Optional · KI-Analyse, KI-Anfragen, KI-Crashanalyse · Schritt für Schritt
Diese Seite erklärt alles zur KI im Skript: warum sie sich lohnt, was dagegen spricht, wie du ein Konto beim Anbieter anlegst, was in die Konfiguration gehört, wie du testest, die komplette Analyse startest und den Bericht öffnest. Dazu, welche Funktionen es gibt, wie der Ablauf ist, welche Daten den Rechner verlassen und welche Modelle du nehmen kannst. Die KI arbeitet in drei Werkzeugen mit je eigenem Modell: Analyse der Rezensionen und Kennzahlen, KI-Anfragen im Bericht und, neu, die KI-Crashanalyse für Abstürze aus Apple und Android. Eingestellt wird alles in der Einrichtung im Browser.
Warum KI?
Der Bericht zählt Sterne, Abstürze und Downloads. Er sagt dir, dass eine App kippt. Was die Nutzer wirklich stört, steht im Text, und den liest ein Sprachmodell in Sekunden, für dich, mit Beleg.
„Seit dem Update hängt der Login“ steht in zwölf Rezensionen mit drei verschiedenen Wortlauten. Die KI fasst das zu einem Satz zusammen, mit Zitaten, die wörtlich in den Rezensionen stehen.
Drei Sterne können „ganz okay“ heißen oder „ich wechsle nächste Woche“. Die KI unterscheidet begeistert, zufrieden, Wunsch, verärgert und resigniert, und zählt, wie viele mit Wechsel drohen.
Höchstens fünf Maßnahmen je App, mit Zuständigkeit (Entwicklung, Support, Anbieter, Store, Produkt), erwarteter Wirkung und dem Anteil der negativen Rezensionen, den sie betreffen. Den Anteil rechnet das Programm, nicht die KI.
Vor- und Nachteile
Die KI ist bewusst optional. Ohne eingeschalteten Anbieter läuft alles genau wie vorher, ohne eine einzige Anfrage.
Mit "sendReviewText": false gehen nur Sterne, Datum, Version, Sprache und Land an den Anbieter. Dann entfallen Stimmung, Zitate und Antwortentwürfe, der Rest bleibt.
Schritt 1 · Konto beim Anbieter
Alle fünf Cloud-Anbieter funktionieren gleich: Konto anlegen, Zahlungsmittel oder Guthaben hinterlegen, einen API-Schlüssel erzeugen und ihn einmal kopieren. Der Schlüssel wird nur einmal angezeigt. Ein normales Chat-Abo reicht nicht, es muss der API-Zugang sein. Die sechste Karte braucht nichts davon: Ollama läuft auf deinem Rechner, ohne Konto und ohne Schlüssel (Einrichtung unten).
OPENAI_API_KEYANTHROPIC_API_KEYGEMINI_API_KEYPERPLEXITY_API_KEYXAI_API_KEYollama pull llama3.1:8bkeineVor dem Einschalten lesen: die API-Nutzungsbedingungen des Anbieters, besonders ob Eingaben zum Training verwendet werden dürfen. Bei den API-Zugängen der fünf Anbieter ist das in der Regel ausgeschlossen, anders als bei den kostenlosen Chat-Oberflächen. Die Datenschutzerklärung des Berichts (Abschnitt 4a) nennt Empfänger, Felder und Rechtsgrundlage. Der Schlüssel kommt nie in eine Datei des Skripts, sondern nur in die Umgebungsvariable (nächster Schritt).
Schritt 2 · In der Konfiguration eintragen
config.json, eine Zeile in der Shell.Der Block ai steht fertig in config/config.example.json. Du übernimmst ihn, setzt bei einem Anbieter enabled auf true und legst den Schlüssel als Umgebungsvariable ab. Mehr ist es nicht. Bei local entfällt der Schlüssel ganz; die passenden Einstellungen stehen im Abschnitt Lokal statt Cloud.
In config/config.json den Block ai aus der Beispieldatei einfügen und beim gewünschten Anbieter "enabled": true setzen. Sind mehrere eingeschaltet, zählt der erste in der Liste. Das Modell kannst du lassen (Vorgabe) oder ändern.
