Rechnungsverarbeitung
Ein KI-Agent extrahiert strukturierte Daten aus Rechnungen. Ein deterministischer Tool-Agent validiert Summen und erzeugt prüfbare JSON-Ergebnisse. Bei Fehlern sind Wiederholungsversuche möglich.
connic init my-project --templates=invoiceÜberblick
Eine sequenzielle Pipeline extrahiert mithilfe eines LLM-Agenten mit Rechenwerkzeugen strukturierte Daten aus unaufbereitetem Rechnungstext oder Bildern. Anschließend validiert ein deterministischer Tool-Agent die Summen ohne Token-Kosten. Middleware ergänzt Audit-Trails mit Request-IDs und Kosten-Tracking. Die Pipeline unterstützt Retries bei vorübergehenden Fehlern und die parallele Verarbeitung mehrerer Rechnungen.
Use Cases
Automatisierung der Kreditorenbuchhaltung
Die Pipeline verarbeitet eingehende Lieferantenrechnungen, extrahiert Positionen und Summen und validiert sie vor der Buchung im ERP.
Belegerfassung
Belege aus Fotos oder PDFs werden in strukturierte Daten für Spesenabrechnungen und Abstimmungen umgewandelt.
Rechnungsprüfung
Die Stapelverarbeitung markiert Abweichungen zwischen angegebenen und berechneten Summen und protokolliert jeden Schritt im Audit Trail.
Architektur
Wichtige Template-Dateien
Installiere diese Dateien mit connic init my-project --templates=invoice. Die CLI legt die Agentendefinitionen unter agents/ in einem Ordner mit dem Namen des Templates ab.
invoice/
agents/
invoice-extractor.yaml
invoice-validator.yaml
invoice-pipeline.yaml
tools/
invoice_tools.py
middleware/
invoice-extractor.py
schemas/
invoice.json
requirements.txt
README.mdLoslegen
Installiere das Template, erstelle ein Connic-Projekt und starte das Deployment über ein verbundenes Git-Repository oder die CLI.
Voraussetzungen
- Python 3.10+
- Ein Connic-Konto mit einem angelegten Projekt
- Projektguthaben für ein connic/* KI-Modell oder Zugangsdaten für einen BYOK Provider
Installieren und Projekt anlegen
Installiere das SDK und erstelle aus diesem Template ein Projekt.
terminalpip install connic-composer-sdk connic init my-project --templates=invoiceDanach cd my-project
Bereitstellen
Wähle eine Deployment-Methode. Bei einem verbundenen Git-Repository startet jeder Push ein Deployment. Nutze die CLI für Projekte ohne verbundenes Git-Repository.
Git-Integration
Verbinde in Connic unter Projekt Settings → Git & Environments das GitHub-Repository
Ordne auf derselben Seite den Branch (z. B. main) der Produktivumgebung zu
Pushe das erzeugte Projekt in dieses Repository
terminalgit add . git commit -m "Rechnungsverarbeitung Template hinzufügen" git push origin mainCLI Deployment
Erstelle in Connic unter Projekt Settings → API Keys & MCP Auth einen API Key und kopiere die Projekt-ID
Führe im Projektverzeichnis connic login aus
Teste mit connic dev und Hot Reload, führe mit connic test Testsuiten aus oder starte mit connic deploy das Deployment für den Produktivbetrieb
terminalconnic login connic dev # Temporäre Entwicklungsumgebung mit Hot Reload connic test # Deklarative Test Suites ausführen connic deploy # In den Produktivbetrieb deployenVerbinden und konfigurieren
Füge für die Rechnungsverarbeitung in Echtzeit eine synchrone HTTP-Webhook-Verbindung hinzu. Sende die Rechnungsdaten per POST an die Webhook-URL und erhalte das strukturierte Extraktionsergebnis als Antwort. Ein connic/* KI-Modell nutzen oder BYOK-Zugangsdaten unter Projekt Settings → LLM Provider hinterlegen.
Template-Quelle
Das vollständige Template lässt sich einsehen, verbessern oder für einen anderen Einsatz forken.
connic-org/connic-awesome-agents/tree/main/invoiceInformationen
- Publisher
- Von Connic
- Kategorie
- Agent Templates
- Schwierigkeitsgrad
- Einsteiger
- Funktioniert mit
- HTTP Webhook, AWS S3, E-Mail
- Quelle
- GitHub
Weitere Agent Templates
Marketplace durchsuchenE-Mail-Helpdesk
Der E-Mail-Helpdesk fragt Postfächer per IMAP ab, filtert automatische Antworten und klassifiziert Nachrichten nach Anliegen. Kontextbezogene Antwortentwürfe stammen aus dem konfigurierten Retrieval.
Kafka-Betrugserkennung
Transaktionen in Kafka Streams werden in Echtzeit auf Betrugsrisiken bewertet. Die Bewertung berücksichtigt die Häufigkeit von Transaktionen, geografische Anomalien und kundenspezifische Muster.
PostgreSQL-Änderungsbenachrichtigung
LISTEN/NOTIFY überwacht PostgreSQL-Änderungen, klassifiziert Ereignisse nach Auswirkung und leitet Benachrichtigungen an das richtige Team weiter. Änderungen mit hoher Auswirkung werden für Audits gespeichert.
SQS-Bestellverarbeitung
Bestellungen aus SQS-Queues werden mit Betrugserkennung, Bestandsprüfung und Concurrency-Keys validiert und abgewickelt. Ergebnisse werden in einer ausgehenden Queue veröffentlicht.
Lead-Anreicherung
Neue Registrierungen werden durch Unternehmensrecherche angereichert und anhand des idealen Kundenprofils bewertet. Qualifizierte Leads werden gespeichert.
Stripe-Mahnwesen
Automatisierte Zahlungserinnerungen helfen, fehlgeschlagene Stripe-Zahlungen nachzuholen. Sie berücksichtigen die Kundenhistorie und reichen von freundlichen Erinnerungen bis zu Hinweisen auf eine Leistungspause.