Own Product
felixschmidt.software — KI-gestütztes Portfolio
Persönliche Portfolio- und Marketing-Website mit integriertem KI-Assistenten auf Basis von Retrieval-Augmented Generation (RAG). Besucher können natürlichsprachliche Fragen zu Felix' Erfahrung stellen, und das System findet relevante Projekte über Vektor-Ähnlichkeitssuche, bevor es fundierte, halluzinationsfreie Antworten mit Google Gemini generiert. Die gesamte Pipeline ist zweisprachig (EN/DE), streaming-fähig und auf einer modernen Full-Stack-Architektur aufgebaut.
Die Herausforderung
Portfolio-Websites leiden unter einem Entdeckungsproblem: Besucher haben spezifische Fragen zur Erfahrung eines Freelancers, aber die Antworten sind über Projektkarten, Tech-Listen und Fallstudien verstreut. Traditionelle Portfolios zwingen Besucher zu navigieren, scannen und Informationen zusammenzusetzen — was zu hohen Absprungraten und verpassten Chancen führt. Zusätzlich halluzinieren generische KI-Chatbots Projektnamen, erfinden Technologien und beschreiben Erfahrungen, die nie stattfanden, was sie für professionelle Glaubwürdigkeit ungeeignet macht.
Der Ansatz
Entwurf und Aufbau eines zweckgebauten RAG-Systems (Retrieval-Augmented Generation) von Grund auf. Projektdaten werden in Supabase PostgreSQL mit zweisprachigen Beschreibungen (EN/DE) gespeichert. Jedes Projekt wird mit Google Gemini Embedding in ein 768-dimensionales Vektor-Embedding umgewandelt und über die pgvector-Erweiterung gespeichert. Wenn ein Besucher eine Frage stellt, wird die Anfrage mit demselben Modell eingebettet und über Kosinus-Ähnlichkeitssuche mit den Projekt-Embeddings abgeglichen. Die bestpassenden Projekte werden als Kontext in einen Gemini 2.5 Flash-Prompt injiziert, der eine gestreamte, faktenbasierte Antwort generiert. Das System umfasst Lead-Routing mit Kaufsignal-Erkennung, einen Projekt-Fit-Analyzer für detailliertes Projekt-Matching und ein vollständiges Admin-Panel zur Embedding-Synchronisation. Das Frontend nutzt React 19 mit CSS Modules, Framer Motion-Animationen und Three.js für 3D-Elemente. Die Infrastruktur läuft auf Vercel (Frontend) mit Railway (NestJS-Backend) und Supabase (Datenbank).
Jede Antwort basiert auf echten Projektdaten.
Ergebnisse & Wirkung
Der KI-Assistent ermöglicht es Besuchern, relevante Informationen über Felix' Erfahrung in Sekunden zu finden, anstatt durch Projektseiten zu browsen. Das RAG-System stellt sicher, dass jede Antwort auf echten Projektdaten basiert — ohne Halluzinationen. Streaming-Antworten bieten sofortiges Feedback, und die zweisprachige Unterstützung bedient sowohl englisch- als auch deutschsprachige Besucher nativ. Der Projekt-Fit-Analyzer bietet potenziellen Kunden eine strukturierte Bewertung, wie Felix' Fähigkeiten zu ihren spezifischen Anforderungen passen, und optimiert den Pre-Sales-Qualifizierungsprozess.
Meine Rolle
Solo-Entwickler und Architekt. Verantwortlich für das gesamte Produkt — von Konzept und Architektur-Design über Implementierung der RAG-Pipeline, NestJS-Backend, React-Frontend, Supabase-Schema, Embedding-Generierung, Vektorsuche, KI-Prompt-Engineering, Infrastruktur-Setup (Vercel, Railway) bis zur Deployment-Automatisierung.
Ähnliche Herausforderung?
Erzähl mir von deiner Herausforderung. Ich sage dir, wie ich sie angehen würde — und eine realistische Timeline.