Zum Inhalt

KI-Vorlagen (Artikel + Bücher)

Mit Bibliogons KI-Vorlagen füllst du die Metadaten-Felder eines Artikels oder Buches – SEO-Titel, Tags, Bildgenerierungs-Prompts, Backcover-Texte, Kapitel-Zusammenfassungen und mehr – ohne alles von Hand einzutippen. Dasselbe .biblio.yaml-Format treibt drei gleichwertige Arbeitsabläufe; nimm den, der zu deinem Setup passt.

Screenshot: KI-Vorlage-Panel in der Artikel-Editor-Seitenleiste mit den drei Buttons „Mit KI füllen", „Vorlage exportieren", „Gefüllte Vorlage importieren", und dem Feldgruppen-Dialog geöffnet aus „Mit KI füllen" mit den Checkboxen für SEO / Tags / Thema / Auszug / Bildprompts.

Die drei Arbeitsabläufe

Arbeitsablauf A – Eingebaute KI

Du konfigurierst einen KI-Anbieter (Anthropic, OpenAI, Google, Mistral) unter Einstellungen → KI-Assistent und klickst „Mit KI füllen" im Artikel- oder Buch-Editor. Bibliogon ruft den Anbieter direkt auf, parst die YAML-Antwort und übernimmt die Felder. Der ergonomisch günstigste Weg; kostet, was der Anbieter pro Anfrage verrechnet.

Arbeitsablauf B – Eigener lokaler Endpoint

Richte Bibliogons KI-Einstellungen auf LM Studio, Ollama oder einen beliebigen OpenAI-kompatiblen lokalen Server. „Mit KI füllen" nutzt dann dein lokales Modell statt einer kostenpflicht- igen Cloud-API. Für die meisten lokalen Setups kein API- Schlüssel nötig; die Latenz hängt von deiner Hardware ab. Siehe LM Studio-Anleitung und Ollama-Anleitung weiter unten.

Arbeitsablauf C – Externe KI per YAML-Roundtrip

Exportiere eine leere (oder teilweise gefüllte) .biblio.yaml, füge sie in Claude.ai oder ChatGPT ein, hol die gefüllte Antwort zurück und lade sie über „Gefüllte Vorlage importieren" hoch. Keine KI-Konfiguration auf der Bibliogon-Seite nötig; funktion- iert mit jedem KI-Dienst, der YAML lesen und zurückgeben kann.

Das Vorlagenformat

Jede .biblio.yaml ist selbsterklärend. Jedes ausfüllbare Feld trägt drei Schlüssel: eine description in Klartext, ein realistisches example und den current_value (den die KI füllt). Ganz oben in der Datei steht der Regelblock für die KI – nur current_value füllen, in der Sprache des Artikels antworten, echte UTF-8-Zeichen verwenden, bei Unsicherheit Felder auf null lassen. Diese Regeln reisen MIT der Datei, sodass Arbeitsablauf C mit jeder KI funktioniert, die du gerade nutzt.

Screenshot: eine .biblio.yaml in einem Code-Editor mit dem Kommentar-Header oben (Regeln für KI-Assistenten 1-7), gefolgt vom Referenzblock (id, language, body_word_count, body_preview) und den ersten zwei ausfüllbaren Feldern (title und seo_title), jedes mit description + example + current_value.

Feldgruppen

Beim Klick auf „Mit KI füllen" wählst du, welche Kategorien die KI füllen soll. Jede Gruppe ist ein LLM-Aufruf.

Artikel

  • SEO – SEO-Titel (max. 60 Zeichen) und Meta-Beschreibung (150-160 Zeichen).
  • Tags – 5-10 kleingeschriebene Tags, die die Themen des Artikels widerspiegeln.
  • Thema – Ein Wort oder ein kurzer Ausdruck als Hauptthema.
  • Auszug – 200-300 Zeichen lange Kurzfassung für die Artikelliste.
  • Bildprompts – Stable-Diffusion-Prompts: ein Hero-Bild + eines pro H2-Abschnitt (standardmäßig max. 5; im Dialog überschreibbar).

Bücher

  • Marketing-Text – Backcover-Beschreibung + Autorenbio + Amazon-HTML-Beschreibung.
  • Keywords – 5-10 Marktplatz-Keywords.
  • Beschreibung & Genre – interne Beschreibung + Hauptgenre.
  • Cover-Prompt – Stable-Diffusion-Prompt für das Buchcover.
  • Kapitel-Zusammenfassungen – ein-Satz-Zusammenfassung pro bestehendem Kapitel, zugeordnet über die chapter_id.

