Algorithmic Activism

Live-Reader: https://huepfer13.github.io/algorithmic-activism/ · Dataset: https://huggingface.co/datasets/hardtoneselector/algorithmic-activism-corpus

Ein modulares, autonomes und sich selbst verifizierendes System zur kontinuierlichen Synthese ethischer Narrative auf Basis der Allgemeinen Erklärung der Menschenrechte (UDHR).

Kernprinzipien

• Zero-Dependency Core: Ausführbar mit reinem Python 3.10+ ohne zwingende Drittbibliotheken.
• Kanonischer Korpus (articles/): Vollständige Entkopplung der UN-Originaltexte mit Provenienz-Metadaten und Revisionssicherheit (sync_udhr.py).
• Harm Reduction Guardrail: Organische Verankerung des Schutzes vor tödlichen Gefahrenquellen (Zero-Home-Storage) ohne wörtliche Floskeln oder aufgesetzte Moralschlüsse.
• Autonomer Daemon: Kontinuierliche Synthese mit dynamischer CPU-Lastüberwachung (check_system_load) und Cooldown-Schutz.
• MCP-Orchestrierung: Integrierter Zero-Dependency JSON-RPC MCP Server (mcp_server.py) zur Prozesssteuerung und Korpusanalyse durch autonome Agenten.

---

Für AI-Forscher, Entwickler & Compute-Sponsoren

Dieses Repository generiert einen qualitativ kuratierten, synthetischen Datensatz für Alignment, Constitutional AI und Fine-Tuning:

• Ethisches Grounding: Jedes Narrativ ist strikt an einen kanonischen UN-Artikel gekoppelt und durchläuft ein harm-reduction Audit.

• Provenienz je Dokument: striktes YAML-Frontmatter mit article, style, language, model, created_at, approx_words und guardrail_audit (passed/status) — maschinell filterbar.

• DPO / RLHF: abgelehnte Texte wandern nach quarantine/ statt in den Korpus (chosen = guardrail_audit.passed: true, rejected = Quarantäne-Eintrag). Ehrlich dazu: der Rejected-Ast ist implementiert, aber derzeit leer (0 verworfene Texte) — es werden hier keine Präferenzpaare behauptet, die es noch nicht gibt. Mit dem Harm-Reduction-Audit als heuristischem Filter ist das ein wachsender, kein fertiger Bestand.

• Dataset Export: Export in standardisiertes JSONL (Alpaca / Hugging-Face-Format) ohne Abhängigkeiten:

  python3 export_dataset.py        # schreibt dataset.jsonl (ein JSON-Objekt pro Zeile)

  Felder je Zeile: instruction, input (Artikel-ID), output (Erzähltext), meta (vollständiges Frontmatter).

• Snapshot im Repo: datasets/ enthält datierte Exporte (z. B. datasets/corpus-2026-10-09.jsonl) für alle, die keinen laufenden Daemon haben.

• Lizenzierung: Code unter MIT (siehe LICENSE), die generierten Texte und der Korpus unter CC-BY 4.0 (siehe datasets/LICENSE) - Namensnennung genuegt, kommerzielle Nutzung (auch Modelltraining/Fine-Tuning) ausdruecklich erlaubt.

🤝 Call for Compute & Sponsorship

Um den Korpus über alle 30 UN-Artikel, mehrere Sprachräume und Erzählstile hinweg im größeren Maßstab zu synthetisieren, sind Rechenzeit- und API-Beiträge willkommen:

• Lokale / dezentrale Nodes: Betreiber von vLLM- oder Ollama-Endpunkten.
• Cloud Grants / Tokens: Inferenz-Kapazitäten (Gemini, Claude, OpenAI oder Open-Weight-Inferenz).
• Kontakt: Issues oder PRs im Repository.

