PromptID
Von 0 auf Produktion in 6 Wochen. Pilot- und Investor-Demo-bereit.
PromptID ist eine AI-native EdTech-Plattform für Arbeitgeber und Universitäten. Sie prüft Lernende durch Analyse des Denkprozesses statt durch Belohnung von Auswendiglernen. Ein proprietärer Algorithmus treibt die Bewertungsmaschine an.
“Geliefert, wofür ein größeres Team normalerweise viel länger braucht. Reporting-Überarbeitung, Security-Hardening, Infrastruktur-Optimierung: alles End-to-End übernommen. Die Produktion blieb während …” — April Elias GoogleÜberblick
PromptID ist eine AI-native EdTech-Plattform für Arbeitgeber und Universitäten. Sie prüft Lernende durch Analyse des Denkprozesses statt durch Belohnung von Auswendiglernen. Ein proprietärer Algorithmus treibt die Bewertungsmaschine an.
Die Herausforderung
Mitten im Build bewegte sich der Markt und der Zeitplan schrumpfte um einen Monat. Pilotgespräche und Investor-Demos standen im Kalender. LLM-Agnostizismus, intuitives UX, produktionsreif ab Tag eins – nichts verhandelbar. Der Monat musste aus dem Scope kommen, nicht aus der Qualität.
Ursprünglicher Zeitplan um einen Monat verkürzt. QA blieb scharf.
Der ursprüngliche Gantt hatte am Ende einen Monat QA und Testing. Der Markt nahm diesen Monat, wir mussten früher produktionsreif sein. Der Reflex wäre, Test-Strenge zu kürzen. Wir kürzten stattdessen Feature-Scope. Die Produktionsqualität blieb gehalten, indem wir die Oberfläche schrumpften, nicht die Testzeit. Die Investoren-Demos und Pilotgespräche im Kalender bekamen, was sie brauchten.
Was wir gemacht haben
Der Zeitplan schrumpfte mitten im Build um einen Monat. Wir kürzten Feature-Scope, nicht QA, und hielten die Produktionslatte. NestJS API mit BullMQ-Eval-Queue, NextJS-Frontend, LangChain, damit Modell-Wechsel Konfigurationssache bleiben, Kubernetes-Autoscaling. Pilot- und Investor-Demo-bereit in sechs Wochen ausgeliefert – als der Markt es brauchte, nicht als der Gantt es sagte.
Ergebnisse
Produktionsarchitektur
Das Diagramm zeigt eine vereinfachte High-Level-Architektur und lässt vertrauliche Implementierungs- und Sicherheitsdetails aus.
Asynchrone Auswertung von Einreichungen
sequenceDiagram
autonumber
participant L as Learner Browser
participant API as NestJS API
participant Q as BullMQ (Redis)
participant W as Eval Worker
participant AI as OpenAI Reasoning
participant DB as Postgres
L->>API: POST /submissions
API->>DB: persist submission
API->>Q: enqueue eval job
API-->>L: 202 Accepted
Q->>W: dispatch job
W->>AI: evaluate (LangChain)
AI-->>W: score + construct
W->>DB: persist evaluation
L->>API: poll /submissions/{id}
API->>DB: read evaluation
API-->>L: feedback payload
Kundenstimme
Geliefert, wofür ein größeres Team normalerweise viel länger braucht. Reporting-Überarbeitung, Security-Hardening, Infrastruktur-Optimierung: alles End-to-End übernommen. Die Produktion blieb während Pilot-Vorbereitung und Investor-Demos stabil. Klare Kommunikation, kein Hinterherjagen nach Status-Updates. Großartiges Team!
Zwei separate Projekte, beide Male durchgehend positiv. Professionell, reaktionsschnell, extrem kompetent und sehr angenehm in der Zusammenarbeit. Sie nehmen sich Zeit, hören aufmerksam zu, stellen durchdachte Fragen und sorgen dafür, dass alle auf dem gleichen Stand sind. Technisch hochkompetent und gehen konsequent über das Erwartete hinaus, um Momentum zu halten. Selbst wenn sich Anforderungen ändern, bleiben sie ruhig, kollaborativ und lösungsorientiert. Klare Empfehlung für Kevin, Chris und das Wavect-Team.
Mehrere venture-finanzierte Startups in 4 Jahren mit Wavect aufgebaut. Weltklasse-Team. Großartige Sparringspartner in der Discovery-Phase, verlässliche und planbare Ingenieure in der Entwicklung und insgesamt großartige Leute. Sehr klare Empfehlung für euer nächstes Projekt.
Erstaunlich effizient, professionell und exzellente Arbeit. Ich habe kürzlich mit Kevin und seinem Team an einem großen Projekt gearbeitet. Ich werde wieder mit ihm zusammenarbeiten und empfehle seine Dienstleistungen wärmstens.
Was wir gelernt haben
Modell-Agnostizismus zahlt sich schnell aus. Die Landschaft verschiebt sich ständig, und LangChains Abstraktion machte Modell-Wechsel zur Konfigurationsänderung. Kubernetes-Autoscaling verdiente sich seinen Platz – kein Overprovisioning, aber das System fing Lastspitzen in Sekunden ab.
Wollen Sie ähnliche Ergebnisse?
Erzählen Sie uns, was Sie bauen. Wir sagen Ihnen, ob wir das richtige Team dafür sind.
Termin buchen