Pro-Datensatz-Arbeitsabläufe

Die Artikel- und Buch-Editor-Seitenleisten tragen jeweils ein KI-Vorlage-Panel mit drei Buttons:

  • Mit KI füllen – öffnet den Feldgruppen-Dialog. Wähle die Klassen, aktiviere optional „Bestehende Werte überschreiben", klicke Füllen.
  • Vorlage exportieren – lädt die .biblio.yaml des aktuellen Datensatzes herunter. Öffne sie in einem Editor, füll sie von Hand aus oder füg sie in einen KI-Chat ein.
  • Gefüllte Vorlage importieren – lege eine gefüllte .biblio.yaml ab. Die reference.id der Vorlage muss zum Ziel-Datensatz passen. Die Überschreiben-Option funktioniert wie beim Füllen.

Screenshot: Artikel-Editor-Seitenleiste mit dem KI-Vorlage- Panel zwischen PublicationsPanel und der Export-Sektion, alle drei Buttons sichtbar, Panel im Standard-Layout.

Standardmäßig werden Felder mit vorhandenem Wert übersprungen. Die „Bestehende Werte überschreiben"-Option in beiden Dialogen ersetzt sie.

Aus Vorlage neu

Beide Dashboards haben einen Aus Vorlage neu-Button, der eine leere .biblio.yaml in der gewählten Sprache generiert. Füll sie manuell oder per KI, lade sie hoch, und ein frischer Daten- satz wird mit allen Vorlagenfeldern angelegt.

Screenshot: Artikel-Dashboard-Kopfzeile mit dem primären „Neuer Artikel"-Button neben dem sekundären „Aus Vorlage neu"- Button, und dem Aus-Vorlage-neu-Dialog mit dem Sprachenwähler (auf „de" voreingestellt) und der leeren Drop-Zone.

Massen-Arbeitsabläufe

Für Stapel bis zu 50 Datensätzen zeigt die Massen-Aktionsleiste auf jedem Dashboard ein KI-Dropdown mit drei Einträgen:

  • Vorlagen exportieren (ZIP) – packt eine .biblio.yaml pro ausgewähltem Datensatz in eine ZIP. Bearbeite sie wie du willst, importiere sie zurück.
  • Gefüllte Vorlagen importieren (ZIP) – lädt eine ZIP hoch und wendet jeden Eintrag auf seinen Ziel-Datensatz an (zugeordnet über reference.id). Pro-Eintrag-Fehler (Parse-Fehler, unbekannte ID, Schema-Mismatch) erscheinen in der Antwort, ohne den ganzen Stapel zu kippen.
  • Mit KI füllen... – der Massen-KI-Füll-Ablauf. Wähle die Feldgruppen, sieh die Aufschlüsselung pro Eintrag vor dem Bestätigen, dann beobachte das persistente Dock, das den Fortschritt meldet.

Screenshot: Artikel-Dashboard mit 3 ausgewählten Artikeln, der Massen-Aktionsleiste oben und dem geöffneten „KI"-Dropdown mit den drei Einträgen, das sekundäre Löschen-Dropdown daneben zum Vergleich.

Kostenschätzung vorab

Der KI-Füllung bestätigen-Dialog zeigt jeden Eintrag und dessen geschätzte Kosten. Unter 10 Einträgen ist die Tabelle inline; ab 10 hinter einer „Aufschlüsselung pro Eintrag"- Ausklappung. Die Gesamtsummen zeigen Einträge, LLM-Aufrufe, Input-Tokens, Output-Tokens, Modellname und geschätzte USD- Kosten. Der Modellname kommt direkt aus deinen KI-Einstellungen.

Screenshot: der BulkAiFillConfirmDialog mit 5 ausgewählten Artikeln, der Gesamtsummen-Leiste mit 5 Einträgen / 5 LLM- Aufrufen / 4000 Input-Tokens / 1000 Output-Tokens / gpt-4o / $0.0125, und der Inline-Tabelle pro Eintrag darunter mit einer Zeile pro Artikel.

Wenn das konfigurierte Modell nicht in Bibliogons Preistabelle steht, erscheinen die Kosten als „—" mit dem Hinweis „Kosten unbekannt, weil das konfigurierte Modell nicht in der Preistabelle steht". Der Job läuft trotzdem; nur die Schätzung fehlt.

