Referenzprojekte
MethodMIND, PST2RAG, IA-ACTES: der Nachweis im Einsatz
BrainDup ist kein theoretischer Begriff. Es ist ein Framework, das in echten Projekten verschiedener Bereiche gewachsen ist: wissenschaftliche Recherche, E-Mail-Archive, juristische Dokumentenerstellung. Jedes Projekt hat die Architektur neuen Zwängen ausgesetzt, den technischen Unterbau gestärkt und Entwurfsentscheidungen bestätigt.
Was BrainDup von zahllosen anderen KI-Frameworks unterscheidet, ist genau dieser Weg: unsere früheren Projekte sollten das Framework nicht veranschaulichen. Das Framework ist aus diesen Projekten hervorgegangen, durch Anhäufung bewährter Muster und Lehren aus der Praxis.
MethodMIND
Verwaltung wissenschaftlicher Dokumente
Rahmen
Umgesetzt im Rahmen des Le Wagon-Bootcamps in Barcelona, Batch #1829, Oktober bis Dezember 2024. Ein Team aus fünf Entwicklern.
Das Problem
Forschende in den Neurowissenschaften lesen wochenlang Artikel, um bestätigte Versuchsmethoden zu finden. Allgemeine Sprachmodelle erfinden: sie bilden Quellen, die es nicht gibt. Für Forschende ist eine erfundene Quelle ein Risiko für die Redlichkeit der Arbeit.
Die Lösung
- Bestand: 2.000 PubMed-Kurzfassungen in zwei Stunden erschlossen
- Vektoren: SciBERT (768 Dimensionen), ein Modell für wissenschaftliche Sprache
- Vektorspeicher: Milvus, für Ähnlichkeitssuche in großem Maßstab
- Neuordnung: T5 MonoT5-MSMarco, zur Verfeinerung der Treffer
- Absicherung: ein Filter gegen Prompt-Injektion, anhand der Schlagwörter des Bestands
- Oberfläche: Streamlit
Technische Kette
Ergebnisse
Sofortige semantische Suche mit prüfbaren Quellen. Jede Antwort enthält die Quell-Kurzfassungen und direkte Verweise auf die Originalartikel bei PubMed.
Was BrainDup daraus gelernt hat
MethodMIND bestätigte die vektorielle RAG-Kette mit Milvus in einem strengen Umfeld: ein großer Bestand, fachkundige Nutzer und keinerlei Spielraum für Erfindungen. Das erste Projekt, und der Kern, aus dem die Architektur von BrainDup gewachsen ist.
PST2RAG
KI-Archivar für E-Mail
Das Problem
Jahre organisatorischen Wissens liegen in E-Mail-Archiven begraben. PST-Dateien (Microsoft Outlook) enthalten die Geschichte der Korrespondenz, der Entscheidungen und der Beziehungen, doch dieses herstellereigene Format ist für heutige KI völlig unlesbar.
Die Lösung
Auslesen und Umwandeln:
- PST nach MBOX (über libpst/readpst) nach Markdown
- Auslesen von Einheiten (Personen, Organisationen, Anhänge)
- Sinnvolles Zerlegen, abgestimmt auf den Aufbau von E-Mail
Doppelte Erschließung:
- Milvus (semantische Suche, Vektoren mit 384 Dimensionen): findet Inhalte nach Ähnlichkeit der Bedeutung
- Neo4j (Beziehungsgraph): hält die strukturellen Verbindungen fest zwischen Email, Chunk, Person, Entity, Attachment und Organization
Anwendungsfelder
- Compliance und E-Discovery: in einem regulatorischen oder gerichtlichen Rahmen schnell die einschlägige Korrespondenz finden
- Digitale Forensik: Kommunikationsketten nachbilden und Muster erkennen
- Wissensverwaltung: die Entscheidungsgeschichte einer Organisation nutzen
- Geschäftseinsicht: Einflussnetze und Informationsflüsse abbilden
Ergebnisse
Semantische Suche arbeitet vollständig: „budgetäre Sorgen“ findet auch „finanzielle Nöte“. Beziehungsanalyse arbeitet: „wer spricht mit wem, und worüber?“. Gemischte Abfragen verbinden Vektorsuche mit dem Durchlaufen des Graphen.
Was BrainDup daraus gelernt hat
PST2RAG brachte das Doppelschema aus Milvus und Neo4j, das Architekturmuster, das zum Kern von BrainDup wurde. Vektoren für die Bedeutung, der Graph für die Struktur. Beides zusammen für die Verlässlichkeit.