"ai": {
"providers": [
{ "name": "anthropic",
"enabled": true,
"model": "claude-sonnet-5-5",
"apiKeyEnvironmentVariable":
"ANTHROPIC_API_KEY" },
{ "name": "openai", "enabled": false, … }
],
"language": "de",
"monthlyTokenLimit": 2000000,
"sendReviewText": true,
"features": { "summary": true, "sentiment": true,
"themes": true, "versions": true,
"comparison": true, "replyDrafts": true,
"measures": true, "questions": false }
}Den Namen der Variable liest das Skript aus apiKeyEnvironmentVariable. Trage den Schlüssel in deine Shell-Konfiguration ein, auf dem Mac meist ~/.zshrc, danach ein neues Terminal öffnen. Für den täglichen Lauf per Zeitplaner steht die Variable in dessen Umgebung (siehe BETRIEB.md).
# ~/.zshrc export ANTHROPIC_API_KEY="sk-ant-…" # prüfen, ohne den Wert zu zeigen test -n "$ANTHROPIC_API_KEY" && echo gesetzt
Steht der Schlüssel versehentlich in config.json, lehnt das Skript ihn ab. In Logs, Fehlermeldungen und im Bericht wird er automatisch entfernt.
Alles im Block ai, alles optional:
language de oder en: Sprache der KI-Texte model je Anbieter, siehe Modelle unten monthlyTokenLimit harte Bremse je Monat sendReviewText false: nur Zahlen, keine Texte features.* einzelne Funktionen aus questions Freitextfragen, Standard aus maxReviewsPerRequest 60 je Stapel requestTimeoutSeconds 180 servicePort 8765 für den Fragedienst
Freitextfragen sind standardmäßig aus, weil jede Frage eine Anfrage kostet. Für den Reiter „KI-Anfragen“ im Bericht "questions": true setzen.
Schritt 3 · Testen
Drei Befehle, vom harmlosen zum echten. Die ersten beiden kosten nichts und schicken nichts weg.
Zeigt den aktiven Anbieter mit Modell, den Verbrauch des Monats und die geschätzten Kosten. Ohne Netzzugriff. Steht hier „kein Anbieter aktiv“, fehlt enabled oder die Umgebungsvariable.
./ratings.sh ai-usage
Zeigt je App, wie viele Rezensionen gesendet würden und in wie vielen Stapeln. Es geht nichts raus. So siehst du vor dem ersten echten Lauf, was er umfasst.
./ratings.sh analyze --dry-run
Der Debug-Modus erzeugt erfundene Apps und Rezensionen in eigenen Ordnern. Das Menü fragt, ob die KI die Testdaten auswerten soll. Das sendet erfundene Texte, kostet aber echte Anfragen. Ideal für den ersten Lauf, ohne echte Daten zu berühren.
./debugmenu.sh
1 Testdaten erzeugen
3 Bericht im BrowserSchritt 4 · Die komplette Analyse
Sobald ein Anbieter aktiv ist, läuft die KI bei ./ratings.sh all und im Menü „Alles abrufen“ automatisch mit. Menüzeile und Kopfzeile zeigen das an. Einzeln startest du sie so:
Liest die gespeicherten Rezensionen, sendet nur neue oder geänderte, schreibt die Ergebnisse als ai-analysis.json je App nach data/ und erzeugt den Bericht neu. Am Ende steht die Kostentabelle je App.
./ratings.sh analyze
Die KI schlägt neue Themen und fehlende Suchwörter für bekannte Themen vor. Wie viele Rezensionen ein Wort zusätzlich trifft, zählt das Programm. In config/themen.json kommt beides erst, wenn du es bestätigst.
./ratings.sh ai-themes ./ratings.sh ai-themes --accept 2 ./ratings.sh ai-themes --accept-term 1 3
Eine Frage an die gespeicherten Rezensionen, mit Auswahl nach App, Zeitraum und Sternen. Braucht "questions": true. Gespeicherte Fragen listet ai-questions.
