Zur Startseite

Projekte

Helpy

Ein Assistent, der einem Experten bei der Arbeit zusieht, die Erklärungen anhört und in natürlichen Pausen nach den Entscheidungen fragt. Daraus entsteht eine Work Map aus Schritten, Regeln und Begründungen. Ein neuer Kollege übt dann damit, und Fehler werden vor dem Speichern abgefangen. Bildschirmfotos werden schon im Browser per OCR geprüft und geschwärzt. Entstanden beim Hack-Nation 7.

Aufbau

Aufnahme

  1. Bildschirm und Stimme
  2. OCR und Schwärzung im Browser
  3. Fragen in Pausen

Lernen

  1. Rückfrage und Bestätigung
  2. Work Map
  3. Üben mit Leitplanken
Messwerte: Helpy
Bildschirmfoto-Pipeline (einfacher Bildschirm)378 ms gesamt
Bildschirmfoto-Pipeline (dichter Bildschirm)1.512 ms gesamt
Aufnahmealle 2 s ein Bild in voller Auflösung

TypeScript · React · TanStack Start · Convex · Claude · ElevenLabs · Tesseract.js

Developer Island

Eine Dynamic Island für den Windows-Desktop. Eine kleine Kapsel oben am Bildschirm zeigt meine Nutzung von Claude Code und Codex, Musik, einen Fokus-Timer, Termine und den Zustand des Rechners. Sie liest die lokalen Logs der Tools, schickt nichts in die Cloud und braucht im Leerlauf 55 MB und 0,03 % eines CPU-Kerns. Der Code ist öffentlich.

Aufbau

Daten

  1. Lokale Logs, Medien und Sensoren
  2. Provider
  3. Unveränderliche Snapshots
  4. SQLite-Verlauf

Anzeige

  1. View-Models
  2. Zustandsautomat
  3. Transparentes Fenster fester Größe
  4. Feder-Animationen
Messwerte: Developer Island
Leerlauf, kompakt, 60 s55 MB Arbeitsspeicher, 16 ms CPU (0,03 % eines Kerns)
Warmstart47 ms (nur das geänderte Transkript wird neu gelesen)
Tests382 Unit-Tests

C# · .NET 10 · WinUI 3 · SQLite · xUnit

Wächter

Ein Assistent, der durch eine Kamera sieht, zuhört und antwortet. Alles läuft offline auf meinem Laptop, ohne Grafikkarte, ohne Cloud. Eine Bewegungserkennung weckt die Personenerkennung erst, wenn sich etwas tut. Die Spracherkennung bekommt nur Abschnitte, in denen wirklich gesprochen wird, weil Whisper bei Stille sonst Sätze erfindet. Ziel war: Er fängt nach weniger als drei Sekunden an zu sprechen.

Aufbau

Bild

  1. Kamera
  2. Bewegungserkennung
  3. Personenerkennung

Sprache

  1. Mikrofon
  2. Nur Sprachabschnitte
  3. faster-whisper
  4. Lokales Sprachmodell
  5. Piper TTS
Messwerte: Wächter
Zeit bis zum ersten gesprochenen Wort~2,6 s (Ziel < 3 s)
Personenerkennung17,3 ms pro Bild (58 fps)
Sprachmodell17–19 Token/s
HardwareIntel i7-13700H, 32 GB RAM, keine dedizierte GPU

Python · faster-whisper · Piper TTS · lokales Sprachmodell · ONNX / DirectML

Baulify

Entstanden beim Smart Region Hackathon Offenburg. Eine Plattform, auf der Versorger, Kommunen und Baufirmen ihre Tiefbaumaßnahmen abstimmen. Sie zeigt Konflikte, bevor dieselbe Straße zweimal aufgerissen wird. Nach dem Hackathon habe ich weitergebaut: Eine KI liest Anfragen aus PDFs oder Freitext aus und füllt das Formular vor, Freigaben laufen über einen Link ohne Account, dazu eine Karte und eine eigene Landingpage.

Aufbau

Anfragen

  1. PDF oder Freitext
  2. LLM über OpenRouter
  3. Vorausgefülltes Formular

Next.js · TypeScript · PostgreSQL · Drizzle · MapLibre · LLM über OpenRouter

Planen-Editor

Wie spannt man eine Plane so, dass sie keine Falten wirft? Im Editor zeichnet man die Form, setzt Befestigungspunkte und startet die Simulation. Die Plane wird zu einem Feder-Masse-Netz, Falten erscheinen als Linien und werden über einen Faltenindex messbar. Ein Assistent schlägt dann Positionen für die Befestigungspunkte vor, bei denen die Plane glatter liegt.

Aufbau
  1. Form zeichnen
  2. Befestigungspunkte setzen
  3. Feder-Masse-Netz
  4. Faltenindex
  5. Vorschlag für Befestigungspunkte

JavaScript · Canvas · Feder-Masse-Simulation · eine einzige HTML-Datei

3D-Drucker: Düsen-Offset-Kalibrierung

Mein bisher längstes Projekt, zusammen mit KUKA. Beim FDM-3D-Druck waren schon wenige Zehntelmillimeter Abweichung in den Bauteilen sichtbar, und der Düsen-Offset verschob sich mit der Temperatur und nach Düsenwechseln. Ich habe eine Kalibrierung gebaut, die den Offset zuverlässig und wiederholbar misst, echte Offset-Fehler von Bettnivellierung oder Materialverhalten trennt und als Ablauf funktioniert, den das Team ohne mich wiederholen kann.

Was ich gelernt habe

Für konsistente Ergebnisse brauchte es viele Runden aus Testdrucken und Messungen.

FDM-3D-Druck · Kalibrierung · Messung

Mein Wispr-Flow-Klon

Das Tool, das ich von allen hier am meisten benutze. Tastenkombination drücken, sprechen, nochmal drücken, und der Text steht da, wo der Cursor ist. In Word, im Browser, im Code-Editor. Nachgebaut nach dem Vorbild von Wispr Flow, nur dass alles lokal läuft, nichts kostet und nichts ins Internet schickt.

Aufbau
  1. Tastenkombination
  2. Sprachaufnahme
  3. faster-whisper (small, int8, CPU)
  4. Text am Cursor

Python · faster-whisper (small, int8, CPU) · Windows

KI-Automationen mit n8n

Drei Automationen für kleine Firmen. Rechnungen aus PDFs auslesen und prüfen, ob die Positionen wirklich die Summe ergeben. Eingehende Mails sortieren und Antworten als Entwurf vorbereiten, nie automatisch senden. Preise und Lagerbestand in Onlineshops ohne API beobachten. Wenn die KI unsicher ist, entscheidet ein Mensch.

Aufbau

Rechnungen

  1. Rechnung als PDF
  2. Auslesen per LLM
  3. Positionen gegen Summe prüfen
  4. Mensch entscheidet bei Unsicherheit

n8n · LLM über HTTP · Google Sheets · Airtable · Slack · Gmail