Projektdokumentation

BelegLotse

KI-Beleg-Extraktor mit DATEV-Export — Rechnungen/Mahnungen strukturiert erfassen, fachlich prüfen und exportieren. Optional 100 % lokal.

1. Umfeld & Ziel

Buchhaltung und Steuerbüros tippen Rechnungen von Hand ab. Ziel: aus PDF/Bild strukturierte Daten extrahieren, sie fachlich validieren und in ein echtes Buchhaltungsformat (DATEV) exportieren — nachvollziehbar und optional ohne Datenabfluss.

2. Architektur

Clean Architecture (Abhängigkeiten nach innen). Server-rendered (Jinja2/HTMX) + schlankes Vanilla-JS (SSE-Schritte, Upload, Export-Download). Kein DB — flüchtige Verarbeitung.

Schicht	Aufgabe
`domain`	Beleg, Position, ValidationFlag, ExtractionResult + LLMPort + OcrPort
`application`	BelegExtractor (Use-Case) + Validierungsregeln (UStG/BGB)
`infrastructure`	document (pypdf/OCR), extractor (LLM structured output), export (DATEV/CSV/JSON), Mistral/Ollama, Tesseract
`api`	FastAPI: Extraktor, /extract (SSE), /export/{fmt}

3. Pipeline

Upload PDF/Bild→ OCR / pypdf→ LLM-Extraktion→ Validierung→ DATEV / CSV / JSON

PDFs liefern Text über pypdf, Bilder über Tesseract-OCR (lokal). Die Extraktion nutzt structured output (typisierte Felder + Positionen + Confidence). Darüber laufen deterministische Validierungsregeln — das „Enterprise"-Muster: die KI schlägt vor, harte Regeln prüfen.

4. Validierung (Differenzierer)

Prüfung	Regel
MwSt rechnerisch	Netto + MwSt = Brutto (±0,02) und MwSt = Netto × Satz (19/7 %)
§ 14 UStG Pflichtangaben	Rechnungsnr, Datum, Lieferant, USt-IdNr, Netto, MwSt, Brutto vorhanden
Fälligkeit / § 288 BGB	überfällig? → Hinweis auf Verzugszinsen (B2B: 9 %-Pkt. über Basiszinssatz) — kein erfundener Betrag
IBAN plausibel	Format + Prüfsumme (mod 97)
USt-IdNr plausibel	Format (DE + 9 Ziffern)

Jede Prüfung erzeugt ein Flag (✅/⚠️/❌) mit Begründung — Erklärbarkeit (EU-AI-Act).

5. Evaluation

Gegen ein synthetisches Golden-Set (10 Belege, inkl. 2 mit absichtlichem MwSt-Fehler):

Metrik	Wert
Feld-Genauigkeit gesamt	100 % (67/67)
Exact-Match-Rate	10/10
Validation-Catch-Rate (MwSt-Fehler erkannt)	2/2
Latenz p50 / p95	1,7 / 1,8 s

Ehrliche Einordnung: kleines, sauber etikettiertes Set — der Wert liegt im feld-genauen, reproduzierbaren Harness (python eval/run_eval.py), nicht in der reinen Zahl.

6. Datenschutz & Recht

EU-LLM (Mistral) oder 100 % lokal (Ollama + Tesseract) — Belege verlassen das Gerät nicht. Keine Speicherung (Datenminimierung). DATEV-EXTF ist ein vereinfachtes Mapping. Keine Steuerberatung (StBerG) — die fachliche Verbuchung bleibt beim Menschen.

7. Qualität & Sicherheit

CI: ruff + mypy --strict + pytest (35 Tests, offline via FakeLLM/FakeOcr). Validierungsregeln deterministisch unit-getestet. Sicherheit: server-seitiges Escaping (kein XSS, Regressionstest), Eingabe-Limit + Rate-Limit pro IP, Prompt-Injection-Härtung (Beleg-Text = Daten).

Teil des Portfolios von Limber Martinez · Live: beleglotse.limbermartinez.com · Stand: 2026-06.