./ratings.sh ask "Welche Apps erwähnen das Bonusprogramm?" --app bkk-herkulis ./ratings.sh ai-questions
./ratings.sh analyzeAnalyse, Bericht neu./ratings.sh analyze --dry-runzeigen, nichts senden./ratings.sh ai-usageAnbieter, Tokens, Kosten./ratings.sh ai-modelsModelle und Preise./ratings.sh ai-themesThemenvorschläge./ratings.sh ask "…"Freitextfrage./ratings.sh ai-questionsgespeicherte Fragen./ratings.sh ai-reportBericht mit Fragedienst./ratings.sh ai-serveFragedienst alleinSchritt 5 · Den Bericht öffnen
Der Bericht ist eine einzige HTML-Datei und macht keine Netzanfragen. Die einzige Ausnahme startest du selbst: ein kleiner Fragedienst auf deinem Rechner, der Fragen aus dem Bericht an den Anbieter weiterreicht.
Erzeugt reports/index.html und öffnet sie im Browser. Alle KI-Ergebnisse sind drin: Zusammenfassungen, Maßnahmen, Stimmung, Wünsche, gespeicherte Antworten. Nur das Eingabefeld für neue Fragen fehlt.
./ratings.sh report
Menü: Hauptmenü 3 · Kurzmenü 2Startet den Dienst auf 127.0.0.1, erzeugt den Bericht und öffnet ihn in einem Schritt. Der Reiter „KI-Anfragen“ bekommt ein Eingabefeld und den Knopf „Fragen wählen …“ mit zwanzig vorbereiteten Fragen. Läuft, bis du Strg+C drückst.
Die Standardfragen änderst du selbst: Sie stehen in config/fragen.json, je Frage einmal auf Deutsch (de) und Englisch (en). Ändern, ergänzen oder löschen, fertig; der nächste Bericht zeigt die neue Liste. Die Datei enthält keine Geheimnisse und darf versioniert werden.
./ratings.sh ai-report
Menü: Hauptmenü 4 · Kurzmenü 3Nur dein Rechner, nur solange das Terminal offen ist, nur ein Bericht, der während des Laufs erzeugt wurde. Ein zufälliges Token je Start, 4 KB je Anfrage, eine Frage nach der anderen, dasselbe Monatslimit wie sonst. Der Bericht auf dem Firmenserver hat keinen Dienst und zeigt nur gespeicherte Antworten.
data/ai-service.json Token, 0600,
beim Beenden gelöschtWelche Funktionen
Elf Funktionen, jede mit ihrem Ort im Bericht und dem Schalter in ai.features. Alles außer der Crashanalyse folgt dem Filter: Kunde, App, Plattform, Zeitraum.
Drei Sätze: Lob, Kritik, was sich zuletzt verändert hat. Dazu Hauptlob, Hauptkritik, Einschätzung (Produkt-, Update- oder Anbieterproblem) und wörtliche Zitate. features.summary
Höchstens fünf Maßnahmen je App mit Zuständigkeit, erwarteter Wirkung und dem Anteil der negativen Rezensionen, den sie betreffen. features.measures
Begeistert, zufrieden, Wunsch, verärgert, resigniert, dazu Dringlichkeit. Die Stimmungsleiste über der Tabelle setzt den Filter. features.sentiment
Frei vergebene Schlagwörter je Rezension mit Anzahl und negativem Anteil, plus Vorschläge für config/themen.json, die erst nach Bestätigung übernommen werden. features.themes
Die Wünsche aus den Rezensionen gezählt, mit Trend gegenüber den 90 Tagen davor. features.sentiment
Welche Beschwerden seit einer Veröffentlichung neu sind und welche verschwunden sind; welche nur in der neuesten Version vorkommen. features.versions
Je Kunde oder über alle: Anteil verärgerter Nutzer, Hauptlob, Hauptkritik, Einschätzung als Spalten. features.comparison
Anteil der Rezensionen, in denen Nutzer mit Wechsel oder Löschen drohen, je App. features.sentiment
Für offene Rezensionen mit ein bis zwei Sternen ein Vorschlag zum Kopieren. Gesendet wird nie etwas. features.replyDrafts
Freitextfragen an die gefilterten Rezensionen, Antwort mit Sicherheit und Zitaten. Zwanzig vorbereitete Fragen aus config/fragen.json, dort frei änderbar. Der Reiter erscheint nur bei laufendem Fragedienst. features.questions
Crash-Reports aus Apple oder Android als Anfragen anlegen, einzeln oder mehrere auf einmal absenden. Ergebnis: Ursache mit Sicherheit und wörtlichen Belegen, Stelle im Code, technische Lösung, Prüfschritte, als Ticket für Jira oder Mail. Bekannte Abstürze werden erkannt und nicht erneut gesendet. Mehr unten und auf der eigenen Seite. features.crashReports
Jede KI-Aussage trägt die Marke „KI“ und nennt Anbieter, Modell und Datum. Alle Zahlen im Bericht, auch Anteile und Anzahlen neben KI-Texten, rechnet das Programm aus den Daten. Die KI liefert nie eine Zahl.
