Amicus AI

Ein Wissenssystem für Kanzleien, das Akten lokal einliest, vor jedem Modellaufruf pseudonymisiert und jede Antwort mit ihrer Fundstelle belegt.

Was das hier ist. Ein Schaufenster, kein Produkt und kein laufender Dienst. Der Code stammt aus einem Prototyp von 2026 und liegt öffentlich, weil die Architektur die interessante Aussage ist, nicht die Oberfläche. Es läuft nirgendwo, es nimmt keine Daten entgegen, und die Beispieldaten sind erfunden.

Die Idee in drei Sätzen

Ein Sprachmodell kennt Ihre Akten nicht, und das soll auch so bleiben. Also sucht das System zuerst in den eigenen Unterlagen, schickt nur die Abschnitte weiter, die zur Frage gehören, und ersetzt vorher jeden Namen durch einen Platzhalter. Was zurückkommt, wird lokal wieder aufgelöst und trägt die Stelle, aus der es stammt.

Was daran technisch zählt

• Dreistufige Suche, rein lokal. Einbettungen mit bge-m3, dazu eine Volltextsuche, und ein Cross-Encoder sortiert nach. Reine Vektorsuche findet Themen, aber keine Aktenzeichen und keine Paragrafen.
• Pseudonymisierung vor dem Aufruf. Namen, Orte und Organisationen über Named Entity Recognition, dazu Regeln für E-Mail, Telefon, IBAN und Steuernummer. Die Zuordnungstabelle bleibt lokal.
• Mandantentrennung im Index. Jeder Abschnitt trägt seine Akte; Suche, Statistik und Löschung filtern darauf. Eine Frage kann keine fremde Akte erreichen.
• Löschung, die vier Orte erfasst. Dokument, Index, Verlauf und Protokoll.
• Protokoll im Haus. Append-only, für Einlesen, Suche und Löschung.

Die Messung dazu steht in docs/analyse-paragraphen.md: Warum ein einfaches RAG bei Gesetzestexten die falsche Norm nennt, und was dieses System anders macht. Der Goldstandard ist die Verordnung (EG) Nr. 1107/2009 mit ihren 84 Artikeln.

Aufbau

app.py, main.py        Oberfläche im Browser und auf der Kommandozeile
rag_agent.py           Einlesen, Zerlegen, Einbetten, Vektordatenbank
retrieval.py           hybride Suche und Reranker
pseudonymizer.py       die Schleuse vor dem Modellaufruf
providers.py           Modelle austauschbar hinter einer Schnittstelle
research.py            Websuche, nur mit pseudonymisierter Anfrage
transcription.py       Diktate lokal zu Text
eval_rag.py            die Messung aus der Analyse
beispieldaten/         erfundene Akten und ein öffentlicher Gesetzestext
docs/                  Architektur, Analyse, Datenschutz, Maßnahmen

flowchart TD
    subgraph Lokal["Lokaler Rechner oder eigener Server"]
        Doc["Dokumente: PDF, DOCX, TXT"] --> Parser["Text-Extraktion & Chunking"]
        Parser --> Embedder["Lokales Embedding (bge-m3)"]
        Embedder --> LanceDB[("Lokale LanceDB Vektordatenbank")]

        UserQuery["Benutzer-Frage"] --> EmbedderQuery["Lokales Embedding der Frage"]
        EmbedderQuery --> Search["Hybrid-Suche + Reranker in LanceDB"]
        Search --> Context["Relevanteste Norm-Auszüge"]
        Context --> Pseudo["Pseudonymisierung der PII"]
    end

    subgraph Extern["Frontier-Modell beim Anbieter, EU-Region"]
        LLM["austauschbar hinter einer Schnittstelle"]
    end

    Pseudo --> |"nur Platzhalter über TLS"| LLM
    LLM --> |"Antwort mit Platzhaltern"| ReID["Re-Identifizierung (lokal)"]
    ReID --> UI["Web-UI / CLI"]

Loading

Datenschutz

Die Maßnahmen und ihre Fundstellen stehen in docs/dsgvo.md, die technischen und organisatorischen Maßnahmen in docs/tom.md. Kurz: lokale Pseudonymisierung nach Art. 4 Nr. 5, Trennung je Akte, Löschung nach Art. 17, Protokoll nach Art. 5 Abs. 2, Zugriffsschutz auf jedem Endpunkt.

Woher das kommt

Gebaut 2026 als Prototyp für eine Kanzlei, zuletzt am 03.07.2026. Die Anforderungen kamen aus dem Alltag: eigenes Wissen wiederfinden, eine Einschätzung, die an ihre Fundstelle gebunden bleibt, Diktate, Akten mit mehreren tausend Seiten. Aus diesem Prototyp ist AMANA geworden.

Wie der Weg heute aussieht, steht im Blog: blog.leopardcode.ai

Lizenz und Kontakt

Der Code liegt zur Ansicht hier, ohne Garantie und ohne Unterstützung. LeopardCode.AI, Dr.-Ing. Alexander Brunker, contact@leopardcode.ai