Projekt 01 · Agentische KI · Datenintelligenz · Anwendungsgenerierung · KI-Engineering
Verwandeln Sie Organisationsdaten in Kontext und Kontext in Software.
Organisationen verfügen bereits über enorme Mengen nützlicher Daten, diese sind jedoch fragmentiert auf Dateien, Datenbanken, Cloud-Speicher, Dokumente, Berichte und interne Systeme. SKatalyst AI ist ein Versuch, die Schicht zwischen diesen Rohdaten der Organisation und der Software aufzubauen, die die Mitarbeiter tatsächlich benötigen.
Anstatt mit einer Anwendung zu beginnen und Daten manuell darin zu verknüpfen, beginnt SKatalyst mit den vorhandenen Informationen der Organisation. Es nimmt es auf. Versteht es. Strukturiert es. Baut einen Kontext darauf auf. Anschließend nutzt es dieses strukturierte Verständnis, um nützliche Anwendungen zu generieren.
01 · Das Problem
Die meisten Organisationen verfügen bereits über die benötigten Informationen. Es existiert lediglich als separate Dateien und Zeilen, verteilt auf Laufwerke, Postfächer, Datenbanken und Tools, die nie darauf ausgelegt sind, sich gegenseitig zu erklären.
Eine Person versteht die Zusammenhänge implizit: Diese Tabelle gehört zu diesem Projekt, dieser Bericht beschreibt diesen Test, diese Tabelle enthält die Messungen, dieses Dokument definiert den Prozess. Normalerweise sieht die Software nichts davon. SKatalyst versucht, diesen fehlenden organisatorischen Kontext zu rekonstruieren und beizubehalten.
02 · Die Idee
SKatalyst AI speichert und prüft, was es über die Daten einer Organisation lernt, und nutzt diesen Kontext, um Software zu erzeugen.
Tausende getrennte Objekte
SKatalyst AI
beständiger Kontext · menschliche Zustimmung · Beweise
Funktionierende Software
Bringen Sie Unternehmensdaten dort ein, wo sie sich bereits befinden: Uploads, Laufwerke, Buckets und Datenbanken.
Nur lesend scannen. Extrahieren Sie Texte und Tabellen, OCR Bilder, lesen Sie Schemata, Metadaten und Beziehungen.
Schlagen Sie eine Struktur vor: Entitäten, ein Schema, eine Ordnertaxonomie, Qualitätsergebnisse und eine empfohlene Architektur.
Behalten Sie das Ergebnis in PostgreSQL bei, damit das Verständnis jedes einzelne KI-Gespräch überdauert.
Entdecken Sie KPIs, die die Daten tatsächlich berechnen können, und entscheiden Sie, welche Module sie verfügbar machen.
Erstellen Sie funktionierende Anwendungskomponenten: Dashboard, CRUD, Bericht, RAG-Chat sowie eine Datenbank und API.
Kompilieren Sie ein Testorakel aus dem Datenmodell und vergleichen Sie das generierte Verhalten mit Referenzwerten.
Vorschau in einer kurzlebigen Laufzeit, Export eines Docker-Pakets, das dem Kunden gehört, Überprüfung, Rollback bei Bedarf.
03 · Wie es funktioniert
Jeder Lauf liest die Quelldaten und baut strukturierten Kontext auf, der geprüft und wiederverwendet werden kann.
Bei einem schreibgeschützten Scan wird ein Inventar erstellt, das vom Benutzer genehmigt wird. Ein Strukturierungsplan schlägt Entitäten, ein Schema und eine Ordnertaxonomie vor. Eine Architekturempfehlung erläutert deren Zuverlässigkeit und was von der Schätzung ausgeschlossen wurde. Die KPI-Erkennung bietet nur Metriken, die die Daten berechnen können. Jeder Schritt wird in PostgreSQL mit Herkunft zurück zu den Quelldateien gespeichert, und der von einem Lauf verwendete Kontext wird beim Start eingefroren und gehasht, damit er später rekonstruiert werden kann.
Das LLM sollte nicht die Datenbank sein.
