Vom Foto zum nachvollziehbaren Offline-Export
Ein persönliches Architektur-Experiment mit Telegram, Cloudflare, Offline-Sync und prüfbarem CSV-Export.
Ein Foto ist noch kein verlässlicher Datensatz
Ein Belegworkflow klingt zunächst einfach: Foto aufnehmen, Werte erkennen und am Monatsende exportieren. In der Praxis entstehen sofort Qualitätsfragen. Was passiert, wenn das Datum nicht lesbar ist? Wie verhindert man doppelte Dateien? Und wie bleibt nachvollziehbar, welche Information ursprünglich auf dem Beleg stand?
Für diese Fragen habe ich einen kleinen persönlichen Belegbot gebaut. Ein Foto wird über Telegram empfangen, serverseitig gespeichert und anschließend lokal gespiegelt. Erkannte Werte können geprüft und korrigiert werden, bevor daraus ein Export entsteht.
Der Server ist die Wahrheit
Die wichtigste Architekturentscheidung war eine klare Richtung: Der Server ist die Wahrheit, der lokale Rechner bleibt ein lesender Spiegel. Der PC schreibt niemals zurück. Damit verschwinden Konflikte zwischen zwei veränderbaren Kopien, und ein abgebrochener Sync kann beim nächsten Lauf sicher fortgesetzt werden.
Telegram liefert das Bild an einen Cloudflare Worker. R2 speichert das unveränderliche Original, D1 hält erkannte Metadaten und den Review-Status. Die lokale CLI lädt beides und erzeugt daraus eine Offline-Kopie.
Erst speichern, dann erkennen
Das Bild wird zuerst gespeichert. Erst danach versucht die Erkennung, Händler, Datum, Betrag oder Kategorie zu extrahieren. Wenn OCR oder ein KI-Aufruf scheitert, ist der Beleg trotzdem gerettet und erhält einen Prüfstatus.
Fehlende Werte werden nicht geraten. Ein leerer Betrag ist für eine Abrechnung sicherer als eine überzeugend aussehende Halluzination. Korrekturen verändern nur die Metadaten, nicht das Originalbild.
Idempotenz ist ein Qualitätsfeature
Dateinamen basieren auf SHA-256-Hashes. Derselbe Datensatz kann dadurch mehrfach abgerufen werden, ohne eine zweite Datei zu erzeugen. Diese Eigenschaft klingt technisch, entscheidet aber direkt über die Alltagstauglichkeit: Netzwerkausfälle und erneute Läufe bleiben beherrschbar.
Auch der Export ist bewusst prüfbar. CSV-Zeilen, Summen und Kategorien werden gemeinsam mit nummerierten Bildern erzeugt. Die Exportlogik wird vom Worker und von der lokalen CLI geteilt, damit beide Wege dasselbe Ergebnis liefern.
Was die Tests sichtbar machen
Die aktuelle Testsuite umfasst 37 bestandene Tests. Sie prüft unter anderem deutsche Betragsformate, Sonderzeichen, leere Datumswerte, CSV-Spalten, Summenzeilen und die Zuordnung von Bildern zu Exportzeilen.
Der interessante Teil des Projekts ist deshalb nicht der Bot allein. Es ist die Verbindung aus klarer Systemgrenze, unveränderlichem Original, explizitem Review-Status und reproduzierbarem Export. Genau dort wird aus einer kleinen Automation ein belastbarer Workflow.
Die Grenze gehört zum Design
Für die öffentliche Darstellung verwende ich ausschließlich synthetische Belege. Echte Händler, Reisen, Beträge, Chat-IDs, Cloudflare-Kennungen, Tokens und lokale Pfade gehören weder in Screenshots noch in ein Repository.
Mein wichtigstes Learning lautet: Robuste AI-Automation beginnt nicht mit dem Modell. Sie beginnt mit sicheren Fehlerzuständen, nachvollziehbaren Korrekturen und einer Architektur, die Unsicherheit sichtbar lässt.