Xilin Zhu
KontaktAvailable for work
← Alle Projekte

Privates Projekt · Eigenständiges Full-Stack-Projekt

KI-Zwilling

Ein mehrsprachiger persönlicher Agent mit Dokumentenwissensbasis

2026.07 — heuteZur WebsiteQuellcode

Ein KI-Zwilling in der ersten Person, der mein freigegebenes Profil mit einer Dokumentenwissensbasis verbindet: Besucher können Fragen zu meiner Arbeit stellen, erhalten Antworten aus veröffentlichtem Material und können die Quellen nachlesen.

Beleg-Recall@5 · fester Testsatz
98.8%
Korrekte Fakten und Belege · beantwortbare Fragen
97.6%
Fiktive Abnahmefragen in drei Sprachen
54
Unterstützte Dokumentformate
4
Unterstützte Sprachen
3
Bestandene Offline-Backendtests
138

LiveStartet gerade

Ein KI-Zwilling in der ersten Person, dessen einzige Faktenquelle von mir geprüftes und freigegebenes Material ist.

Die Antworten stammen von einem Sprachmodell und beruhen ausschließlich auf von mir freigegebenem öffentlichem Material. Es kann sich irren — maßgeblich sind der Lebenslauf und ich selbst.

Problem

Ein Lebenslauf ist eine Momentaufnahme. Projektberichte, technische Notizen und neue Arbeiten enthalten viel mehr Details. Diese Informationen auf jeder Seite und in jedem Prompt aktuell zu halten, kostet jedoch Zeit.

Ich habe einen Agenten entwickelt, den Besucher direkt befragen können, und ihn anschließend um eine RAG-Wissensbasis ergänzt. Neue Dokumente aktualisieren sein Faktenwissen. Vor der Antwort sucht der Agent relevante Textstellen und zeigt die Belege zu seiner Antwort an.

Vorgehen

  • Backend — FastAPI stellt Profil, JSON-Chat und SSE-Streaming bereit. Ein Provider-Adapter übernimmt Abbruch, Wiederholung und Ratenbegrenzung.
  • Frontend — ein natives Custom Element mit Shadow DOM und ohne Laufzeitabhängigkeiten, mit einem Script-Tag und einem Element einbettbar; die Startseite bietet zusätzlich eine kompakte Chat-Oberfläche.
  • Zwei Persönlichkeiten, drei Sprachen — berufliche und lockere Gespräche haben getrennte Verläufe. Chinesisch, Englisch und Deutsch werden unterstützt; Sitzungen werden pro Browser-Tab gespeichert.
  • Dokumentenwissensbasis — Upload, private Vorschau, Veröffentlichung, Ersetzung, Rücknahme und Löschung nutzen denselben Ablauf für Suche und Quellenangaben.
  • Betrieb — anonyme Anfragekennzahlen erfassen Latenz, Fehler und Token-Verbrauch. Ausgabe- und Anfragelimits machen die API-Kosten planbar.

So funktioniert die Wissensbasis

Dokument hochladen, Agent aktualisieren

Ich ziehe eine MD-, TXT-, PDF- oder DOCX-Datei in die Verwaltungsoberfläche oder füge Text ein. Grundlegende Metadaten werden automatisch erkannt und lassen sich korrigieren. Ein Hintergrundprozess extrahiert den Text, teilt ihn in durchsuchbare Abschnitte und erhält Seiten-, Absatz- oder Tabellenpositionen für die Quellenangaben. Aufträge lassen sich wiederholen und nach Unterbrechungen fortsetzen; fertig verarbeitete Uploads werden automatisch zur aktuellen Version.

Dokumentänderungen erfordern weder eine angepasste Persona noch erneutes Modelltraining oder einen Website-Build. Bei gescannten PDFs ohne extrahierbaren Text weist das System auf erforderliche OCR hin.

Erst Belege suchen, dann antworten

FastEmbed erzeugt lokal mehrsprachige Embeddings. Eine persistente PostgreSQL-kompatible Datenbank mit pgvector kombiniert semantische Ähnlichkeit und Stichwortsuche. Daraus werden relevante Textstellen aus den zugelassenen aktuellen Dokumentversionen ausgewählt.

Die Persona legt Identität und Sprachstil fest; RAG liefert veränderliche Projektinformationen. Der öffentliche Agent formuliert mit DeepSeek eine Antwort aus den gefundenen Belegen. JSON- und Streaming-Antworten enthalten Quellenangaben, deren Textstellen sich auf der Website aufklappen lassen. Fehlt die Grundlage für eine Antwort, sagt der Agent das.

