Drei Jahre Powerhouse – von der Kern-Engine bis zur eigenen Cloud

Jede Änderung in Powerhouse wird als Operation gespeichert. So können viele Beteiligte dieselben Dokumente bearbeiten, und jeder Schritt bleibt nachvollziehbar. Dafür braucht es eine schnelle Dokumenten-Engine und eine sichere API.

So funktioniert es

1. Connectder Editor, in dem gearbeitet wird
2. SwitchboardGraphQL-API mit Auth und Rollen
3. Dokumenten-EngineOperationen, Queues, Cache
4. SpeicherPostgres via Prisma, Redis

Was wir gebaut haben

• Speicherung und Caching für die Dokumenten-Engine: Prisma-Storage, ein Dokumenten-Cache und Operation-Queues mit In-Memory- und Redis-Backends.
• Switchboard, die GraphQL-API: Authentifizierung und Rollenprüfung, geschützte Mutations, Health Checks und strukturiertes Logging.
• Login mit Renown, der dezentralen Identität von Powerhouse, abgesichert durch End-to-End-Tests.

• TypeScript
• GraphQL
• Prisma
• Redis
• Playwright
• Sentry

Powerhouse brauchte einen Ort, um die Apps seiner Kunden in der EU zu betreiben: jede isoliert, überwacht und in Minuten deploybar, ohne dass jedes Team Kubernetes lernen muss. Wir haben diese Plattform konzipiert und gebaut.

So funktioniert es

1. git pushoder die vetra CLI
2. GitHub Actionbaut und veröffentlicht
3. ArgoCDsynchronisiert den Soll-Zustand
4. k3s bei Hetznerprovisioniert mit Terraform
5. MandantApp, Postgres, Secrets, Dashboards

Was wir gebaut haben

• Schlanke Kubernetes-Cluster (k3s) bei Hetzner, provisioniert mit Terraform.
• GitOps-Deployment mit ArgoCD und Helm: Ein Merge in Git ist ein Deploy.
• Managed Postgres, eine private Container-Registry, persistenter Speicher, automatisches TLS und Secrets in OpenBao.
• Vollständige Observability mit Prometheus, Loki, Tempo und Grafana, dazu ein Proxy, der die Monitoring-Daten jedes Mandanten trennt.
• Die Vetra Cloud Console mit Add-ons per Klick, ein Kommandozeilen-Tool und eine GitHub Action: So deployen Teams, ohne Kubernetes anzufassen.

• k3s
• Terraform
• ArgoCD
• Helm
• Cilium
• OpenBao
• CloudNativePG
• Harbor
• Grafana-Stack
• Go

Teams wollen ihre eigenen Dokumente durchsuchen und automatisieren, dürfen Verträge, Pläne oder Aufnahmen aber oft nicht an einen externen KI-Anbieter schicken. Also musste das Modell zu den Daten kommen.

So funktioniert es

1. Ihre DateienPDF, Office, Scans, Audio, Video
2. Doclingzerlegt in typisierte Blöcke
3. Blöcke & Transkriptestrukturiert, mit Zeitstempeln
4. Open-Weight-LLMllama.cpp, kein öffentlicher Endpunkt
5. Suche & WorkflowsPaperless-ngx, Automatisierungen

All das läuft im eigenen Cluster des Kunden.

Was wir gebaut haben

• Verarbeitung mit Docling: Dokumente werden zu typisierten, abfragbaren Blöcken, Aufnahmen zu Transkripten mit Zeitstempeln.
• Workflow-Anbindung an Paperless-ngx, damit eingescannte Unterlagen automatisch einfließen.
• Ein Open-Weight-Sprachmodell, bereitgestellt mit llama.cpp im Cluster.
• Verpackt als Add-on per Klick in der Vetra Cloud Console.

• Docling
• llama.cpp
• Open-Weight-LLM
• Paperless-ngx
• TypeScript
• Kubernetes