Neu · KI-Crashanalyse · Apple und Android
Im Reiter „KI-Crashreports“ legst du Abstürze als Anfragen an: Plattform, Titel und Report sind Pflicht, eine Anmerkung (iOS-Version, Funktion, Architektur), die App und der Projektordner sind optional. Die KI soll den Fehler finden, nicht raten. Deshalb rechnet das Programm alle Fakten selbst, und jede Aussage der KI muss wörtlich im Material stehen. Alles im Detail, mit Datenschutz, Einstellungen und den Prompts im Wortlaut: KI-Crashanalyse.
Report aus Xcode, App Store Connect oder der Play Console einfügen. Gespeichert wird lokal in data/crash-reports.json. Bis hier verlässt nichts den Rechner.
Der Parser liest Fehlertyp, Signal, Versionen, die obersten Frames und welche davon zur App gehören, erkennt fehlende Symbolisierung und Verschleierung und bildet den Fingerabdruck: die Fehlernummer des Absturzes.
Steht die Fehlernummer in data/crash-history.json, wird die Anfrage zum Duplikat, übernimmt die alte Analyse und wird nie wieder gesendet.
„Analysieren“ zeigt zuerst genau den Text, der rausgeht, was ersetzt wurde, welche Quelldateien mitgehen und die geschätzten Tokens. Erst die Bestätigung sendet.
Die Anfragen laufen nacheinander. Jedes Zitat der KI wird gegen Report, Anmerkung, Code und Rezensionen geprüft; erfundene fallen weg, ohne Beleg sinkt die Sicherheit.
Ein zweiter Aufruf prüft die Analyse gegen dasselbe Material. Er darf Aussagen streichen und die Sicherheit senken, nie erhöhen. Abschaltbar, kostet etwa doppelt.
Fehlernummer, Umgebung, Ursache mit Sicherheit, Belege, Stelle, Lösung, Prüfschritte, offene Fragen und was nicht geprüft werden konnte. In die Zwischenablage, als Druck oder PDF.
offen, analysiert, Analysiert/PD (persönliche Daten mussten ersetzt werden, das sollte in einem Crash-Report nicht vorkommen), Fehler, Duplikat.
Bei nicht symbolisierten Apple-Reports oder verschleierten Android-Traces kann niemand die Ursache seriös bestimmen. Das sagt der Bericht vorher, statt die KI raten zu lassen.
Die Bereinigung erkennt Muster. Einen Namen, den jemand frei in die Anmerkung schreibt, erkennt sie nicht. Darum die Vorschau: lesen, dann senden.
Wer keinen Code in die Cloud geben will, lässt die Ordnerliste leer oder nimmt für Crash-Reports das lokale Modell. Dann bleibt alles auf dem Rechner.
Drei Werkzeuge, drei Modelle
Je Anbieter wählst du drei Modelle, in der Einrichtung im Browser (./ratings.sh admin, Schritt KI). Im Bericht kann niemand das Modell ändern; beide Reiter zeigen, welches gerade gilt. Nach dem Speichern erinnert die Einrichtung daran, den Fragedienst neu zu starten.
Viele Rezensionen in Stapeln, jeden Tag. Ein günstiges, schnelles Modell reicht meist. providers[].model
Einzelne Fragen an die gefilterten Rezensionen. Ein stärkeres Modell lohnt sich, die Menge ist klein. Leer heißt: wie die Analyse. providers[].questionsModel
Stacktraces und Code richtig lesen ist die schwerste Aufgabe. Hier das beste verfügbare Modell wählen. Leer heißt: wie die Analyse. providers[].crashModel
Wie läuft das
So läuft eine Analyse, vom gespeicherten Datenbestand bis zur Marke „KI“ im Bericht.
Der tägliche Abruf bei Apple und Google läuft wie bisher. Die KI liest nur, was schon gespeichert ist.
