Horizon auf GitHub Trending: Ein quelloffenes KI-Nachrichtenradar im Check

Wer in den vergangenen Tagen auf GitHub Trending (öffnet in neuem Tab) vorbeigeschaut hat, ist vermutlich über ein Projekt namens Horizon gestolpert. Laut der Statistikseite Trendshift (öffnet in neuem Tab) gewann das Repository des Entwicklers Thysrael am 2. November 2026 an einem einzigen Tag 812 neue Sterne und 81 neue Forks – der stärkste Tagessprung, den die Statistik seit dem Start des Projekts vor neun Monaten verzeichnet. Am selben Tag erreichte Horizon laut Trendshift Platz 20 der Top 25 aller Programmiersprachen und Platz 6 unter den Python-Projekten. Zum Zeitpunkt dieser Recherche stand das Repository bei rund 12.600 Sternen, 2.000 Forks und 28 Mitwirkenden.

Was macht ein Werkzeug interessant, dessen Zielgruppe nicht in erster Linie Entscheider im Mittelstand ist, sondern Entwicklerinnen und Entwickler, die selbst Automatisierung bauen? Ein Blick lohnt sich trotzdem – nicht weil ein Mittelständler aktiv danach sucht, sondern weil das Projekt zeigt, wie sich ein alltägliches Problem (zu viele Informationsquellen, zu wenig Zeit) mit einer KI-gestützten Pipeline lösen lässt, die sich auch auf andere Automatisierungsaufgaben übertragen lässt.

Was Horizon tatsächlich macht

Horizon ist laut der Projektbeschreibung auf GitHub (öffnet in neuem Tab) ein persönliches, KI-gestütztes Nachrichtenradar: Es sammelt Beiträge aus mehreren Quellen, lässt ein Sprachmodell sie bewerten und aussortieren, entfernt Dubletten und erzeugt daraus ein tägliches Briefing auf Englisch und Chinesisch. Der Anspruch im Projekt-Untertitel bringt es auf den Punkt: „Enjoy the News itself. Leave others to Horizon" – das eigentliche Lesen bleibt beim Menschen, das Sortieren übernimmt die Software.

Laut README (öffnet in neuem Tab) unterstützt Horizon als Quellen Hacker News, RSS- und Atom-Feeds, Reddit, Telegram, X (vormals Twitter), GitHub-Ereignisse und -Releases, das Finanzdaten-Projekt OpenBB, die Trending-Repository-Sammlung OSS Insight, die Nachrichtendatenbank GDELT sowie Google News. Bei Hacker News, Reddit und X werden zusätzlich die relevantesten Kommentare beziehungsweise Antworten mit eingesammelt.

Das zentrale Konzept des Projekts sind sogenannte Profile: wiederverwendbare Regelsätze, die festlegen, was aus einer Quelle überhaupt in die Vorauswahl kommt, wie es bewertet wird und in welcher Form es am Ende im Briefing erscheint. Die Standard-Profile unterscheiden laut README zwischen allgemeinen Tech-News (Ereignis und Einordnung), technischen Deep-Dives (Hintergrund, Lösung, praktische Erkenntnisse) und Material für KI-Content-Ersteller (Zusammenfassung mit Aufhängern). Jede Quelle kann einem festen Profil zugeordnet werden oder die Zuordnung der KI überlassen.

Wie die Bewertung im Detail funktioniert

Laut der Dokumentation zum Scoring-System (öffnet in neuem Tab) bewertet Horizon jeden gesammelten Beitrag mit einer Punktzahl zwischen 0 und 10, abhängig von der Bewertungsrubrik des zugeordneten Profils. Beim mitgelieferten Profil „tech-news" sieht diese Skala fünf Stufen vor: 9 bis 10 Punkte für Durchbrüche und große Versionssprünge, 7 bis 8 Punkte für wichtige Entwicklungen und fundierte Analysen, 5 bis 6 Punkte für interessante, aber nicht dringende Inhalte, 3 bis 4 Punkte für Routine-Updates und 0 bis 2 Punkte für Werbung oder Off-Topic-Material. Erst Beiträge, die eine im Profil konfigurierte Schwelle erreichen, schaffen es überhaupt in die engere Auswahl – darunter liegende Beiträge werden zwar analysiert, aber nicht ins Briefing übernommen. Schlägt die KI-Bewertung technisch fehl, unternimmt Horizon laut Dokumentation einen automatischen Reparaturversuch, bevor der Beitrag mit einer leeren Bewertung gespeichert wird.

Wie die Pipeline aufgebaut ist

Laut der Architekturbeschreibung im README durchläuft jeder gesammelte Beitrag mehrere Stufen: Zunächst wird er einem Profil zugeordnet, dann folgen Analyse, Bewertung nach einer im Profil hinterlegten Rubrik und Deduplizierung – erst danach wird er angereichert, etwa um recherchierten Hintergrund oder eine Zusammenfassung der Community-Diskussion. Am Ende dieser Kette steht ein nach Profilen gruppiertes Briefing.

Technisch ist Horizon laut GitHub zu 99,7 Prozent in Python geschrieben und nutzt den Paketmanager uv. Bei der Wahl des KI-Anbieters zeigt sich das Projekt bewusst neutral: Die README listet Unterstützung für Modelle von Anthropic (Claude), OpenAI (GPT), Google (Gemini), DeepSeek, Doubao, MiniMax sowie lokal betriebene Modelle über Ollama – Nutzer binden über eine Umgebungsvariable einfach ihren eigenen API-Schlüssel ein, ohne an einen bestimmten Anbieter gebunden zu sein. Eigene ChatGPT-Abonnenten können sich laut Dokumentation auch direkt über eine OAuth-Anmeldung einloggen, ohne separaten API-Schlüssel.

