عن المشروع

Poindexter هو خط معالجة محتوى مفتوح المصدر (Apache 2.0, Glad Labs LLC) مصمم ليعمل على جهاز مشغل واحد. وفقاً لملف README، فهو النظام الإنتاجي الذي يشغل gladlabs.io، مع أكثر من 200 منشور مباشر و2,000 عملية تشغيل مسجلة، وهو موجه صراحة للمشغلين المنفردين والناشرين المستقلين بدلاً من فرق التسويق التي تبحث عن تطبيق مستضاف بنقرة واحدة. ما يقوم به خط المعالجة: يكتشف المواضيع المرشحة من HackerNews و Dev.to وخلاصات متخصصة قابلة للتكوين؛ يبحث في كل موضوع عبر البحث في الويب والتحقق من المصادر؛ يكتب مسودات طويلة باستخدام نماذج Ollama المحلية؛ يراجع كل مسودة من خلال نظام QA تنافسي متعدد النماذج؛ يشغل تحققاً ضد الهلوسة فيما يخص الأشخاص والإحصائيات والاقتباسات؛ وينشر العمل النهائي كملفات JSON ثابتة و RSS و JSON Feed 1.1 إلى أي وحدة تخزين متوافقة مع S3. وتضيف مراحل اختيارية صوراً بالذكاء الاصطناعي، ومقاطع صوتية للبودكاست، ومقاطع فيديو قصيرة من نص إلى فيديو. كما يراقب النظام نفسه من خلال لوحات تحكم Grafana و daemon مراقبة، مع تنبيهات عبر Telegram أو Discord. مجموعة النماذج الافتراضية تتكون من أربعة نماذج Ollama: gemma3:27b ككاتب وخيار احتياطي، و phi4:14b كناقد QA تنافسي، و qwen3:8b للمهام السريعة مثل SEO والتوجيه، و nomic-embed-text للتضمينات في pgvector. يشير ملف README إلى أن الناقد يأتي عمداً من عائلة نماذج مختلفة عن الكاتب. يتم تخزين توجيه النماذج (الكاتب، الناقد، البحث، الملخص، المضمن) في قاعدة البيانات ويمكن تغييره أثناء التشغيل؛ ويتم سحب نماذج الرؤية والصوت الإضافية فقط للميزات التي تحتاجها. تتوفر مزودات السحاب (Anthropic, OpenAI, Groq, OpenRouter وغيرها) من خلال إضافة LiteLLM اختيارية محكومة بحارس تكلفة. يؤكد المشروع على مراقبة الجودة كأولوية أساسية. يصف ملف README وجود 15 مسار QA تجمع بين نقاد LLM عبر النماذج، وتقييمات DeepEval و Ragas، ومتحققات حتمية ضد الهلوسة، والتحقق من الاستشهادات مقابل مجموعة البحث، و QA الرؤية على الصور المولدة. كل مسار قابل للتكوين في قاعدة البيانات كاستشاري أو مانع، والعتبات قابلة للضبط أثناء التشغيل، وتحصل المسودات القريبة من القبول على جولة مراجعة واحدة محدودة قبل الرفض. من الناحية المعمارية، يتكون النظام من نواة (kernel) بالإضافة إلى وحدات (modules) وإضافات قدرات (capability plugins). المكونات لا تستورد بعضها البعض؛ حيث يعمل PostgreSQL مع pgvector كناقل مشترك. خط معالجة المحتوى هو LangGraph DAG تصريحي مخزن في قاعدة البيانات (حوالي 47 عقدة) مع نقاط تفتيش Postgres للتشغيل القابل للاستئناف، ويتم إرساله عبر Prefect. يقوم daemon مراقبة مستقل بفحص الخدمات في دورة مدتها 5 دقائق ويعيد تشغيل الإخفاقات حيثما أمكن. تعيش الإعدادات في جدول app_settings (أكثر من 1,700 إعداد) بدلاً من متغيرات البيئة، وهي قابلة للتعديل عبر CLI أو SQL أو REST، وتستخدم المصادقة OAuth 2.1 client credentials مع JWTs محددة النطاق لكل مستهلك. تنظم نقاط التوسعة في 18 مجموعة لنقاط دخول الإضافات — Taps, TopicSources, مزودات LLM/image/TTS/video/audio/caption, PublishAdapters, Probes, Jobs, Stages, Reviewers ووحدات كاملة. الإضافات هي حزم pip عادية تسجل نقاط دخول setuptools، ويذكر ملف README أن أول إضافة إنتاجية هي مزود LiteLLM. يتطلب الإعداد Docker و Ollama و Python 3.13+ ووحدة NVIDIA GPU بذاكرة VRAM سعة 8 جيجابايت أو أكثر (الـ CPU مدعوم ولكنه بطيء)؛ ولا يتم دعم cmd/PowerShell الأصلي في Windows، بل يتطلب Git Bash أو WSL2. تتراوح ملفات تعريف Docker Compose من 4 حاويات للتثبيت الأساسي إلى 45 للحزمة التشغيلية الكاملة. ملف README صريح بشأن الحالة: المشروع في مرحلة alpha، ولا يوجد استضافة مدارة أو وصفة متعددة المستأجرين، ومخطط قاعدة البيانات ليس مستقراً بعد عبر الإصدارات، ونظام الإضافات الخارجية لا يزال في بداياته، وتحويل النص إلى فيديو لا يزال في مرحلة alpha مع حاجة لذاكرة VRAM تصل إلى 28 جيجابايت تقريباً. يذكر المشروع وجود أكثر من 17,000 اختبار وحدة في CI إلى جانب اختبارات الدخان للهجرة وفحوصات تعفن الروابط، وكل عملية دفع (push) تشغل مسحاً للأسرار، ومسحاً لثغرات CVE، وتوليد SBOM. المشروع مرخص تحت Apache 2.0، بعد إعادة ترخيصه من AGPL-3.0.