KI-Workflow-Generator
Beschreiben Sie es. Sie bekommen eine echte Pipeline.
Die meiste KI-Automatisierung endet bei Vorschlägen für einzelne Schritte. Beschreiben Sie der Zenvara Workflow-Engine einen Anwendungsfall, und sie entwirft die tatsächliche Pipeline — als typisiertes YAML, das Sie lesen, prüfen und in Git halten können.
So funktioniert es
Drei Schritte, keine Canvas zum Zeichnen.
Sie bleiben im Gespräch. Die Engine schreibt.
- 1
Sagen Sie, was automatisiert werden soll
In normaler Sprache. „Wenn eine Rechnung im gemeinsamen Postfach eingeht, lies die Positionen aus, prüfe sie gegen das Buchungsjournal und öffne ein Ticket, wenn sie abweichen.“
- 2
Zenvara entwirft die Pipeline
Der Assistent schreibt den Flow über die Entity-Tools der Plattform. Sie erhalten typisiertes YAML, nicht das Bild eines Graphen, und der DAG wird gerendert, damit Sie die Form des Ergebnisses sehen.
- 3
Prüfen, dann ausführen
Es wird kompiliert und validiert, bevor etwas läuft. Sie lesen den Diff, ändern, was Sie wollen, und führen es aus. Das YAML gehört Ihnen: versionieren, reviewen, deployen wie jeden anderen Code.
Was die Engine mitbringt
Einmal beschreiben. Alles danach ist Sache der Engine.
Die Pipeline schreiben, sie vor dem Start beweisen, Typen über jeden Schritt hinweg erhalten, eigene Schreibvorgänge zurücknehmen, wenn etwas fehlschlägt, und einem Agenten die ganze Plattform zum Bedienen geben. Das alles bringt die Engine mit.
Validiert, bevor es läuft
Der Flow wird zu einem typisierten DAG kompiliert und zuerst geprüft. Unbekannte Schritte, falsche Referenzen und Typkonflikte zeigen sich vor der Ausführung — nicht mitten in einem Lauf gegen Produktionsdaten.
Eigene Schreibvorgänge werden zurückgenommen
Schreibende Connectors tragen eine kompensierende Aktion. Schlägt Schritt sechs fehl, werden die Schreibvorgänge aus Schritt eins bis fünf zurückgerollt. Sie müssen keine halbfertige Arbeit von Hand nachbereiten.
Typen überleben die Schrittgrenze
Ausdrücke werden mit echten Typen ausgewertet statt über String-Konvertierung. Eine Zahl bleibt auf dem Weg von einem Schritt zum nächsten eine Zahl.
Der Agent kann die Plattform bedienen
54 MCP-Tools decken Entities, Runs, Deployment, Secrets und Introspektion ab. Ein Agent kann einen Lauf untersuchen und den Flow korrigieren, nicht nur als Blackbox auslösen.
Einmal gebaut, läuft er kostenlos
Die KI hilft beim Bauen des Flows; zum Ausführen wird sie nicht gebraucht. Eine veröffentlichte Pipeline ist ein kompiliertes Programm: Der tausendste Lauf kostet so viel wie der erste — nichts — und liefert dasselbe Ergebnis. Keine Modellrechnung pro Lauf, kein Modell-Drift im Produktivpfad.
Ihr Team und die Agenten teilen sich einen Raum
Chaträume sind vollwertige Mitglieder, kein Seitenpanel. Mehrere Agenten können unter eigenen Labels beitreten, einander schreiben und Direktnachrichten senden und aufeinander warten, während die Menschen im Raum live mitlesen und die Historie erhalten bleibt. Pro Deployment aktivierbar.
Drei Wege hinein
Mit ihr sprechen, selbst bauen oder den eigenen Assistenten mitbringen. Dieselbe Engine, derselbe Raum.
Sie wählen keine Produktstufe. Sie wählen, wie viel der Arbeit Sie an einem Tag selbst machen wollen.
Basic — beschreiben
Ein Gespräch. Sagen Sie in normaler Sprache, was automatisiert werden soll; der Assistent entwirft den Flow als typisiertes YAML und veröffentlicht ihn, dann bringt er Sie zum Graphen, damit Sie lesen können, was entstanden ist. Nichts erreicht einen ausgerollten Flow nur deshalb, weil ein Modell es vorgeschlagen hat. Ab dem nächsten Release kann er alles, was Pro kann: jede Art von Flow, gebaut, geändert und ausgeführt aus dem Gespräch heraus.
Pro — bauen
Das vollständige Studio: acht Editor-Oberflächen, das YAML, die Run-Historie, die Secrets, die Umgebungen. Alles, was der Assistent kann, können Sie direkt — und beide arbeiten am selben Live-Dokument, Sie können also im Chat anfangen und von Hand fertigstellen.
Ihr Assistent — von dort steuern
Verbinden Sie Claude oder jeden anderen Assistenten, der MCP spricht, mit Ihrem Zenvara und arbeiten Sie aus dem Chat, den Sie schon nutzen: Er kann dort Flows bauen, ausführen und prüfen. Einträge in den App-Verzeichnissen von Claude und ChatGPT sind in Vorbereitung.
Was es kostet
Günstig beim Bauen. Kostenlos im Betrieb.
Die meisten KI-Werkzeuge kosten bei jedem Lauf der Automatisierung. Zenvara setzt KI beim Bauen ein, wo sie hilft, und hält sie aus dem Lauf heraus, solange Sie sie nicht selbst hineinsetzen.
Zuerst das günstigste Modell
Der Assistent beginnt mit dem günstigsten Modell des gewählten Anbieters, etwa Claude Haiku, und wechselt nur dann zu einem stärkeren wie Sonnet oder Opus, wenn die Aufgabe es verlangt. Standardmäßig aktiv für Anthropic, OpenAI und Google.
Keine Tokens pro Lauf
Ein veröffentlichter Flow läuft ohne die KI, die ihn geschrieben hat; das Entwerfen kostet also nichts pro Lauf. Ein Flow ruft nur dort ein Modell auf, wo Sie selbst einen KI-Schritt einbauen.
Oder ganz ohne API-Rechnung
Verbinden Sie Zenvara mit einem selbst betriebenen Modell über Ollama, LM Studio, vLLM oder llama.cpp, und das Bauen kostet nur Ihre eigene Hardware.
Bevor Sie damit planen
Die Grenzen, vorab genannt.
Zenvara ist in der Public Beta und in aktiver Entwicklung, mit mindestens einem Release pro Monat. Diese Grenzen sollten Sie kennen, bevor Sie darauf planen.
- Die Canvas ist ein Viewer, kein Editor
- Der DAG zeigt Ihnen einen kompilierten Flow zum Lesen und Prüfen. Sie zeichnen keinen Flow durch das Ziehen von Knoten. Erstellt wird im Chat, aus einer Vorlage oder direkt im YAML.
- Sie prüfen, bevor es ausgeliefert wird
- Generierte Ergebnisse sind bewusst ein Entwurf. Nichts erreicht einen deployten Flow, weil ein Modell es vorgeschlagen hat — Sie lesen es und entscheiden. Genau darum geht es.
An Ihrem eigenen Anwendungsfall
Bringen Sie einen Workflow mit. Wir entwerfen ihn live.
Beschreiben Sie etwas, das Sie heute automatisieren — oder gerne würden. Wir bauen es in der Sitzung, und das YAML behalten Sie in jedem Fall.