Was analysiert ist, bleibt in ai-analysis.json. Die Zusammenfassung einer App entsteht nur neu, wenn neue Rezensionen dazukommen.
Ein Zeichenbudget je Anfrage, damit kein Modellkontext platzt, und ein Token-Limit je Monat, das hart stoppt.
Entwürfe werden nie gesendet, Themenvorschläge warten auf deine Bestätigung, Daten werden nie gelöscht oder überschrieben.
Jeder Lauf steht in data/logs/collect.log, ohne Schlüssel. Alle Prompts stehen wörtlich in KI-PROMPTS.md.
Welche Daten werden genommen
So sieht eine Rezension aus, wenn sie den Rechner verlässt. Eine laufende Nummer statt der Store-ID, kein Name, keine Kennzahl.
sendReviewText: false)Eine Frage im Bericht bezieht sich auf genau die Rezensionen, die der Filter oben gerade zeigt. Der Bericht übergibt dem Fragedienst die Auswahl (Apps, Zeitraum, Sterne, die IDs der gefilterten Rezensionen und die Filter-Kärtchen als Beschreibung). Der Dienst wählt damit lokal die Rezensionen aus; gesendet werden die jüngsten bis maxReviewsPerQuestion (300) im Zeichenbudget. Die IDs und die Beschreibung bleiben auf dem Rechner. Bei mehreren angeklickten Apps bezieht sich die Antwort auf deren Gesamtzustand. Die Antwort nennt, wie viele Rezensionen gelesen wurden, wie sicher sie ist (sicher, Hinweis, unklar) und belegt sie mit Zitaten; eine Frage ohne wörtlichen Beleg gilt als „unklar“.
Modelle und Preise · Stand 24.10.2026
Die KI sortiert, fasst zusammen und zitiert. Das Programm prüft jedes Zitat und jeden Wert. Entscheidend ist deshalb nicht das stärkste Modell, sondern eines, das zuverlässig sauberes JSON liefert und wenig kostet. Preise in US-Dollar je Million Tokens, Eingabe und Ausgabe, aus ./ratings.sh ai-models.
Balken: Eingabepreis des Vorgabemodells, relativ zum teuersten. Zur Einordnung: Die Komplettanalyse von 90 Rezensionen liegt mit gpt-6-luna bei wenigen Cent; mit einem Spitzenmodell für 10 / 50 $ etwa beim Hundertfachen, ohne dass die Zusammenfassungen spürbar besser werden.
| Anbieter | Modell | Eingabe | Ausgabe | Einordnung | Für dieses Projekt |
|---|---|---|---|---|---|
| OpenAI | gpt-6-luna | 0,10 $ | 0,50 $ | günstig, Vorgabe; Reasoning-Modell | Empfohlen für den Start. Günstigstes Modell; die internen Denk-Tokens zählen als Ausgabe, bleiben bei Stapeln von 60 Rezensionen aber klein. |
| OpenAI | gpt-6.1-sol | 2,00 $ | 10,00 $ | Mittelklasse | Gut, aber zwanzigmal teurer als Luna. Nur, wenn Luna bei deinen Rezensionen auffällig danebenliegt. |
| OpenAI | gpt-6-astra | 10,00 $ | 50,00 $ | Spitzenmodell, teuer | Nicht nötig. Für Sortieren und Zusammenfassen überdimensioniert. |
| OpenAI | gpt-5.6-terra | 2,00 $ | 12,00 $ | Vorgänger-Mittelklasse | Möglich, aber kein Grund: Luna ist neuer und günstiger. |
