Logga in Publicera
Contexte Tech blir öppen källkod: en hubb för allt som anpassar en AI-modell
Contexte Techöppen källkod · suveränitet · LLM · MCP

Contexte Tech blir öppen källkod: en hubb för allt som anpassar en AI-modell

Tony, skapare av Contexte Tech · 27 september 2026

I sex månader har jag ägnat en stor del av mina dagar åt att ”anpassa” språkmodeller till konkreta fall: en systemprompt här, tre few-shot-exempel där, en MCP-server så att assistenten kan läsa mina filer, en LoRA-konfiguration när prompten inte räcker längre. Och varje gång samma frustration: byggstenarna ligger utspridda. En prompt i en gist, ett dataset på Hugging Face, en MCP-server i en README, en Claude Code-konfiguration i ett hörn av projektet.

Det är därför Contexte Tech finns: ett enda ställe för allt som anpassar en AI-modell, ordnat, testat och klart att kopiera. Webbplatsen finns på contextetech.com, och koden för den första versionen (v1) är nu fri.

Vad man hittar där

Elva resurstyper, grupperade i tre familjer:

Varje resurs exporteras direkt i målverktygets format: JSONL för ett dataset, SKILL.md för en skill, CLAUDE.md och settings.json för en harness, mcpServers-konfigurationen för en MCP-server.

Två saker var viktiga för mig, eftersom de saknas på andra ställen:

  1. ”Testad på”: varje resurs kan ange vilka modeller den har provats på, med resultatet (godkänd, delvis, underkänd) och ett betyg. En prompt som fungerar på en modell men inte på en annan är vardag; då kan man lika gärna skriva det.
  2. Risknivån för MCP-servrar och harnesses: innan man installerar en server vill man veta om den läser filer, skriver dem, går ut på nätet eller kör kommandon. Resursen visar det tydligt.

Ett konkret exempel

Behovet. Ett litet företag vill låta en LLM sammanfatta sina supportärenden. Problemet: ärendena innehåller namn, telefonnummer, IBAN-nummer. Att skicka dem som de är till en extern tjänst är en läcka av personuppgifter, och ett GDPR-problem.

Svaret på Contexte Tech. I stället för att leta efter tio resurser på tio ställen följer man en enda kedja:

  1. kontexten anonymisation-rgpd ersätter personuppgifterna med etiketter innan något skickas:
Entrée : Bonjour, je suis Marie Dupont, joignable au 06 12 34 56 78.
Sortie : Bonjour, je suis [PRENOM_1] [NOM_1], joignable au [TELEPHONE_1].
  1. utvärderingen eval-anonymisation-rgpd kontrollerar att inga uppgifter slinker igenom, med testfall klara att köra;
  2. om prompten inte räcker längre gör datasetet anonymisation-rgpd-fr och LoRA-konfigurationen mistral7b-anonymisation-qlora det möjligt att träna en liten modell som körs lokalt;
  3. agenten agent-tri-documents och MCP-servern mcp-filesystem automatiserar behandlingen av en hel mapp.

Ett behov, en kedja av resurser som hänger ihop, var och en exporterbar i rätt format.

Under huven

Jag ville ha en enkel och snabb stack som går att drifta helt själv:

Ett suveränt projekt

Contexte Tech är utvecklat och driftat i Europa, utan att vara beroende av de amerikanska molnjättarna:

Enda undantaget, och det är medvetet: koden publiceras som spegel på GitHub och GitLab, eftersom det är där utvecklarna finns. Arbetsversionen lever på vår egen server.

Varför AGPL-3.0

Jag tvekade mellan den och Apache-2.0 (licensen för Hugging Faces bibliotek). Jag valde AGPL-3.0: du får använda och ändra Contexte Tech, under förutsättning att du publicerar dina ändringar om du erbjuder det online. Det är licensen för Mastodon och Plausible, och den garanterar att en öppen hubb förblir öppen.

Resurserna behåller var och en den licens som deras upphovsperson har valt (MIT, CC BY 4.0…).

Var projektet står

Det är början, och jag är hellre ärlig: katalogen startar med en resurs per typ, kring samma konkreta fall (att anonymisera texter enligt GDPR innan de skickas till en extern tjänst). Den behöver framför allt dina resurser, din återkoppling och dina tester.

Har du en prompt som du använder varje dag, en MCP-server som du gillar eller en välinställd Claude Code-konfiguration, så är det här rätt ställe att dela den.