Projekte

AI Engineering, KI-Architektur und Integration mit belastbarem Engineering-Fokus

Problem

Unternehmenswissen liegt oft in verstreuten lokalen Dokumenten, Statusdaten und Entscheidungen. KI-Antworten sind nur brauchbar, wenn Suchraum, Quellen, Rechte und Belegstatus stimmen.

Lösung

BetriebsGehirn baut zuerst die Wissensinfrastruktur: lokale Quellenverwaltung, Parser, Chunking, Embeddings, Vector Index, Quellenstatus, DocumentStore und getrennte Setup-/Health-Zustände.

Ergebnis

Ein RAG-naher Arbeitsstand, der Antwortqualitaet, Quellenvertrauen und ehrliche Nicht-Antworten als Produktkern behandelt.

Technische Details und Entscheidungen

Technische Architektur

Next.js-App mit modularen Core-/Module-/Adapter-Schichten, lokalen JSON Stores, persistentem Vector Index, optionalem LLM-Provider und API-Endpunkten für Knowledge, Sources, Documents, Setup und Health.

Engineering-Entscheidungen

Wissensinfrastruktur vor Chat-Oberfläche
Quellenstatus, Source Scope und Evidenzbewertung als Architekturthema
Adapter statt fest verdrahteter Provider, Datenbanken oder Parser

Demonstriert

RAG-Architektur, lokale Wissensverarbeitung, Retrieval-Qualität, Quellenbindung und realistische KI-Grenzen.

Status

Lokales Entwicklungsprojekt; kein fertiges KMU-Produkt und kein Kundendatenbetrieb.

Next.js 16TypeScriptRAGEmbeddingsVector IndexLocal LLMAdapters

Case Note lesen →

Problem

Selbstverwaltete WEGs mit 3–20 Einheiten organisieren sich über E-Mail-Ketten, Excel-Listen und Papier-Protokolle. Gleichzeitig verlangt das WEG-Recht (§24, §25, §28) korrekte, dauerhaft nachvollziehbare Beschlüsse, Abstimmungen und Forderungen.

Lösung

Eine mandantenfähige Plattform als modularer Monolith: Next.js-16-Web-App und FastAPI-Agent-Service sprechen beide mit dem User-JWT gegen Supabase Postgres. Sicherheits- und Rechtsregeln leben als Datenbank-Verträge: RLS-Mandanten-Isolation, append-only Beschluss-Sammlung, HMAC-verkettetes Audit-Log und Trigger-Guardrails, die direkte Agent-Writes auf rechtlich bindende Daten blockieren.

Ergebnis

Ein belegter Arbeitsstand mit Web-App, Agent-Service und 59 dokumentierten Migrationen; Kernregeln sind als pgTAP-getestete DB-Verträge abgesichert, der Projektstand wird maschinell auf Frische geprüft.

Technische Details und Entscheidungen

Technische Architektur

Modularer Monolith mit zwei Deployments: Next.js 16 (Server Components, Server Actions) und FastAPI mit LangGraph-State-Machines; Supabase Postgres mit RLS, Auth, Storage und Vault in Frankfurt; Typsicherheit über Servicegrenzen per OpenAPI-Codegen.

Engineering-Entscheidungen

Security als Datenbank-Vertrag: RLS, Trigger-Guards und Least Privilege statt App-Versprechen
KI nur als Vorschlag: DB-Trigger blockieren Agent-Writes auf Stimmen, Beschlüsse und Protokolle
Immutabilität statt Rückrechnung: append-only Audit-Kette und versionierte, materialisierte Sollstellungen

Demonstriert

Multi-Tenant-Architektur, Datenbank-Security (RLS, pgTAP), KI-Guardrails mit Human-in-the-loop und domänengetriebene Schema-Entscheidungen entlang des WEG-Rechts.

Status

Lokales Entwicklungsprojekt mit Supabase-Cloud-Anbindung; kein Hosting, kein Billing, kein Kundenbetrieb.

Next.js 16FastAPILangGraphSupabasePostgres RLSpgTAPTypeScriptPython

Tech Deep-Dive ansehen →

Problem

Logopädische Dokumentation ist fachlich anspruchsvoll und zeitintensiv. Strukturierte Berichte sind Pflicht, aber das manuelle Verfassen verbraucht Zeit, die in der Therapie fehlt.

Lösung

Der Prototyp kombiniert Transkription, strukturierte Extraktion und validierte Berichtserstellung. Fokus: nachvollziehbare Berichtsentwürfe, klare Nutzerführung, robuste Datenstrukturierung und fachlich verwertbare Outputs.

Ergebnis

Ein nachvollziehbarer KI-Workflow, der unstrukturierte Spracheingaben in fachlich strukturierte, validierbare Berichtsentwürfe überführt.

Technische Details und Entscheidungen

Technische Architektur

Audio-Upload im Frontend, FastAPI-Pipeline für Transkription und Berichtserstellung, Pydantic-Modelle für validierte strukturierte Outputs.

Engineering-Entscheidungen

Strukturierte Ausgabe vor Freitext, damit Fachanwender Berichtsentwürfe prüfen und überarbeiten können
Klare Trennung zwischen KI-Vorschlag und fachlicher Kontrolle
Kompakter Prototyp statt überdimensionierter Plattformlogik

Demonstriert

Transkription, strukturierte Extraktion, validierte Berichtserstellung und fachlich nachvollziehbare Nutzerführung.