| OpenAI | gpt-5.6-luna | 0,20 $ | 1,20 $ | Vorgänger, günstig | In Ordnung als Ausweichmodell, falls gpt-6-luna einmal nicht erreichbar ist. |
| Anthropic | claude-sonnet-5-5 | 2,00 $ | 10,00 $ | Mittelklasse, Vorgabe | Gute Mitte. Zuverlässig bei JSON und deutschen Texten, saubere Zitate. Merklich teurer als die günstigen Modelle. |
| Anthropic | claude-haiku-5-5 | 0,10 $ | 0,50 $ | günstig, schnell | Empfohlen für den Start. Gleicher Preis wie Luna, bis 100k Tokens je Anfrage, was mit dem Zeichenbudget des Skripts locker reicht. |
| Anthropic | claude-opus-5-5 | 4,00 $ | 20,00 $ | stark, teurer | Nicht nötig. Nur bei sehr langen, verschachtelten Rezensionen ein Vorteil. |
| Anthropic | claude-fable-5-1 | 10,00 $ | 50,00 $ | Spitzenmodell, teuer | Nicht nötig. Hundertfacher Preis von Haiku für dieselbe Aufgabe. |
| Google Gemini | gemini-3.8-flash | 0,75 $ | 3,75 $ | Vorgabe; Einführungspreis bis 31.12.2026 | Gute Mitte. Schnell, großer Kontext. Nach dem 31.12.2026 Preis neu prüfen. |
| Google Gemini | gemini-3.5-flash-lite | 0,30 $ | 2,50 $ | günstig, einfacher | In Ordnung für Stimmung und Themen; bei Zusammenfassungen etwas knapper als Flash. |
| Google Gemini | gemini-3.1-pro | 2,00 $ | 12,00 $ | stark, teurer | Nicht nötig für diese Aufgabe. |
| Perplexity | openai/gpt-5.6-terra | 2,00 $ | 12,00 $ | Vorgabe; OpenAI-Modell über Perplexity | Möglich, kein Vorteil: Perplexity reicht die Anfrage an OpenAI weiter, seine Stärke (Websuche) wird nicht genutzt. Nur, wenn du dort schon ein Konto hast. |
| Perplexity | anthropic/claude-sonnet-5-5 | 2,00 $ | 10,00 $ | Anthropic-Modell über Perplexity | Wie oben: dasselbe Modell wie direkt bei Anthropic, ein Anbieter mehr dazwischen. |
| Perplexity | perplexity/sonar | 0,25 $ | 2,50 $ | eigenes Modell, günstig | Günstig, aber für strenges JSON weniger erprobt. Mit --dry-run und Testdaten zuerst prüfen. |
| xAI | grok-4.7 | 2,00 $ | 6,00 $ | einziges öffentliches API-Modell, Vorgabe | In Ordnung, Mittelklasse-Preis. Keine günstige Variante, deshalb für den Start weniger attraktiv. |
| Lokal (Ollama u. a.) | llama3.1:8b u. a. | 0 $ | 0 $ | läuft auf deinem Rechner | Kostenlos und ohne Empfänger. Langsamer und bei Zusammenfassungen schwächer als die Cloud-Modelle; Modellwahl und Einrichtung im Abschnitt Lokal statt Cloud. |
Die Tabelle oben enthält nur die Modelle, für die das Skript einen Listenpreis kennt. Hier stehen alle Modelle, die die fünf Anbieter laut aktuellen Preisübersichten über ihre API anbieten, in US-Dollar je Million Tokens (Eingabe / Ausgabe). Jedes Modell eines Anbieters funktioniert im Skript; steht in der Spalte „Im Skript“ ein Nein, fehlt nur der Listenpreis, den du mit priceInputPerMillion und priceOutputPerMillion selbst einträgst. Quellen sind Preisübersichten Dritter, nicht die Anbieterseiten; vor der Entscheidung dort nachsehen.
