ChatLab: Chatverläufe lokal mit SQL und Agenten auswerten
Lokaler Chat-Verlaufsanalysator mit KI. | KI. Es kombiniert eine flexible SQL-Engine mit KI-Agenten, sodass Sie Muster erkunden, bessere Fragen stellen und Erkenntnisse aus Chat-Daten gewinnen können – alles auf Ihrem eigenen Computer.
Auf einen Blick
- Was ist das?
- ChatLab (v0.37.0, AGPL-3.0) liest Exporte von WhatsApp, Telegram, iMessage und weiteren Messengern lokal ein, normalisiert sie in ein einheitliches Modell und kombiniert SQL-Abfragen mit KI-Agenten. Funktionsweise, CLI-Betrieb, Lizenz und die Alternative DuckDB.
- Für wen ist es gedacht?
- ChatLab passt für Nutzer, die ihre eigenen Messenger-Exporte in einer Umgebung auswerten wollen, in der Rohdaten auf dem Gerät bleiben, etwa für Langzeitstatistiken der eigenen Konversationen. Ungeeignet ist es für Unternehmen, die eine AGPL-freie Einbettung suchen, oder für Auswertungen, die gegen Chatverläufe anderer Personen gerichtet sind.
- Darf ich es kommerziell nutzen?
- Ja, unter strengen Bedingungen. AGPL-3.0 ist eine Lizenz mit Netzwerk-Copyleft: Wenn andere eine veränderte Version über ein Netzwerk nutzen, etwa als gehosteten Dienst, müssen Sie ihnen den Quellcode unter derselben Lizenz anbieten.
- Wird es noch gepflegt?
- Ja. Die letzten Commits kamen vor 3 Tagen.
- In welcher Sprache ist es geschrieben?
- Hauptsächlich TypeScript, laut der Sprachstatistik von GitHub.
Die Antworten beruhen auf den GitHub-Daten des Projekts (zuletzt abgeglichen am 14. September 2026) und auf unserer Analyse. Sie sind keine Rechtsberatung.
TIEFGEHENDE OPEN-SOURCE-ANALYSE
ChatLab v0.37.0: SQL-Engine plus Agent auf dem eigenen Rechner
ChatLab ist eine quelloffene Desktop-Anwendung zum Verstehen sozialer Konversationen. Die Kernidee des Projekts: eine flexible SQL-Engine und KI-Agenten so zu verbinden, dass Muster erkennbar werden und sich Fragen an den eigenen Chatverlauf stellen lassen, und zwar vollständig auf dem eigenen Gerät. Die Beschreibung als Local-first-Chatverlauf-Analysator ist Programm, das README betont, dass Chatdaten und Einstellungen lokal bleiben und kein verpflichtender Cloud-Upload roher Gespräche stattfindet.
Die Repositorien-Zahlen ordnen das Projekt ein: über 7.200 Sterne, knapp 1.500 Forks, TypeScript als Hauptsprache und nur zwölf offene Issues. Die Release-Taktung ist eng, v0.37.0 erschien am 28. August 2026, v0.36.2 am 20. August, v0.36.1 acht Tage zuvor. Diese Dichte zeigt ein Projekt in aktiver Bewegung, mit allen Vor- und Nachteilen einer schnell wandernden Versionsnummer unter 1.0.
Von WhatsApp bis iMessage: Formaterkennung in fünf Stufen
Der Einstiegspunkt sind Chat-Exporte. Derzeit unterstützt das Tool laut README WhatsApp, LINE, QQ, Discord, Instagram, Telegram, iMessage und Google Chat, als nächste Stufen sind Messenger und KakaoTalk angesetzt. Der Datenfluss ist in fünf Phasen gegliedert: Formaterkennung, Stream-Parsing, lokale Persistenz, SQL- und KI-Abfrage, zuletzt Visualisierung. Weil Exportformate je nach Messenger völlig unterschiedlich ausfallen, bildet eine Normalisierungsschicht sie auf ein einheitliches Datenmodell ab, das im Dokument chatlab-format spezifiziert ist.
Für große Verläufe setzt die Anwendung auf Stream-Parsing und Multi-Worker-Verarbeitung, laut README bleiben Import und Analyse auch bei Millionen von Nachrichten reaktionsfähig. Zahlen belegen das nicht, es ist eine Selbstauskunft, aber das Designprinzip Streaming statt Pufferung ist als Architekturregel explizit benannt. Die Visualisierungsseite bündelt Trends, Zeitmuster, Interaktionshäufigkeit und Ranglisten an einem Ort, und ein eigener Export-Leitfaden unter docs.chatlab.fun/usage/how-to-export erklärt, wie man die Daten je Messenger herausbekommt.
clb web, --headless und --daemon: die CLI im Betrieb
Neben der Desktop-App existiert ein CLI-Weg, der Node.js ab Version 20 voraussetzt. Die Installation läuft über npm i chatlab-cli -g, danach steuert der Befehl clb den Betrieb. clb web startet API und Web-UI und öffnet automatisch den Browser, clb web --no-open unterlässt das Aufpoppen des Fensters, und clb web --headless startet nur die API ohne Weboberfläche, ausdrücklich für Skripte und KI-Agenten gedacht.