Status

Prototyp / Portfolio-Projekt; keine produktive Gesundheitsdaten-Verarbeitung.

WhisperFastAPIPythonLangChain/LangGraphPydanticStructured OutputsRAG

Demo ansehen →

Problem

Ein Portfolio-Backend mit KI-Funktionen soll auch dann verfügbar bleiben, wenn ein Anbieter Quota-Limits erreicht oder zeitweise ausfällt.

Lösung

FastAPI mit LangChain Multi-Fallback: Google Gemini, OpenAI und Groq werden je nach Funktion und Verfügbarkeit genutzt. Ziel ist die zuverlässige Weiterverarbeitung von LLM-Ergebnissen über validierte, typisierte Datenstrukturen (Pydantic Structured Output) für die Demo-Endpunkte.

Ergebnis

CV-Assistent, Vision-Analyse, Sentiment-Analyse und Agent-Chat live unter sinanucar.com — mit resilientem Betrieb auch bei Provider-Ausfällen.

Technische Details und Entscheidungen

Technische Architektur

Astro-Frontend mit FastAPI-Backend, vier Demo-Endpunkte, getrennte Fallback-Ketten für Text und Vision, Pydantic-Modelle für strukturierte Antworten.

Engineering-Entscheidungen

Text- und Vision-Fallbacks getrennt modellieren
Keine manuelle JSON-Auswertung, sondern Pydantic Structured Output
Portfolio-Demo mit klar begrenzten Eingaben und ohne dauerhafte Chatverlauf-Speicherung

Demonstriert

Kontrollierte Agenteninteraktion, strukturierte Textklassifikation, multimodale Analyse und robuster Provider-Fallback.

Status

Live-Beleg für kontrollierte KI-Integration auf sinanucar.com.

FastAPILangChainPydanticAstroTailwind CSSRender

KI-Integration ansehen →

Problem

KI-Coding-Tools erzeugen schnell Output, verlieren aber ohne gemeinsame Projektwahrheit, Handoffs und Review-Gates den roten Faden.

Lösung

CoWork-OS organisiert agentische Softwareentwicklung als lokale Markdown-Control-Plane mit Rollen, Workflows, Regeln, Adapterdenken, Memory, Projektakten und Review-Stopps.

Ergebnis

Ein strukturierter Arbeitsmodus, der KI-Werkzeuge nicht als Magie behandelt, sondern in nachvollziehbare Softwareentwicklung einbettet.

Technische Details und Entscheidungen

Technische Architektur

Git-versionierte Markdown-Struktur mit AGENTS-Regeln, Workflows, Memory, Reviews, Projektakten, Public/Private Boundary und tool-agnostischen Adaptern.

Engineering-Entscheidungen

Repository-Dateien statt flüchtiger Chat-Historie als Projektwahrheit
Kontrollierte Autonomie mit klaren Freigabe- und Review-Grenzen
Tool- und modellagnostische Struktur statt Bindung an ein KI-Werkzeug

Demonstriert

Agentic Development, Multi-Agenten-Handoffs, Review-Gates, Projektgovernance und KI-gestützte Arbeitsorganisation.

Status

Lokales Control-Plane-/Workflow-System; keine vollautomatische Unternehmensplattform.

MarkdownGitCodexClaude CodeGeminiAgentic Workflows

Problem

Ausgehend von einem kollaborativen Plattformkonzept für Kreativ- und Filmprojekte: Wie lassen sich Authentifizierung, Datenmodellierung, kollaborative Produktlogik und KI-Funktionen so verbinden, dass LLM-Ausgaben nachvollziehbar in reale Anwendungsprozesse einfließen?

Lösung

RealizeTogether dient als Testbed für KI-Integration: Authentifizierung, Datenmodell, FastAPI-Backend, Supabase, LangChain und Pydantic Structured Outputs. Das Projekt demonstriert validierte KI-Ausgaben, Workflow-Integration, Rollen-/Datenlogik und sichere Erweiterbarkeit.

Ergebnis

Laufende R&D-/MVP-Plattform mit Authentifizierung, Datenschicht und KI-Pipeline — Grundlage für die Erprobung von KI-Integration in Produktworkflows.

Technische Details und Entscheidungen

Technische Architektur

Next.js-Frontend, Supabase für Authentifizierung und Datenhaltung, FastAPI als AI-Backend, LangChain und Pydantic für validierte LLM-Ausgaben.

Engineering-Entscheidungen

AI-Komplexität im Backend isolieren
Rollen- und Datenlogik nicht dem LLM überlassen
Validierte Outputs als Schnittstelle zwischen LLM und Produktworkflow

Demonstriert

Workflow-Integration, Auth-/Datenmodell, sichere Erweiterbarkeit und strukturierte KI-Ausgaben.

Status

In Entwicklung; R&D/MVP, kein fertiges Enterprise-Produkt.

Next.js 16SupabaseFastAPILangChainTypeScriptPython

Demo ansehen →

Projekte

BetriebsGehirn

WEG-Verwaltung

Logopädie Report Agent

Dieses Portfolio

CoWork-OS

RealizeTogether