| Anbieter | Modell | Eingabe | Ausgabe | Im Skript | Einschätzung |
|---|---|---|---|---|---|
| OpenAI | gpt-6-astra | 10,00 | 50,00 | ja | Spitzenmodell. Nicht nötig. |
| OpenAI | gpt-6.1-sol | 2,00 | 10,00 | ja | Mittelklasse. Gut, aber teuer für diese Aufgabe. |
| OpenAI | gpt-6-sol | 2,00 | 10,00 | nein | Vorgänger von 6.1 Sol, gleicher Preis. Kein Grund. |
| OpenAI | gpt-6-luna | 0,10 | 0,50 | ja | Günstigstes Modell. Empfohlen für den Start. |
| OpenAI | gpt-5.6-sol | – | – | nein | Vorgängergeneration; Preis in den Übersichten nicht einheitlich. |
| OpenAI | gpt-5.6-terra | 2,00 | 12,00 | ja | Vorgänger-Mittelklasse. Luna ist neuer und günstiger. |
| OpenAI | gpt-5.6-luna | 0,20 | 1,20 | ja | Ausweichmodell, falls 6 Luna nicht erreichbar ist. |
| OpenAI | gpt-5.5-pro, gpt-5.4 | – | – | nein | Ältere Generation, teils nur noch in Übersichten. Nicht nötig. |
| Anthropic | claude-fable-5-1 | 10,00 | 50,00 | ja | Spitzenmodell für lange autonome Agenten. Nicht nötig. |
| Anthropic | claude-opus-5-5 | 4,00 | 20,00 | ja | Stark, teurer. Nur bei sehr langen Rezensionen ein Vorteil. |
| Anthropic | claude-sonnet-5-5 | 2,00 | 10,00 | ja | Gute Mitte, zuverlässiges JSON. Vorgabe des Skripts. |
| Anthropic | claude-haiku-5-5 | 0,10 | 0,50 | ja | Bis 100k Tokens je Anfrage; darüber 0,50 / 2,50. Empfohlen für den Start. |
| Anthropic | claude-opus-5, claude-sonnet-5 | 5,00 / 2,00 | 25,00 / 10,00 | nein | Vorgänger, noch verfügbar. Kein Grund gegenüber 5.5. |
| Google Gemini | gemini-3.8-flash | 0,75 | 3,75 | ja | Einführungspreis bis 31.12.2026, danach laut Übersichten doppelt. Gute Mitte. |
| Google Gemini | gemini-3.7-flash, gemini-3.6-flash | 0,75 | 3,75 | nein | Gleicher Preis wie 3.8 Flash; 3.8 ist neuer. |
| Google Gemini | gemini-3.5-flash | 1,50 | 9,00 | nein | Preis in den Übersichten uneinheitlich. Kein Grund gegenüber 3.8. |
| Google Gemini | gemini-3.5-flash-lite | 0,30 | 2,50 | ja | In Ordnung für Stimmung und Themen. |
| Google Gemini | gemini-3-flash | 0,50 | 3,00 | nein | Älter, günstig. Möglich. |
| Google Gemini | gemini-3.1-pro | 2,00 | 12,00 | ja | Bis 200k Tokens; darüber teurer. Nicht nötig. |
| Perplexity | openai/…, anthropic/…, google/…, xai/… | wie Anbieter | wie Anbieter | teils | Agent API reicht an den Modellanbieter weiter, ohne Aufschlag. Im Skript hinterlegt: openai/gpt-5.6-terra, anthropic/claude-sonnet-5-5. |
| Perplexity | perplexity/sonar | 1,00 | 1,00 | ja (0,25 / 2,50) | Dazu Gebühr je Anfrage (5 bis 12 $ je 1000). Das Skript führt noch den alten Preis; selbst eintragen. Websuche wird nicht genutzt. |
| Perplexity | sonar-pro, sonar-reasoning-pro, sonar-deep-research | 3,00 / 2,00 / 2,00 | 15,00 / 8,00 / 8,00 | nein | Für Websuche und Recherche gedacht, hier ohne Nutzen. Chat-Completions-Schnittstelle läuft seit 27.09.2026 aus. |
| xAI | grok-4.7 | 2,00 | 6,00 | ja | Aktuelles Modell; bis 200k Tokens, darüber 4 / 12. In Ordnung. |
| xAI | grok-4.6, grok-4.5 | 2,00 | 6,00 | nein | Vorgänger, gleicher Preis. Kein Grund. |
| xAI | grok-4.3, grok-4.20 | 1,25 | 2,50 | nein | Günstiger; möglich, Preis selbst eintragen. |
| xAI | grok-build-0.1 | 1,00 | 2,00 | nein | Günstigstes xAI-Modell, für Code gedacht. Vorher mit Testdaten prüfen. |
| xAI | grok-4, grok-4-fast, grok-4.1-fast, grok-3 | – | – | nein | Laut Übersichten am 15.05.2026 abgeschaltet. |
Kurz: Für den Start gpt-6-luna oder claude-haiku-5-5 (je 0,10 / 0,50 $). Wer bei Zusammenfassungen mehr Sorgfalt will, nimmt claude-sonnet-5-5 oder gemini-3.8-flash. Spitzenmodelle lohnen sich hier nicht, weil das Programm die Antwort ohnehin prüft und die Zahlen selbst rechnet. Andere Modelle desselben Anbieters funktionieren auch; dann fehlt nur der Listenpreis, den du mit priceInputPerMillion und priceOutputPerMillion selbst einträgst. Die Einschätzung stützt sich auf Preislisten und Modellklasse, nicht auf einen Vergleichstest mit deinen Rezensionen. Preise ohne Gewähr; maßgeblich ist die Rechnung des Anbieters.