Festlegen, was Besucher lesen können

Neue Uploads sind zunächst nur in der privaten Vorschau verfügbar. Ausschließlich ausdrücklich veröffentlichte Dokumente gelangen in eine separate öffentliche Spiegelung. Ersetzung und Rücknahme bestimmen, welche Version der öffentliche Agent abrufen kann, ohne die Website neu zu bauen.

Wichtige technische Entscheidungen

Identität und veränderliche Fakten haben getrennte Quellen. Die Persona enthält maßgebliche Angaben zu Identität und Ausbildung; die Wissensbasis liefert Projektdetails. Eine Frage zu den Algorithmen eines Bachelorprojekts wird zur Suche weitergeleitet statt zu einer Vorlage für Ausbildungsfragen. Ergebnisse externer Arbeiten bleiben ihren ursprünglichen Autoren zugeordnet.

Versionen und Veröffentlichung gelten im gesamten Ablauf. Ein Ersatz wird erst nach erfolgreicher Verarbeitung aktuell; bei Fehlern bleibt die vorherige Version verfügbar. Die öffentliche Spiegelung synchronisiert ausdrücklich veröffentlichte aktuelle Inhalte. Beim Öffnen einer Quellenangabe wird die Zugriffsberechtigung erneut geprüft.

JSON und Streaming teilen dieselben Belege. Beide Antwortwege nutzen dieselbe Suchvorbereitung und Quellenprüfung. Die Oberfläche zeigt zitierte Quellen und unterstützt Abbruch, Wiederholung sowie Wiederherstellung nach unterbrochenen Streams. Anonyme Kennzahlen erfassen Latenz, Fehlerarten und Token-Verbrauch ohne Rohgespräche.

Validierung

Die Kennzahlen am Seitenanfang stammen aus einem festen Satz fiktiver Abnahmefragen auf Chinesisch, Englisch und Deutsch. Die Suche wird anhand von Dokumentversion, Quellenposition und Text bewertet; die Antwortbewertung beruht auf einer manuellen Prüfung der DeepSeek-Antworten. Beim jüngsten Suchregressionstest wurde nicht der gesamte Antwortsatz neu erzeugt.

  • Suche und Antworten — die Auswertung umfasst Fakten mit passenden Quellenangaben, unzureichende Belege, Dokumentberechtigungen, Identität und widersprüchliche Versionen.
  • Technische Prüfungen — Offline-Backend-Tests und separate Datenbankprüfungen decken die unterstützten Formate, Wiederholungen, Dokumentversionen, Berechtigungen, Quellenangaben und die Rücknahme von Veröffentlichungen ab.
  • Alltagsbetrieb — eine Text-PDF wurde vom Upload bis zur automatischen Aktivierung mit vorgewärmtem Hintergrundprozess zeitlich gemessen. Ein tatsächliches Backup bei gestopptem Dienst wurde in einer isolierten Datenbank wiederhergestellt und auf vollständige Originaldateien, Textabschnitte und Vektoren geprüft.

Betrieb des Systems

Die statische Website läuft auf Render. API, Hintergrundprozess und Datenbank laufen auf meinem eigenen Computer; Tailscale Funnel stellt die HTTPS-Verbindung bereit. Die Dienste starten nach der Windows-Anmeldung ohne sichtbares Konsolenfenster. Sie laufen weiter, wenn ich die Verwaltungsseite im Browser schließe. Für Antworten aus der Wissensbasis muss der Computer wach und mit dem Internet verbunden bleiben.

Die Infrastruktur und die lokal berechneten Embeddings sind kostenlos. DeepSeek-Antworten werden nach API-Nutzung abgerechnet.

In Arbeit

Ein lokaler Inferenzpfad mit llama.cpp und quantisiertem Qwen3-4B funktioniert als privater Versuch. Für die Antwortqualität des öffentlichen Agenten kommt DeepSeek zum Einsatz.

Außerdem trainiere ich ein kleines Decoder-only-GPT von Grund auf, um die gesamte Kette vom Training bis zum Betrieb durchzuarbeiten. Das Training läuft noch; quantisierter Export und Einbindung hinter derselben OpenAI-kompatiblen Schnittstelle sind die nächsten Schritte.