Open-Source-Tool erstellt Studiennotizen aus Vorlesungs-PDFs mit lokal laufender KI
classnotes-ai wandelt große Vorlesungsfolien automatisch in Lernnotizen um, ohne dass Daten an die Cloud gehen. Das Projekt läuft komplett mit lokal betriebenen Open-Weight-Modellen.
Hacktoberfest Open-Source AI Challenge Woche 2: Side Hustle Einreichung 💸
Dies ist eine Einreichung für die Hacktoberfest Open-Source AI Challenge Woche 2: Side Hustle
Als Studentin bzw. Student kenne ich den Kampf, mit riesigen Präsentationen konfrontiert zu werden (freilich im Google Classroom) und diese innerhalb weniger Tage komplett durchlesen zu sollen (wir wissen alle, dass das echte Lernen erst wenige Tage vor der Prüfung beginnt). Zwar können wir Notizen mit Claude, ChatGPT und ähnlichen Tools generieren, doch deren Token-Limits werden bei großen PPTs/PDFs schnell zum Problem. Deshalb habe ich classnotes-ai entwickelt, eine einfache Webseite, die Qwen3:4b lokal auf deinem Computer ausführt und kostenlos Notizen aus PDFs erstellt. (Foliensätze zuvor als PDF exportieren.) Bei längeren Vorlesungen kann es etwas langsam werden, doch dieser Preis ist es wert im Vergleich zum Umgang mit Token-Limits und zum Wechseln zwischen verschiedenen LLM-Konten oder dazu, die PPT/das PDF (oder, schlimmer noch, das echte Buch) selbst zu lesen.
Es könnte zudem als kostenloser Lernhilfedienst für Kommilitonen dienen oder, mit einem kleinen gehosteten Proxy, als bezahltes Tool für Studierende, die keine KI-Abos abschließen möchten.
https://bespoke-crisp-a720c5.netlify.app/
Benötigt wird eine lokal laufende Ollama-Installation mit ollama pull qwen3:4b. Damit die Webseite mit Ollama kommunizieren kann, starte es mit: OLLAMA_ORIGINS="https://bespoke-crisp-a720c5.netlify.app" ollama serve
https://github.com/DRmadebot/Projects/tree/main/classnotes-ai
Ich habe classnotes-ai um lokale KI-Inferenz herum aufgebaut statt um eine gehostete Modell-API.
Das Projekt nutzt Ollama für die lokale Modellausführung, und Qwen3:4b ist das Modell, mit dem ich gerade experimentiere.
Eine der Herausforderungen besteht darin, lange Dokumente zu verarbeiten, ohne den verfügbaren Systemspeicher zu überlasten oder die Anwendung quälend langsam zu machen. Lokale Inferenz macht Ressourcenmanagement zu einem zentralen Bestandteil der Entwicklungsarbeit, nicht nur zu einer nachträglichen Überlegung.
Offene Innovation ist das, was dieses Projekt überhaupt möglich macht.
Ich kann mit Open-Weight-Modellen und lokaler Inferenz experimentieren, ohne für jede API-Anfrage zu zahlen oder ein teures KI-Backend aufzubauen.
Es gibt den Nutzern außerdem mehr Kontrolle über ihre Daten. Mit einer korrekt konfigurierten lokalen Umgebung können Vorlesungsmaterialien auf dem eigenen Rechner verarbeitet werden, statt an einen Drittanbieter für KI geschickt zu werden.
Für Studierende, die ein Projekt mit begrenztem Budget umsetzen, macht das einen echten Unterschied.
Noch wichtiger ist, dass ich mich auf das eigentliche Problem konzentrieren kann: ein nützliches Lernwerkzeug auf Basis bestehender KI-Fähigkeiten zu entwickeln, statt das Modell selbst neu zu erfinden.
Offene Modelle machen Experimentieren zugänglich, während Tools wie Ollama die Ausführung dieser Modelle für Entwickler deutlich einfacher machen.
Danke, dass du dir mein Projekt angesehen hast! Wenn du es ausprobierst, freue ich mich über dein Feedback.
Automatisch übersetzt. Das Original auf Englisch ist unten aufklappbar.
Original (Englisch) anzeigen
Hacktoberfest Open-Source AI Challenge Week 2: Side Hustle Submission 💸
This is a submission for the Hacktoberfest Open-Source AI Challenge Week 2: Side Hustle
As a college student, I know the struggle of having huge PPTs thrown at your face (your google classroom face of course) and being expected to read through all of it in a few days (we all know real study begins only a few days before the exam). Yes, we can generate notes using Claude, ChatGPT, etc., but their token limits can be a big problem when it comes to large PPTs/PDFs. Thus, I made classnotes-ai, a simple webpage that runs Qwen3:4b locally on your computer and generates notes from PDFs for free. (Export your slides to PDF first.) It can be a little slow for longer lectures, but that cost is worth it compared to dealing with token limits and account switching with various LLMs, or reading the PPT/PDF (and god forbid reading the actual book) yourself.
It could also work as a free study-aid service for classmates, or, with a small hosted proxy, a paid tool for students who don't want AI subscriptions.
https://bespoke-crisp-a720c5.netlify.app/
Requires Ollama running locally with ollama pull qwen3:4b. To let the page talk to Ollama, start it with: OLLAMA_ORIGINS="https://bespoke-crisp-a720c5.netlify.app" ollama serve
https://github.com/DRmadebot/Projects/tree/main/classnotes-ai
I built classnotes-ai around local AI inference rather than a hosted model API.
The project uses Ollama for local model inference and Qwen3:4b as the model I'm experimenting with.
One of the challenges is handling long documents without overwhelming the available system memory or making the application painfully slow. Local inference makes resource management an important part of the engineering, not just an afterthought.
Open innovation is what makes this project possible.
I can experiment with open-weight models and local inference without needing to pay for every API request or build an expensive AI backend.
It also gives users more control over their data. With a properly configured local setup, lecture material can be processed on the user's own machine instead of being sent to a third-party AI provider.
For a student building a project on a limited budget, this makes a real difference.
More importantly, it lets me focus on the actual problem: building a useful study tool around existing AI capabilities rather than reinventing the model itself.
Open models make experimentation accessible, while tools like Ollama make running those models much easier for developers.
Thanks for checking out my project! If you try it, I'd love to hear your feedback.