---

Architektur

├── articles/             # Kanonischer Korpus nach UN OHCHR (DE / EN)
├── backends/             # Plugin-System (offline, ollama, gemini)
├── locales/              # Sprach- & Stil-Definitionen (DE, EN)
├── menschenrechte_tales/ # Validierte Narrative mit YAML-Frontmatter
├── menschenrechte_books/ # Fortlaufende Bände (book.json + Kapitel)
├── quarantine/           # Durch Audit abgelehnte Texte (DPO-Basis)
├── datasets/             # Datierte dataset.jsonl-Snapshots
├── config.py             # Zero-Dependency .env Loader & Setter
├── generate_pipeline.py  # Haupt-Pipeline mit Daemon, Lastwächter & Audit
├── export_dataset.py     # JSONL-Dataset Exporter
├── scripts/              # sync_corpus.sh (kontrollierter Batch-Push), build_books_index.py (Index/API)
├── mcp_server.py         # Zero-Dependency MCP Server für Agenten
└── sync_udhr.py          # Validierungs- & Verifikationstool

Nutzung (CLI)

1. Kanonischen Korpus prüfen

   python3 sync_udhr.py

2. Gezielte oder zufällige Generierung

   # Zufällige Kombination aus Artikel und Stil
   python3 generate_pipeline.py --backend ollama --random --limit 1 --lang DE
   
   # Spezifischer Artikel und Stil
   python3 generate_pipeline.py --backend ollama --article art_12 --style Cyberpunk_Noir --lang DE

3. Autonomer Daemon (Hintergrunddienst mit Lastwächter)

   nohup python3 -u generate_pipeline.py \
     --backend ollama \
     --random \
     --daemon \
     --cooldown 8 \
     --lang DE > daemon.log 2>&1 &

Bücher & Bände (serielle Pipeline)

Neben den Einzelgeschichten erzeugt die Pipeline fortlaufende Bände: ein Prolog friert Setting, Figuren und Perspektive in book.json ein, jedes weitere Kapitel verhandelt einen noch unbehandelten Artikel der UDHR im selben Rahmen — angeschlossen an das Vorgängerkapitel (Markov-Kette über Volltexte, kein Summarizing-Zwischenschritt).

# Band anlegen (Prolog + book.json)
python3 generate_pipeline.py --mode new-book --lang DE --book-style Gerätehandbuch

# Nächstes Kapitel anhängen (ohne --book-id: jüngstes Buch nach mtime)
python3 generate_pipeline.py --mode append-chapter --lang DE
python3 generate_pipeline.py --mode append-chapter --lang DE --book-id buch_001_das_büro_der_unendlichkeit

Mechanische Endschranke (audit_manual_ending): Der Schlussabsatz muss einen harten Marker (Fehlercode, Wartung, Intervall, Diagnose, Prüfung, Protokoll, Abschnitt) oder einen Sicherheitsblock ([GEFAHR] / [WARNUNG] / [HINWEIS]) tragen; wörtliche Rede und Emotionsverben sind ausgeschlossen. Es gibt bis zu drei Versuche, danach wird das Kapitel mit Vermerk geschrieben (kein stiller Durchlauf, kein Totalverlust). Jedes Kapitel trägt im Frontmatter manual_ending_ok, manual_ending_attempts und manual_ending_note; die CLI beendet einen Fallback mit Exit-Code 2 (Exit 1 = Abbruch ohne Datei).

Index & Entwickler-Endpunkte (deterministisch, atomar geschrieben):

python3 scripts/build_books_index.py

Datei	Inhalt
web/books.json	Katalog aller Bände: Metadaten, Kapitel-Inhaltsverzeichnis, Wortzahlen, verhandelte Artikel, Audit-Flags
web/api/random.json	Beispielkapitel im Volltext — statisch: GitHub Pages würfelt nicht pro Anfrage
web/api/ipsum.json	Platzhaltertext aus dem Korpus für Layout-/Testzwecke

Der Reader (web/index.html) hat dafür den Tab [ Geschichten ] | [ Bücher & Bände ] mit Kachel-Ansicht (Genre-Badge, Fortschritt „n von 30 Artikeln verhandelt"), Inhaltsverzeichnis, Kapitel-Navigation und Feedback-Leiste am Kapitelende: ▲/▼ werden nur lokal im Browser gespeichert, 🚩 Melden öffnet ein vorausgefülltes GitHub-Issue mit Buch, Kapitelpfad und Audit-Status.

MCP-Integration (Agenten)

Der Server implementiert die JSON-RPC 2.0 MCP-Spezifikation rein über die Standardbibliothek (kein pip, kein venv erforderlich) mit den Werkzeugen daemon_status, daemon_start, daemon_stop, get_corpus_stats, read_latest_tale, get_config_overview, set_config_value.

{
  "mcpServers": {
    "algorithmic-activism": {
      "command": "python3",
      "args": ["/path/to/algorithmic-activism/mcp_server.py"]
    }
  }
}