Für die Zustellung des fertigen Briefings nennt das README fünf Wege: eine automatisch aktualisierte GitHub-Pages-Website, E-Mail-Versand inklusive An- und Abmeldeverwaltung über SMTP/IMAP, Webhook-Benachrichtigungen an Feishu, DingTalk, Slack, Discord oder beliebige eigene Endpunkte, sowie eine WeChat-Anbindung. Wer die Pipeline nicht per Kommandozeile starten will, kann sie laut Dokumentation auch über ein MCP-Interface (Model Context Protocol) direkt aus einem KI-Assistenten heraus steuern.

Lizenz und Betrieb

Der Quellcode steht laut Lizenzangabe im Repository (öffnet in neuem Tab) unter der MIT-Lizenz – damit unterliegt die Nutzung deutlich weniger Auflagen als bei Copyleft-Lizenzen wie der AGPL-3.0, die etwa das ebenfalls quelloffene Social-Media-Tool Postiz verwendet. Eine eigene modifizierte Version von Horizon öffentlich zu betreiben verpflichtet nicht dazu, den eigenen Quellcode offenzulegen.

Der Betrieb selbst erfordert laut Dokumentation (öffnet in neuem Tab) Python 3.11 oder neuer, einen eigenen API-Schlüssel für das gewählte KI-Modell und – je nach gewünschten Quellen – zusätzliche optionale Abhängigkeiten, etwa für die Finanzdaten-Anbindung über OpenBB oder für die Twitter-Quelle, die laut README einen Playwright-Browser samt Systempaketen benötigt, die das mitgelieferte Docker-Setup derzeit nicht automatisch installiert. Neben der lokalen Installation mit uv oder pip steht laut README auch ein Docker-Compose-Setup zur Verfügung. Eine Automatisierung über GitHub Actions ist als deaktivierte Vorlage im Repository hinterlegt und muss für den eigenen Einsatz erst aktiviert werden.

Aktiv gepflegt, nicht nur gehyped

Ein einzelner Tag mit starkem Stern-Zuwachs sagt wenig über die langfristige Qualität eines Projekts aus – entscheidend ist, ob tatsächlich weiterentwickelt wird. Bei Horizon spricht die Commit-Historie dafür: Laut GitHub lag der letzte Commit im Hauptzweig zum Zeitpunkt dieser Recherche nur einen Tag zurück, und laut Trendshift (öffnet in neuem Tab) wurden allein zwischen dem 2. und 5. November 2026 mehr als 1.500 neue Sterne, über 160 neue Forks und mehrere zusammengeführte Pull Requests verzeichnet. Das Projekt ist laut README als Freizeitprojekt gekennzeichnet, wird aber von mittlerweile 28 Mitwirkenden getragen und listet im Status-Abschnitt konkrete geplante Erweiterungen: weitere Quellentypen wie Discord, offizielle GitHub-Releases und eine Veröffentlichung als installierbares PyPI-Paket.

Für wen sich ein Blick lohnt

Horizon richtet sich nicht an Geschäftsführer, die eine fertige Software für die Marktbeobachtung suchen, sondern an technisch versierte Teams, die bereit sind, eine Konfigurationsdatei zu pflegen, einen eigenen KI-Anbieter anzubinden und das Projekt selbst zu betreiben. Wer intern bereits mit Automatisierungswerkzeugen wie n8n oder eigenen Python-Skripten arbeitet, findet in Horizon ein instruktives Beispiel dafür, wie sich eine mehrstufige KI-Pipeline – Sammeln, Bewerten, Deduplizieren, Anreichern, Ausliefern – robust und quelloffen umsetzen lässt. Für Unternehmen, die unternehmensinterne Informationsflüsse (etwa Wettbewerbsbeobachtung, Branchen-News oder technische Release-Überwachung) ähnlich automatisieren wollen, liefert die Architektur von Horizon einen konkreten Referenzpunkt – unabhängig davon, ob am Ende Horizon selbst oder eine eigene Lösung nach demselben Muster zum Einsatz kommt.

Bemerkenswert ist außerdem, wie das Projekt selbst auf KI-Assistenten setzt, statt nur KI-Inhalte zu verarbeiten: Laut Agent-Skill-Dokumentation (öffnet in neuem Tab) lässt sich Horizon über eine mitgelieferte „Skill"-Definition direkt von Assistenten wie Claude Code, Codex oder OpenCode installieren, konfigurieren und erweitern lassen – inklusive eigener Testszenarien, mit denen sich prüfen lässt, ob der Assistent die richtigen Schritte ausführt. Für ein Entwicklerteam, das ohnehin mit KI-Coding-Assistenten arbeitet, verkürzt das den Weg von der Idee („ich will ein tägliches Briefing zu Thema X") zur laufenden Automatisierung erheblich, weil nicht jede Konfigurationsoption manuell nachgelesen werden muss.

Ein Wermutstropfen bleibt: Horizon ist, wie im README offen vermerkt, ein in der Freizeit gepflegtes Projekt ohne kommerziellen Support. Wer es produktiv für geschäftskritische Informationsflüsse einsetzen will, sollte das bei der Risikoabwägung berücksichtigen – ein Ausfall der Zustellung oder eine Änderung an der Konfigurationsstruktur zwischen zwei Versionen ist bei einem Ein-Personen-Kernprojekt mit Freizeitstatus wahrscheinlicher als bei kommerziell gepflegter Software. Für eine interne Testinstallation oder als Inspiration für eine eigene, schlankere Lösung ist das kein Hindernis; für eine unternehmensweite Pflichtanwendung sollte der Punkt vorab geklärt sein.