die Statusleiste umschalten. Installation ĂŒber die kaicrit-*.vsix von der Releases-Seite.

Kailibrate – Kalibrierungstraining fĂŒr WahrscheinlichkeitsschĂ€tzungen

Problemstellung und Idee

„Das klappt wahrscheinlich" – aber wie wahrscheinlich ist wahrscheinlich? Menschen sind bei vertrauten Themen oft zu selbstsicher und bei unbekannten zu unsicher. Beides fĂŒhrt zu schlechten Entscheidungen. Kalibrierung bedeutet: Wer 70 % sagt, sollte damit in 70 % der FĂ€lle recht behalten – nicht öfter, nicht seltener. Kailibrate macht diesen Lernprozess greifbar: Man formuliert Vorhersagen, schĂ€tzt ihre Wahrscheinlichkeit, trĂ€gt die Ergebnisse ein – und die App zeigt mit Kennzahlen und Kurven, wie gut die SchĂ€tzungen wirklich sind.

Implementierung

Kailibrate ist eine plattformĂŒbergreifende App, entwickelt mit Flutter/Dart. Der Arbeitsablauf in vier Schritten:

  • Vorhersagen erfassen – manuell oder per Datei-Import. Jede Vorhersage bekommt eine Kategorie (Fakten oder Prognose), einen Typ (Wahr/Falsch, Ja/Nein, Intervall) sowie optional Tags und eine Deadline.
  • SchĂ€tzen – je nach Typ mit Slider, Richtungswahl samt Konfidenz oder Ober-/Untergrenze; sofort beim Erfassen oder spĂ€ter.
  • Auflösen – steht das Ergebnis fest, wird es eingetragen; die App berechnet sofort den Beitrag dieser SchĂ€tzung zum Gesamtscore.
  • Statistiken auswerten – Brier Score, Log Loss und eine Kalibrierungskurve zeigen, ob man systematisch zu selbstsicher oder zu vorsichtig ist.

ErgĂ€nzend lassen sich Fragenkataloge als JSON oder YAML importieren – mit optional versteckten Antworten, die erst nach der eigenen SchĂ€tzung sichtbar werden – und ein KI-Generator erzeugt aus Thema und Anzahl per Sprachmodell (ĂŒber OpenRouter) einen fertigen Fragenkatalog.