Den Anfang machte DeerDevil, ein Romanleser für eine einzige Autorin, den ich für eine zwölfteilige koreanische Dark-Fairy-Tale-Anthologie eigenhändig stimmte — mit eigener Typografie, geweihförmigen Trennern und einer Eröffnung im Schreibmaschinen-Takt. Im Lauf einer Saison wurde daraus der visuelle Kanon einer ganzen Plattform: jede Autorin und jeder Autor kann unter /{author} einen Slug beanspruchen, eine Stimmung in einfachem Koreanisch beschreiben, und die Plattform gibt ein KI-generiertes Theme zurück, das diese Stimmung auf die Darstellung des Werks überträgt. Das ursprüngliche DeerDevil läuft weiterhin unter seinem eigenen Slug, als Vorbild, an dem jeder andere Autorenraum gemessen wird.
Das Produkt teilt sich in drei Surfaces auf — einen öffentlichen Autorenraum unter jedem /{author}, ein Autoren-Dashboard für Upload, Theme-Editor, Credits, Episodenverwaltung und Analytics, und eine Plattform-Shell für die Discovery. Das Frontend baut auf Next.js, React und TypeScript mit Tailwind CSS auf, das Backend ist ein NestJS-Service, und die gesamte Infrastruktur läuft auf Google Cloud — gestartet ist die Plattform auf Azure, und auch der Umzug über die Clouds hinweg war ein Alleingang.
Ein Autor beschreibt eine Stimmung in eigenen Worten. Die Plattform wandelt sie in strukturierte Daten zu Farben, Typografie, Layout und Dekorationen um. Neue Leser erhalten eine Standardansicht aus vorbereiteten Vorlagen.
Manuskripte kommen so an, wie Autorinnen und Autoren tatsächlich schreiben — Markdown, reiner Text, Word und die koreanischen HWP-Formate — und werden in eine einzige typisierte Blockstruktur normalisiert, bevor irgendetwas rendert. Zu den Lesefunktionen gehören Lesezeichen, ein Fortschritt pro Episode, der einen Reload überlebt, Abos, Likes, verzweigte Kommentare und zeitlich begrenzte Share-Links, mit denen eine Episode auch ohne Account gelesen werden kann.
Die KI-Funktionen sind von Anfang an defensiv geschrieben. Die Themengenerierung erzwingt strukturierte Ausgabe, die Romananalyse läuft als Drei-Spuren-Inspektion über Konsistenz, Ton und Charakter. Lange Aufgaben sind jederzeit abbrechbar, sodass ein Credit-Refund genau in dem Moment ausgeführt wird, in dem ein Client abbricht. Zur Prüfung der Analysegrundlage gilt: jede gemeldete Issue muss ein kurzes wörtliches Zitat aus dem Text der Episode mitliefern, und dieses Zitat wird validiert, bevor die Antwort die Boundary passieren darf.
Die Credit-Preise enthalten eine Sicherheitsmarge, damit die Erlöse über den KI-Kosten liegen. Die Preistabelle gehört einem dedizierten Cost-Accounting-Agenten, und ein Sensor rechnet die Zahlen erneut durch.
Der Zahlungsanbieter agiert als Merchant of Record; Webhooks werden idempotent verarbeitet, sodass ein wiederholtes Event niemals doppelt gutschreiben kann; ein Abgleichsjob prüft das Ledger in festem Takt gegen den Anbieter; und zwischen Plattform und Zahlungs-API steht ein Circuit Breaker, damit ein Ausfall des Anbieters sanft degradiert, statt zu kaskadieren.
Ich nutze Skills und spezialisierte Sub-Agenten für Entwicklung, Tests, Recherche sowie die Prüfung von Code und Design. Automatische Prüfungen erfassen Kostenmargen, atomare Änderungen des Credit-Guthabens, Rückerstattungen, offengelegte Geheimnisse und Abweichungen zwischen geplanter und ausgelieferter Konfiguration. Architekturentscheidungen halte ich mit Datum fest.
Heute ist die Plattform in Betrieb. Für diese Website habe ich dieselben Entwicklungsmethoden verwendet.