IA-ACTES
Erstellung juristischer Dokumente
Das Problem
Eine Urkunde für die Übertragung einer Apotheke zu erstellen kostet sieben Stunden je Fall. 169 Felder von Hand zu füllen. 103 Dokumente je Fall zu bearbeiten. 35 bedingte Bausteine je nach Sachlage zu prüfen. Es ist Arbeit für Fachleute, wiederkehrend und dennoch streng, bei der jeder Fehler rechtliche Folgen hat.
Die Lösung
Technischer Baukasten:
- Hintergrund: Django, FastAPI und n8n (Steuerung von 84 automatisierten Aufgaben)
- KI: Milvus, Neo4j und Ollama (lokale Inferenz)
- Dokumente: Nextcloud, Collabora und Docling auf GPU
- Infrastruktur: NVIDIA Blackwell; kein Datensatz verlässt den Server
RAG mit Doppelschema:
- Schema „Fall“: die Falldokumente des Kunden
- Schema „Rechtsbestand“: die maßgeblichen Gesetzestexte
- Drei Abfragearten: im Fall, im Bestand, oder übergreifend
Konform mit KI-Verordnung und DSGVO: menschliche Bestätigung ist bei jedem kritischen Schritt Pflicht.
Ergebnisse
| Kennzahl | Wert |
|---|---|
| Zeit je Urkunde | 7 Stunden auf 1 Stunde (Faktor 7) |
| Extraktionsquote aus Dokumenten | 96,1 % bei 56 Testdokumenten |
| Automatisierte Serienfelder | 169 (43 % über öffentliche Schnittstellen, 57 % über KI) |
| Dokumente je Fall | 103 |
| Automatisierte Aufgaben | 84 |
| Generierungsmodell | GLM-4.7-Flash (30B-A3B) |
| Vektormodell | E5-Mistral-7B (4096 Dimensionen) |
Umfang des Projekts: 124 Seiten Lastenheft, 11 EPICs, 35 funktionale und 10 nichtfunktionale Anforderungen. Vollständig gebaut mit Claude Code und der BMAD-Methode.
Was BrainDup daraus gelernt hat
IA-ACTES ist der Nachweis industrieller Reife. Kein Prototyp mehr, sondern ein Produktionssystem, das echte juristische Dokumente bearbeitet, mit regulatorischen Anforderungen und messbarem Produktivitätsgewinn. IA-ACTES bestätigt das Ganze: die technische Architektur von BrainDup, die BMAD-Methode und Claude Code als wichtigstes Entwicklungswerkzeug.
Marvia
Vorführstand von BrainDup v2.2, vorgestellt am 4. August 2026
Das Problem
Wie weist man nach, dass eine Unternehmens-KI ihre Versprechen hält, ohne die sensiblen Daten eines Kunden offenzulegen? Indem man sie ein ganzes Gebiet lernen lässt. Marvia ist ein Marder, das Wahrzeichen des Regionalen Naturparks Morvan, und der öffentliche Prüfstand von BrainDup.
Die Lösung
Ein Bestand von 1.423 Dokumenten und rund zwanzig Webseiten über den Morvan, eingelesen und danach in gewöhnlicher Sprache abfragbar, auf einem lokalen Gerät ohne Internetverbindung.
- 29.515 Textfragmente erschlossen für gemischte Suche, semantisch und wortbasiert
- 30.887 Einheiten im Wissensgraphen verbunden, per Klick erkundbar
- Eine belegte Antwort in 20 Sekunden mit Durchlauf des Graphen, 2,5 Sekunden im knappen Modus
Zusammenfassung: ein Aufbau, der sich summiert
MethodMIND legte die Grundlagen. Die vektorielle RAG-Kette mit Milvus, semantische Suche in einem großen Bestand, der Filter gegen Erfindungen.
PST2RAG ergänzte die Beziehungsebene. Das Doppelschema aus Milvus und Neo4j macht aus einer Inhaltssuche eine echte dokumentarische Einsicht.
IA-ACTES belegte die Reife für den Betrieb. Die vollständige Architektur, eingesetzt an einem strengen Fachfall, mit messbaren Ergebnissen und Einhaltung der Vorschriften.
Dieser Aufbau, vektorielles RAG, dann Doppelschema mit Graph, dann Produktionsreife mit der BMAD-Methode, dann der öffentliche Nachweis mit Marvia, war nicht geplant. Er ist aus der Praxis gewachsen. Und genau das macht BrainDup belastbar.
Gehen Sie den Schritt
Dreißig Minuten, um zu prüfen, was souveräne KI in Ihrer Organisation leisten kann. Unverbindlich.
Kostenlose Souveränitätsprüfung