Lokal statt Cloud · Ollama, LM Studio u. a.
Mit dem Anbieter local (Vorgabe Ollama, andere Server über url) bleibt alles im Haus: Die Rezensionen gehen nur an 127.0.0.1, also an deinen eigenen Rechner. Es kostet nichts außer Zeit und Arbeitsspeicher. Dafür musst du wissen: Ein Laptop braucht für einen Stapel Minuten statt Sekunden, und kleine Modelle halten das strenge JSON und die Regel „nur wörtliche Zitate“ schlechter ein als die Cloud-Modelle. Die Prüfung im Programm fängt das ab, die Zusammenfassungen werden dann knapper.
Mac und Windows über den Installer von ollama.com, Linux mit einer Zeile. Danach läuft Ollama im Hintergrund. Ein Modell lädst du einmalig, etwa 5 GB.
# Linux curl -fsSL https://ollama.com/install.sh | sh # Modell laden (einmalig), prüfen ollama pull llama3.1:8b ollama list
Ollama startet Modelle mit einem kleinen Fenster (4096 Tokens). Da passt kein Stapel Rezensionen hinein, der Anfang würde stillschweigend abgeschnitten. Einmal setzen, Ollama neu starten.
# Mac launchctl setenv OLLAMA_CONTEXT_LENGTH 16384 # Linux: in der systemd-Unit Environment=OLLAMA_CONTEXT_LENGTH=16384 # Windows: Systemumgebungsvariable
Kein Schlüssel, keine Umgebungsvariable. Für lokale Modelle kleinere Stapel und mehr Zeit je Anfrage; url nur, wenn der Server auf einem anderen Port läuft (LM Studio: 1234, llama.cpp: 8080); label ist ein frei wählbarer Anzeigename, zum Beispiel „LM Studio“. Der frühere Name ollama gilt weiter.
"ai": {
"providers": [
{ "name": "local",
"enabled": true,
"model": "llama3.1:8b" }
],
"maxReviewsPerRequest": 15,
"maxCharsPerRequest": 24000,
"summaryReviews": 40,
"requestTimeoutSeconds": 600
}| Modell | RAM | Einordnung | Für dieses Projekt |
|---|---|---|---|
llama3.1:8b | ab 8 GB | Vorgabe | Empfohlen für den Start. Zuverlässiges JSON, Deutsch ordentlich, läuft auf jedem aktuellen Mac oder Laptop. |
gemma3:12b | ab 12 GB | besseres Deutsch | Gute Wahl mit 16 GB. Sorgfältigere Zusammenfassungen, etwas langsamer. |
qwen3:14b | ab 16 GB | stark, langsam | Stärkste Zusammenfassungen unter den kleinen Modellen. Rechnet lange; für den nächtlichen Tageslauf in Ordnung. |
mistral-small3.2 | ab 16 GB | gute Mitte | Ausgewogen zwischen Tempo und Sorgfalt. |
llama3.2:3b | ab 4 GB | klein, schnell | Für Stimmung und Themen ausreichend; Texte knapper, Zitate öfter unbrauchbar. Für alte oder schwache Rechner. |
Kurz: Mac mit Apple Silicon und 16 GB: gemma3:12b. Alles andere: llama3.1:8b. Jedes Modell, das dein lokaler Server anbietet (bei Ollama jedes mit ollama pull geladene), funktioniert; der Name kommt in "model". Die Einordnung beruht auf Modellklasse und Erfahrung mit strengem JSON, nicht auf einem Vergleichstest mit deinen Rezensionen; gegen eine laufende Ollama- oder LM-Studio-Installation ist der Code noch nicht geprüft. Erlaubt sind nur Adressen auf dem eigenen Rechner (127.0.0.1, localhost) oder https: Ein lokaler Server im Firmennetz unter einer anderen Adresse geht nur verschlüsselt, weil die Rezensionen sonst offen durchs Netz gingen. Die Datenschutzerklärung des Berichts (Abschnitt 4a) nennt für den lokalen Anbieter keinen Empfänger, weil es keinen gibt.