04 · Die Intelligenzschicht
SKatalyst kombiniert deterministische Software mit KI-Argumentation und sorgt dafür, dass die Grenzen sichtbar bleiben. Der Standardplattformanbieter ist eine deterministische Heuristik; Ein Modell wird hinzugefügt, wenn ein Schlüssel konfiguriert wird, und Funktionen, die eines benötigen, werden auf einen Nicht-KI-Pfad herabgestuft, anstatt auszufallen.
Garantiert durch Code, Tests und die Datenbank.
Wo eine Interpretation wirklich erforderlich ist.
Software garantiert, was garantiert werden kann. KI kümmert sich um das, was interpretiert werden muss. Beides gilt nicht als richtig: Vorschläge sind vertrauenswürdig, nicht verfügbare Metriken werden als nicht verfügbar markiert und ein Mensch bestätigt dies, bevor etwas erstellt wird.
05 · Systemarchitektur
Verifiziert anhand der Quelle der Plattform. Jede Ebene hängt nur von den darüber liegenden Ebenen ab. Die Validierung liegt absichtlich zwischen Generierung und Lieferung.
12 Quellentypen. Cloud- und Datenbankkonnektoren lesen heute Metadaten; Die Ausführung bleibt in der Vorschau, bis sie anhand eines echten Kontos nachgewiesen wird.
Jeder Lauf beginnt mit einer Bestandsaufnahme, die der Benutzer genehmigt.
Das Verständnis wird gespeichert, versioniert und nachvollziehbar und nicht per Eingabeaufforderung neu abgeleitet.
Jeder KI-Schritt hat einen Nicht-KI-Pfad oder ein BYOK-Gate; Die Plattform rät nie stillschweigend.
4 Generatoren versandt; 10 Modultypen deklariert.
Das Orakel liest niemals generierten Code, daher kann sich ein Generatorfehler nicht verstecken.
Der Export ist blockiert, während die Validierung fehlschlägt. Diese Blockade ist beabsichtigt.
Anschlüsse
SKatalyst verlangt nicht, dass das Unternehmen alles in ein neues Ökosystem verlagert, bevor es mit dem Verständnis der Daten beginnen kann.
Zwölf Quelltypen sind implementiert, vom lokalen Upload bis hin zu Databricks. Die folgenden Bezeichnungen sind produktspezifisch: Ein Konnektor verlässt die Vorschau möglicherweise erst, wenn ein echter Byte-Lesevorgang für ein echtes externes Konto nachgewiesen und aufgezeichnet wurde. Das Verbinden und Surfen funktioniert bereits; Der lokale Upload führt heute die gesamte Pipeline aus.
06 · Was es bauen kann
Strukturierte Betriebsschnittstellen für die erkannten Entitäten mit jeweils generierten API-Endpunkten.
VersandKPI-Karten und Diagramme, die nur aus Metriken erstellt werden, die die Daten berechnen können; Nicht verfügbare Metriken werden markiert und niemals gefälscht.
VersandZugriff auf natürliche Sprache basierend auf dem organisatorischen Kontext. Laufzeitschlüssel verbleiben beim Kunden.
VersandStrukturierte Berichterstattung aus demselben Kontext, exportiert mit dem Anwendungspaket.
VersandDatenorientierte Analysemodule, bei denen die zugrunde liegenden Daten sie unterstützen.
RoadmapDeklarierte Modultypen warten auf Generatoren.
Roadmap
07 · Vertrauen und Bestätigung
Wenn KI Software aus Unternehmensdaten generieren soll, kann die Generierung nicht der letzte Schritt sein. SKatalyst behandelt die Validierung als Teil der Architektur: Erwartungen werden aus dem Datenverständnis zusammengestellt, niemals aus dem generierten Code, sodass ein Fehler eines Generators keine Garantie für sich selbst sein kann.
TestOracleCompilerWandelt die bestätigten KPIs, Entitäten, Schemata und Geschäftskontexte in Verhaltensaussagen um. Rein und deterministisch: keine Datenbank, kein Netzwerk, kein Modell und niemals eine Zeile generierten Codes.
ReferenceExecutorWertet jede Behauptung anhand des Beispiel-Snapshots zur Aufnahmezeit aus: Summen, Anzahlen, Durchschnittswerte, Mindest- und Höchstwerte. Schreibgeschützt; Öffnet niemals einen Live-Connector.
