Zum Hauptinhalt springen

Projekte

Ich entwerfe die Architektur. Die KI schreibt den Code.

Ich verstehe die Grundlagen des Programmierens, aber Code schreibe ich zurzeit nicht selbst. Was ich mache: durchdenken, was ein System leisten soll, aus welchen Teilen es besteht, wie die miteinander reden und wo die Grenzen liegen. Die Umsetzung übernimmt die KI, und ich prüfe, ob das Ergebnis trägt.

Ich schreibe das offen dazu, weil es genau so entstanden ist und weil mir Ehrlichkeit wichtiger ist als ein glattes Bild.

Vorab eine ehrliche Einordnung

Das hier sind Lernprojekte. Ich will damit herausfinden, wie weit man mit KI kommt, wenn man sich selbst um das Denken und die Struktur kümmert. Keins davon ist im echten Einsatz, keins wurde von einer unabhängigen Entwicklerin oder einem Entwickler geprüft, und für Code, den ich nicht selbst geschrieben habe, kann ich nicht Zeile für Zeile geradestehen. Bei jedem Projekt steht deshalb, was es ist, was es kann und, genauso wichtig, was es nicht ist.

Lernprojekt · nicht im Einsatz

Log Gateway

Ein Türsteher für Log-Daten, geschrieben in Rust

Was es ist

Programme schicken ihre Protokolldaten (Logs) an das Gateway. Bevor etwas gespeichert wird, entfernt es persönliche Daten wie E-Mail-Adressen, IP-Adressen oder IBANs. Danach zählt und begrenzt es die Anfragen pro Kunde und legt die Daten komprimiert ab. Entstanden ist es als Teil eines größeren Experiments zur Überwachung von Internet-Routing (BGP). Später habe ich es herausgelöst, damit es für sich allein steht.

Mein Teil

Ich habe festgelegt, welche Bausteine es gibt, wie Kunden (Mandanten) voneinander getrennt werden und welche Messwerte zählen. Außerdem habe ich entschieden, das Gateway aus dem größeren Projekt herauszulösen, statt es weiter mitzuschleppen.

Was es kann

  • Persönliche Daten nach 7 festen Mustern erkennen und schwärzen
  • Anfragen pro Kunde begrenzen, zählen und mit Kontingenten versehen
  • Logs komprimiert speichern und nach S3 exportieren, dazu Messwerte für Prometheus
  • Rund 140 automatisierte Tests, die die KI mitgeschrieben hat

Was es nicht ist

  • Nicht im echten Einsatz: Es gibt keine Nutzer und keinen laufenden Server.
  • Keine belastbaren Leistungszahlen. Frühere Benchmarks stammen von einem Server, den es nicht mehr gibt, und gelten für diese Version nicht.
  • Keine vollständige Datenschutzlösung: 7 Muster fangen längst nicht alle persönlichen Daten ab.
  • Von niemand anderem geprüft: kein externes Code-Review, kein Sicherheits-Audit, noch keine Lizenz.
RustTokioAxumPrometheusS3 / MinIO
Lernprojekt · Experiment zur Arbeitsweise

BloomScan

Eine Rust-Bibliothek, gebaut von einem Team aus KI-Agenten

Was es ist

Ein Bloom-Filter beantwortet sehr schnell und platzsparend die Frage „Habe ich das schon einmal gesehen?“. Er kann sich dabei manchmal irren, aber immer nur in eine Richtung. BloomScan zerlegt das in neun kleine Module. Das Spannende ist hier weniger die Bibliothek als die Art, wie sie entstanden ist.

Mein Teil

Ich habe eine kleine Organisation aus KI-Rollen entworfen: einen Koordinator, der selbst keinen Code schreibt und nur Aufgaben verteilt und Tests startet, vier Fach-Architekten (Schnittstellen, Logik, Datenfluss, Zusammenspiel), einen Oberarchitekten für Konflikte und pro Modul einen Agenten, der nur seine eine Datei ändern darf. Jede Rolle hat feste Lese- und Schreibrechte und kommuniziert nur über festgelegte Dateien.

Was es kann

  • Zeigen, dass sich KI-Arbeit mit klaren Rollen und Rechten strukturieren lässt
  • Einträge speichern und abfragen, Füllstand überwachen, zwei Filter vergleichen
  • Text in Wortgruppen (N-Gramme) zerlegen und in den Filter übernehmen
  • Rund 90 automatisierte Tests über 10 Module

Was es nicht ist

  • Keine fertige Bibliothek: nicht veröffentlicht, ohne Dokumentation für Außenstehende und nirgends im Einsatz.
  • Nichts Neues: Bloom-Filter gibt es seit 1970, und es gibt ausgereifte Bibliotheken dafür.
  • Kein Beweis, dass der Agenten-Workflow allgemein funktioniert. Es ist ein einzelnes Experiment an einem überschaubaren Problem.
RustCargo WorkspaceMulti-Agent-Workflow
Persönliches Werkzeug · läuft auf meinem Rechner

Podcast-Fabrik & Lolfi

Von der Idee zur fertigen Episode: Skript, Stimmen, Mastering, Video

Was es ist

Eine Pipeline für ganze Podcast-Serien: Claude schreibt die Skripte, eine lokal laufende Sprach-KI (Qwen3-TTS) spricht sie ein, und am Ende steht pro Episode eine fertige MP3. Lolfi legt die Episode unter ein ruhiges Lofi-Video.

Mein Teil

Ich habe die Formate und den Ablauf entworfen, mit fünf Vorlagen von der klassischen Erzählung über Krimi-Hörspiele bis zum Sprachkurs. Im Krimi-Modus bekommt jede Figur ihr eigenes Wissen: was sie weiß, was sie verschweigt und was sie falsch glaubt. So sollen Widersprüche aus der Geschichte selbst entstehen, statt nur behauptet zu werden.

Was es kann

  • Aus einer Serienidee Episodenpläne und Skripte erzeugen und von einer zweiten KI-Runde prüfen lassen
  • Hörspiele mit mehreren Stimmen vertonen und die Lautstärke angleichen (Mastering)
  • Soundeffekt-Stellen als Liste mit Zeitmarken ausgeben, zum Nachbearbeiten im Tonstudio-Programm
  • Mit Lolfi einen kurzen Video-Loop auf Episodenlänge strecken und mit der Tonspur verbinden

Was es nicht ist

  • Kein Produkt für andere: Es braucht ein Claude-Abo, einen eingerichteten Rechner und technisches Wissen zur Einrichtung.
  • Nicht vollautomatisch: Bilder und Video-Loops für Lolfi erstelle ich von Hand in anderen Tools, Soundeffekte kommen nachträglich dazu.
  • Keine Garantie für gute Geschichten: Die Qualität hängt von der KI ab und schwankt. Nachhören und Auswählen bleibt Handarbeit.
PythonClaudeQwen3-TTSffmpeg

Neugierig, wie das in der Praxis läuft?

Wenn du dich über diese Art, mit KI zu arbeiten, austauschen willst oder eine Idee hast, die eine Architektur braucht, schreib mir.

Schreib mir