Ausgewählte Systeme

Agentensysteme

SonicMind Connect

Aus Gesprächen werden nachvollziehbare Aktionen.

VerantwortungArchitektur & End-to-End-Entwicklung
Zeitraum2025 - 2026
StatusApplied-AI-Produktentwicklung
Produkt ansehen
SonicMind Connect portfolio artwork
Grafik aus dem bereitgestellten Engineering-Portfolio.

Gespräche, Nachweise und Aktionen

SonicMind Connect verbindet Quellen, Sprachinteraktion, Berichtserstellung und kontrollierte Ausführung in einem Arbeitsbereich. Im Qendryx-Projekt verantwortete ich Architektur und End-to-End-Umsetzung und verband Applied AI mit explizitem Anwendungszustand und nutzbaren Artefakten.

Problem und Einsatzkontext

Ein Transkript ist noch kein belastbarer Bericht, und ein Bericht ist keine Autorisierung für eine externe Aktion. Das System muss Quellenkontext bewahren, Ergebnisse prüfen und Inhaltserstellung von der Ausführung einer Aktion unterscheiden.

Mein Beitrag

Mein Aufgabenbereich umfasste Multi-Agent-Workflows, Wissenssuche, Enterprise-Integration, Provider-Anbindungen und kontrollierte KI-gestützte Ausführung. TypeScript und Python verbinden Oberfläche, Orchestrierung, Echtzeit-Sprache und langlebige Worker.

Systemarchitektur

Das Produkt besitzt mehrere Ausführungspfade. ReportFlow übernimmt Validierung, Aggregation, Routing und Executor-Dispatch. Der Browser-Scheduler verwendet einen LangGraph StateGraph mit Token- und Origin-Prüfungen. Ein Checkpoint-Wrapper unterstützt bedingtes Routing und Persistenz-Hooks. Hermes verwaltet Stufen, Artefaktprüfungen, Freigaben und Unterbrechung. Diese Verantwortlichkeiten bilden keinen einzigen universellen Graphen.

Technische Entscheidungen

Ein Agent hat eine begrenzte Verantwortung; manche Komponenten nutzen Modelle, andere arbeiten deterministisch. Verträge definieren Eingaben, erlaubte Aktionen, Ausgabeform und Abschlussbedingungen. Quellen-, Session-, Run-, Step- und Artefaktidentität verbinden Ergebnisse, ohne eine falsche Eins-zu-eins-Beziehung anzunehmen.

Implementierungsdetails

LiveKit stellt Raumtransport und Agent-Dispatch bereit. Der Python-Voice-Worker verbindet Sprachverarbeitung mit Transkripteinträgen und Aufnahmefinalisierung. ReportFlow sammelt unabhängige Executor-Ergebnisse mit Promise.allSettled. MCP-Adapter stellen Werkzeuge bereit; Jira-, Confluence- und Kalender-Anbindungen liegen an der Aktionsgrenze.

Herausforderungen im Betrieb

Provider-Timeout, fehlende Nachweise, verweigerte Berechtigung und ein unbekanntes Remote-Ergebnis verlangen unterschiedliche Antworten. Ein Zustellfehler macht einen fertigen Bericht nicht automatisch ungültig. Vor der Wiederholung einer externen Aktion muss geklärt werden, ob sie bereits ausgeführt wurde.

Evaluation und Beobachtbarkeit

AI Activity projiziert Ereignisse mehrerer Laufzeitkomponenten. Die Oberfläche sollte laufende Arbeit, fehlende Eingaben, ausstehende Freigabe, Teilerfolg und Fehler unterscheiden. Korrelation verbindet sichtbare Aktivität mit dem zugrunde liegenden Vorgang. Das Portfolio dokumentiert Testbereiche, aber keine neue numerische Zuverlässigkeitskampagne.

Nachweise und Geltungsbereich

Das 38-seitige Buch verbindet die Erklärung mit acht Gruppen von Implementierungsverweisen, darunter Report-Verträge, ReportFlow, Scheduler, LiveKit und Hermes. Seiten 21–25 unterscheiden Scheduler- und Aktionsausführung. Seiten 31–34 behandeln Wiederherstellung, Berechtigungen, Serverbetrieb und Evaluation. Hier werden keine unbelegten Durchsatzwerte oder universellen Agentenzahlen angegeben.

Technologiestack

TypeScript, Python, React, LangGraph, LangChain-Nachrichtenintegration, LiveKit, Supabase, MCP und Provider-Adapter. Dedicated-Server-Worker unterstützen langlebige Browser- und Sprachaufgaben. Authentifizierung, Persistenz und Echtzeittransport behalten eigene Servicegrenzen.

Oberflächen und Demonstrationen

Die folgenden Screenshots der Quellenaufnahme und des Bericht-Arbeitsbereichs stammen direkt aus dem bereitgestellten Portfolio. Die 3D-Darstellung fasst Verantwortlichkeiten zusammen und bildet keine konkrete Deployment-Topologie ab.

Erkenntnisse und nächste Schritte

Die Arbeit um das Modell bestimmt, ob ein Agentensystem betreibbar wird. Weitere Evaluation sollte kuratierte Quellen mit erwarteten Entscheidungen, Belegbarkeit, Vollständigkeit und Recovery-Szenarien verbinden. Revision und Konfiguration gehören zu jedem Ergebnis; Freigaben zum konkreten Artefakt und zur beabsichtigten Aktion.

Aus dem Engineering-Portfolio

Nachweise & Zuordnung

Der bereitgestellte Lebenslauf und die Engineering-Manuskripte belegen Rolle und Beitrag. Illustrationen erläutern Verantwortlichkeiten; sie sind keine Deployment-Pläne oder Leistungsmessungen.

sonicmind-applied-ai-engineering-book-v2.pdfNächstes System