01 / Kontext
Systemrahmen
Sechs getrennte Agentendomänen bearbeiten Preis, Bestand, Content, Bilder, Marketing und Analyse. Deterministische Analyzer wählen die zulässigen Kandidaten aus; das Sprachmodell berät nur innerhalb hart begrenzter Werte.
CS / 03Case-Study
UnitFly — Commerce Operations mit kontrollierten AI-Agenten
Multi-Tenant-Plattform, die Produkt-, Preis-, Bestands- und Marketingabläufe analysiert und AI-gestützte Aktionen nachvollziehbar und begrenzbar macht.
01 / System
Kontext, Problem und Umsetzung.
02 / Problem
Ausgangslage
Commerce-Teams treffen täglich viele wiederkehrende Entscheidungen über Preise, Bestände, Inhalte, Bilder und Marketing. Ein Sprachmodell kann dabei helfen. Es darf aber nicht unkontrolliert Produktdaten verändern, und ein Ausfall des Modellanbieters darf das System nicht unbenutzbar machen.
03 / Umsetzung
Technischer Ansatz
UnitFly ist als Fullstack-Plattform mit Storefront, Admin-Cockpit, FastAPI-Backend, mandantenweisen Datenbanken und Shopware-Anbindung gebaut. Die sechs Agentendomänen sind bewusst getrennt: Ein Preisagent kennt keine Bildverarbeitung, ein Contentagent keine Bestandslogik. Jede Domäne hat ihre eigenen zulässigen Aktionen, und diese Liste ist Code, nicht Prompt.
04 / Vertiefung
Qualität
Am 22. August 2026 liefen lokal 274 Backend- und 8 Frontend-Tests erfolgreich. Sie decken unter anderem Agentenläufe, Autopilot, Tenant-Kontext, Fallbacks, Schreibschutz, Audit und fehlgeschlagene Write-backs ab.
02 / Decisions
Zentrale technische Entscheidungen.
Nicht nur was gebaut wurde, sondern warum das System genau diese Form bekommen hat.
Deterministische Analyzer wählen die Kandidaten, nicht das Modell.
Welche Produkte überhaupt zur Diskussion stehen, entscheidet Code mit nachvollziehbaren Regeln. Das Modell sieht nur eine bereits gefilterte Menge. Damit ist die riskanteste Frage — „was fasst das System an?" — dem Modell entzogen.
Semantische Suche mit transparentem Keyword-Fallback.
Embeddings brauchen einen externen Dienst. Fällt er aus, schaltet die Suche auf Stichwortsuche um und sagt das im Interface. Ein stiller Qualitätsabfall wäre schlimmer als ein sichtbarer.
Ein einziger Write-back-Pfad.
Alle schreibenden Änderungen gehen durch dieselbe Funktion. Nur so lassen sich Schreibschutz, Rollenprüfung, Tenant-Kontext und Audit an genau einer Stelle erzwingen statt an sieben.
Rollen-, Tenant- und Rate-Limit-Prüfung gilt auch im Autopilot.
Automatisierte Abläufe umgehen sonst gern die Prüfungen, die für Nutzeranfragen gelten. Hier laufen sie durch dieselben Wächter — ein Agent hat keine Sonderrechte.
Aktionen und feldbezogene Ergebnisse werden auditiert.
Nachvollziehbarkeit ist bei AI-gestützten Änderungen keine Kür. Ohne Audit lässt sich nach einem Fehler nicht rekonstruieren, was das System warum getan hat.
03 / Delivery
Stack und belegbare Grenze.
Technologien
- Next.js
- React
- TypeScript
- Python
- FastAPI
- SQLAlchemy
- PostgreSQL
- Docker
- Claude
- OpenAI Embeddings
- Shopware
Ehrliche Grenze
Der belegte Stand ist ein eigenständig entwickeltes und getestetes Projekt. Ein produktiver Kundenbetrieb wird nicht behauptet.
Nächstes Projekt
VOiD