Die Optionen decken --port mit dem Standardwert 3110, --host und --token ab, also eine Zugriffsbeschränkung per Token. Für dauerhaften Betrieb installiert clb web --daemon den Dienst als Systemservice unter macOS und Linux mit Autostart beim Login und Neustart nach Absturz, clb status prüft den Zustand, clb stop beendet und deinstalliert. Diese Kopflos-Variante ist der interessanteste Modus, weil sie die Analysefunktionalität von der Oberfläche entkoppelt und den Datenbestand programmatisch abfragbar macht. Die vollständige Einführung liegt als Quick-Start-Leitfaden in der Dokumentation.
24+ Werkzeuge per Function Calling, Agent statt festem Modellpfad
Die KI-Funktionen von ChatLab sind als Agent- plus Function-Calling-Workflows aufgebaut, das README zählt mehr als 24 Werkzeuge, die Chatnachrichten mit Kontext durchsuchen, zusammenfassen und analysieren können. Als Architekturprinzip wird Composable Intelligence benannt: KI-Funktionen entstehen durch die Kombination von Agent und Werkzeugen, nicht durch einen fest eincodierten Modellpfad. Der Anwender verbindet also seinen eigenen Modellanbieter, und die Werkzeugschicht bleibt davon unabhängig.
Der praktische Unterschied zu reinen Statistikseiten liegt in der Fragestellung: Statt vorberechneter Diagramme lässt sich die Frage an die Daten stellen, und der Agent wählt Werkzeuge, um sie zu beantworten, von der Summierung über die Suche bis zur Kontextanalyse. Wer keine KI nutzen will, greift auf die SQL-Seite zurück. Beide Wege laufen laut Datenflussdiagramm über denselben lokal persistierten Bestand, was die Ergebnisse zwischen SQL-Abfragen und Agentenantworten vergleichbar hält.
AGPL-3.0 und die PR-Regeln: Issue zuerst, sonst Schluss
Die Lizenz ist AGPL-3.0, eine Copyleft-Lizenz, die beim Betrieb als Netzwerkdienst verlangt, Nutzern den Quellcode der geänderten Variante anzubieten. Für die private Nutzung der Desktop-App ist das folgenlos, für jede serverseitige Auswertung im Unternehmen ist es eine harte Bedingung, die vor der Adoption geprüft gehören will. Das README verweist zusätzlich auf eine Datenschutzerklärung und Nutzervereinbarung in der Datei src/assets/docs/agreement_en.md, die vor der Nutzung zu lesen ist.
Auch die Beitragsregeln sind ungewöhnlich deutlich formuliert. Offensichtliche Fehlerbehebungen dürfen direkt als Pull Request kommen, für neue Funktionen gilt aber: erst ein Issue zur Diskussion, und PRs ohne vorherige Diskussion werden laut README geschlossen. Außerdem soll jeder Pull Request eine Aufgabe abdecken, umfangreiche Änderungen sind zu splitten. Das schützt das schnelle Tempo des Projekts vor zufälligen Erweiterungen. Wer lokal entwickeln will, braucht Node.js zwischen 24 und 25 und pnpm zwischen 11 und 12, startet mit pnpm dev und kann Ziele wie pnpm dev:desktop, pnpm dev:cli-web, pnpm dev:web-wasm oder pnpm dev:serve direkt ansteuern. Bei Electron-Problemen empfiehlt das README electron-fix.
DuckDB als schlanke Alternative ohne Normalisierungsschicht
Die Hauptgrenze von ChatLab ist der Zirkelschluss seiner Bequemlichkeit: Man braucht die Exporte in genau den Formaten, die die Formaterkennung versteht, und akzeptiert die Normalisierung ins chatlab-format als Blackbox zwischen Export und Abfrage. Für plattformübergreifende Langzeitstatistiken ist das ein Gewinn, für einmalige punktuelle Fragen ist es Overhead.
Eine konkrete Alternative ist DuckDB. Die Datenbank verarbeitet CSV- oder JSON-Exporte direkt per SQL auf der Kommandozeile, ohne eigene Anwendung und ohne Normalisierungsvorgabe. Der Unterschied liegt im Arbeitsaufwand: Bei DuckDB schreibt man jede Abfrage selbst und verliert die Aufbereitung der verschiedenen Messengerformate, dafür bleibt nichts verborgen, keine Agentenschicht und kein Datenmodell stehen zwischen Rohdaten und Ergebnis. ChatLab gewinnt, wenn dieselben Verläufe wiederholt und mit Visualisierungen ausgewertet werden sollen, DuckDB gewinnt bei einzelnen spezifischen Fragen, die eine handgeschriebene Abfrage schneller beantwortet als jeder Import. Beide Wege sind lokal, der Datenschutzvorteil bleibt in beiden Fällen erhalten.
Redaktionelles Fazit
ChatLab passt für Nutzer, die ihre eigenen Messenger-Exporte in einer Umgebung auswerten wollen, in der Rohdaten auf dem Gerät bleiben, etwa für Langzeitstatistiken der eigenen Konversationen. Ungeeignet ist es für Unternehmen, die eine AGPL-freie Einbettung suchen, oder für Auswertungen, die gegen Chatverläufe anderer Personen gerichtet sind. Vor dem produktiven Gebrauch sollte man den Export-Leitfaden unter docs.chatlab.fun für den eigenen Messenger durchsehen und mit einem kleinen Testexport die Kette von der Formaterkennung bis zur Visualisierung durchspielen.
Community-Notizen