BehavioralProbeRunnerStartet die App in einer isolierten Laufzeit mit demselben Beispiel und prüft ihre Endpunkte, einschließlich negativer Tests, die abgelehnt werden müssen.
ComparatorExakter oder relativer Vergleich der beobachteten Werte mit Referenzwerten, sodass eine Rundungsdifferenz kein Fehler ist und ein falscher KPI schon.
ValidationReportServiceJede Aussage hat eine Herkunft: welcher KPI, welche Tabelle, welche Formel. Der Bericht ist der Beweis, dem ein Mensch zustimmt.
ValidationOrchestratorFührt Kompilieren, Referenzieren, Prüfen und Beibehalten aus; greift auf einen reinen Referenzbericht zurück, wenn die Laufzeit nicht verfügbar ist; reißt immer die Laufzeit runter.
Menschliche Zustimmung
Das System schlägt vor; Eine Person entscheidet in den entscheidenden Momenten. Zwei Gates unterscheiden sich konstruktionsbedingt: die Genehmigung einer Spezifikation, bevor etwas erstellt wird, und das Akzeptieren einer Vorschau nach der Erstellung.
Lösungslebenszyklus · 12 Zustände
Hervorgehobene Zustände sind die menschlichen Tore. Übergänge sind eine explizite Tabelle; Unzulässige werden abgelehnt, wiederholte sind idempotent und durch das Aufheben der Archivierung wird eine Laufzeit niemals neu gestartet.
08 · Produkterlebnis
Der In-App-Stepper verfolgt acht Schritte auf jeder Laufseite. Jeder Schritt erklärt mit der eigenen Stimme des Produkts, was das System weiß, warum es wichtig ist und welche nächstbeste Aktion es gibt.
09 · Ingenieurwesen
Aus dem Repository überprüft, nach Zweck geordnet. Die Plattform ist ein Node- und PostgreSQL-System mit einer kleinen, expliziten KI-Oberfläche.
SKatalyst ist nicht an einen Modellanbieter gebunden. Mieter bringen ihre eigenen Schlüssel für Claude, OpenAI oder Gemini mit; Schlüssel werden im Ruhezustand verschlüsselt, erst bei der Ausführung entschlüsselt und ein aktiver Schlüssel pro Anbieter wird erzwungen. Generierte Chat-Anwendungen nutzen den eigenen Laufzeitanbieter des Kunden, der zum Zeitpunkt der Bereitstellung ausgewählt und während des Entwurfs nie angefordert wurde.
Der Wert liegt in den Modellen: dem Kontext, den Arbeitsabläufen, den strukturierten Daten, der Anwendungsarchitektur und dem Validierungssystem.
Alle Zahlen stammen aus dem Repository vom 28. August 2026: 180 Commits seit Juni 2025. Die Anzahl der Endpunkte ist eine Untergrenze (391 im Hauptrouter plus 11 Routenmodule).
10 · Evolution
Anfängliche Projektstruktur.
Dokumentenaufnahme-Pipeline, LLM-gestützte Klassifizierung mit heuristischem Fallback und herstellerneutraler Anbieterregistrierung.
Metrikmodell, Blueprint-Generierung und der erste Artefaktexport: von der Datenorganisation bis zur Softwareerstellung innerhalb weniger Tage.
Mandantenfähiges Schema, OAuth, verschlüsselter Tresor und BYOK, OCR und visuelles Verständnis, zehn Connector-Backends, unveränderliche Kontext-Snapshots, orchestrierte Ausführungen und KPI-Erkennung.
Ein selbstkritisches Audit listete die Lücken auf: Beta-Gate, Ratenbegrenzung, Header, Validierungsbibliothek, unbewiesene Isolation. Die meisten wurden in den folgenden Wochen geschlossen.
Die Agenten-Validierungsschleife wurde offengelegt und schrittweise aufgebaut: Oracle-Compiler, Referenzausführung mit Anomalieerkennung, Verhaltensprüfungen. Patentpaket eingereicht.
Die Lösungseinheit mit ihrer 12-Zustandsmaschine, zwei unterschiedlichen menschlichen Toren und Transaktionsprüfereignissen.
Landing-Administration, Ratenbegrenzungszähler, Bereitstellung und Überprüfung von Runbooks, Onboarding und die eingefrorene authentifizierte App für die Beta im September 2026.