Snip Voice-First.
Cross-Platform Self-Management-App. Sprachsteuerung erfasst Gedanken, eine Generierungs-Pipeline strukturiert sie zu Tagesplänen mit Pause-Enforcement und Conflict-Detection.
Today-Screen mit Multi-Action-Sheet, Voice-Capture und manueller Edit teilen sich die gleiche Diff-Card-UI
Reibung zwischen Gedanke und To-Do.
Kalender-Apps zwingen dich, einen Plan in starre Slots zu tippen, bevor du wirklich weißt, wie der Tag laufen soll. Klassische Todo-Apps sammeln Gedanken, aber strukturieren sie nicht. Beides ist Reibung, die zwischen Idee und Umsetzung steht.
Snip arbeitet umgekehrt: Der Einstieg ist generisch, ein gesprochener Satz an die App („Plan mir den Abend, war heute lang im Büro"). Daraus entsteht ein konkreter Plan mit Zeitblöcken, der Pausen erzwingt, Konflikte erkennt und sich an gelernte Präferenzen anpasst.
Zielgruppe sind Knowledge Worker, berufsbegleitend Lernende, Studierende in Prüfungsphasen und alle mit hoher kognitiver Last, die ihren Tag strukturieren wollen, ohne sich durch starre Apps zu klicken. Mittel- bis langfristig ist Snip als ganzheitlicher Lebenscoach gedacht, mit Modulen für Training, Ernährung und Lernen.
Voice in, strukturierter Plan out.
Der erste Implementation-Block ist abgeschlossen und umfasst den vollen Voice-to-Plan-Loop für die generische Tagesplanung. Folgende Features sind live im Build:
Quick-Onboarding
7-Step-Wizard mit optionalem Voice-Input pro Frage. Profil wird sofort als Soft-Context in spätere Generierungen gefüttert.
Voice-Capture & STT
Speech-to-Text on-device über die Plattform-API, 60 s Maximum, fehlertolerant (cancelOnError=false).
Intent-Klassifikation
Edge Function voice-intent entscheidet Edit vs. Plan. Sticky-Intent pro Conversation, Klassifikation nur einmal, nicht pro Turn.
Tagesplaner
Sparkles-Button „TAG PLANEN" und Voice-Trigger enden im gleichen Multi-Action-Sheet mit ChangeProposal-Diff.
Inline-Edit pro Karte
Stift-Icon öffnet Time-Picker, User kann Zeiten anpassen, bevor er den Diff anwendet. Conflict-Banner warnt vor Überlappungen.
Lernlayer
User-Korrekturen (Zeitverlängerung, Block-Tausch) fließen via record-adjustment zurück. Spätere Vorschläge bekommen das als Soft-Context, kein Fine-Tuning nötig.
Native Mobile, EU-Cloud, deterministische Outputs.
Mobile-Client
Backend
Generierungs-Layer
Voice-First-UX mit deterministischer Diff-UI.
Die Architektur löst fünf Probleme parallel, und das ist der eigentliche Showcase:
- Sticky Intent Classification, pro Conversation einmal klassifizieren (PLAN vs. EDIT), dann direkt zur Ziel-Route. Spart Latenz und macht Folge-Turns flüssig.
- Universelles Output-Schema (
ChangeProposal[]), egal welche Domain (Generic, Training, Nutrition, Learning), egal welche Route, der Output ist identisch strukturiert. Eine UI rendert alles. - Conflict-Detection serverseitig, geteiltes Modul
_shared/conflicts.ts, sodass das Conflict-Banner automatisch in jeder Route funktioniert. - Continuous Learning ohne Fine-Tuning, User-Korrekturen mit
confirmed_countwerden zu Soft-Context im System-Prompt. Personalisierung ohne ML-Pipeline. - Privacy by Design, Daten in Supabase EU-Region, pro-User-RLS via
auth.uid(), STT läuft lokal auf dem Gerät.
Konzept, Architektur, End-to-End Build.
Vollständig eigenständige Konzeption und Implementierung: DB-Schema (additive Migrations, RLS-Policies, race-safe RPCs), Edge-Functions (Intent-Routing, Plan-Generierung, Prompt-Engineering), Flutter-Frontend (Wizard, Voice-Sheet, Time-Picker, State-Management).
Showcase-Aspekte:
- Multimodale Pipeline: Voice → STT → Intent-Classifier → Plan-Generator → strukturiertes JSON → UI.
- Two-Model-Architektur, schnelles Modell für die Klassifikation (+400 ms), tieferes Modell für die Generierung, Latenz-Optimierung mit Sticky-State.
- Continuous-Learning-Layer ohne Fine-Tuning, rein über Prompt-Context und User-Adjustments.
- Cross-Platform Native Mobile mit Supabase-Edge-Backend.
- Evidenzbasierte Domain-Logik (Mifflin-St-Jeor, ACSM, Jack Daniels VDOT, Dunlosky-Lernmethoden) als Sicherheits- und Empfehlungsschicht im Prompt, Phase 2/3.
Snip ist das Projekt, an dem ich aktuell aktiv weiterbaue, sobald Phase 2 (Training, Nutrition) und Phase 3 (Learning mit Spaced Repetition) live sind, geht es in die TestFlight-Phase.
Ähnliches Projekt im Kopf?
Wenn du ein Frontend, eine Pipeline oder ein eigenes Agenten-System brauchst, schreib mir eine kurze Mail oder buch einen Slot.