Fortschritts-Dock

Nach KI-Füllung starten übernimmt das Dock. Es sitzt unten links und zeigt den Live-Fortschrittsbalken plus den Titel des aktuell verarbeiteten Eintrags. Klick darauf, um das volle Pro- Eintrag-Modal mit Gesamtsummen (Einträge / aktualisiert / Tokens / Kosten) und einer scrollbaren Liste aller Einträge zu öffnen, farblich nach Status sortiert (läuft / fertig / übersprungen / Fehler). Du kannst in anderen Bibliogon-Bereichen weiterarbeiten, während der Job läuft.

Screenshot: das Bulk-KI-Füll-Dock in der unteren linken Ecke des Dashboards mit „KI-Füllung: 3/5" und dem Fortschritts- balken bei 60%, darunter der aktuelle Eintragstitel, während der Rest des Dashboards interaktiv bleibt.

Screenshot: das Bulk-KI-Füll-Modal ausgeklappt mit der Gesamtsummen-Leiste oben und der Pro-Eintrag-Liste mit 5 Zeilen: 3 als fertig markiert (grüner Haken) mit Token- und Kostenwerten, 1 läuft (blauer Spinner), 1 wartet.

Nach Abschluss kannst du das Dock schließen, das Dashboard aktualisieren, um alle aktualisierten Metadaten zu sehen, oder einzelne Datensätze öffnen, um die Füllung zu prüfen.

Wenn du den Browser neu lädst, während ein Job läuft, verbindet sich Bibliogon über localStorage wieder mit demselben Job, und das Dock kommt zurück. Der Job läuft serverseitig weiter, unabhängig davon, ob dein Browser offen ist.

KI-Einstellungen

Öffne Einstellungen → KI-Assistent, um deinen Anbieter zu konfigurieren.

Screenshot: Einstellungsseite mit dem KI-Assistent-Tab ausgewählt, dem Anbieter-Dropdown (auf „OpenAI (GPT)" gesetzt), dem Base-URL-Feld, dem Modell-Feld, Temperature + Max-Tokens-Eingaben, dem maskierten API-Schlüssel-Feld mit dem Augen-Toggle und dem „Verbindung testen"-Button.

Das Anbieter-Dropdown hat sechs Optionen:

  • Anthropic (Claude) – Standard-Sonnet-Modell, braucht einen Anthropic-API-Schlüssel.
  • OpenAI (GPT) – Standard gpt-4o, braucht einen OpenAI-API-Schlüssel.
  • Google (Gemini) – Standard gemini-2.0-flash, braucht einen Google-API-Schlüssel.
  • Mistral – Standard mistral-large-latest, braucht einen Mistral-API-Schlüssel.
  • LM Studio (lokal) – Standard http://localhost:1234/v1, kein API-Schlüssel nötig. Siehe LM Studio-Anleitung.
  • Eigener Endpoint (OpenAI-kompatibel) – lässt Base URL und Modell leer, du tippst eigene Werte. Für Ollama, vLLM, selbst gehostete Gateways oder jeden OpenAI-kompatiblen Endpoint ohne Preset.

Ein benannter Preset füllt Base URL + Standard-Modell automatisch aus und leert den API-Schlüssel. Eigener Endpoint über- schreibt deine bestehenden Werte nicht – er beschriftet nur das Dropdown, damit die anderen Einstellungen Sinn ergeben.

Verbindung testen prüft, ob der Endpoint erreichbar ist und der Schlüssel (falls vorhanden) authentifiziert. Testen vor dem Speichern, damit du keine Tokens auf einen falsch konfigurierten Client verschwendest.

LM Studio-Anleitung

LM Studio ist eine Desktop-App (macOS / Windows / Linux), die lokale LLM-Modelle mit einer OpenAI-kompatiblen API ausführt. Kostenlos, vollständig lokal, das reibungsärmste „Arbeitsablauf B"-Setup.

1. Herunterladen und installieren

Hole LM Studio von https://lmstudio.ai. Installiere es für dein OS, starte es.

2. Modell herunterladen

Der Home-Tab zeigt empfohlene Modelle. Wähl ein Bibliogon- freundliches – Llama 3.1 8B Instruct, Qwen 2.5 7B Instruct oder ein instruct-getuntes Modell im 4-8B-Bereich funktioniert gut für Metadaten-Generierung. Klick Download.

Screenshot: LM Studio Home-Tab mit einer Modellsuche nach „qwen 2.5 7B instruct" mit dem Treffer + Download-Button.

3. Lokalen Server starten

Wechsle in den Developer-Tab (oder „Local Server" in älteren Versionen). Wähl das heruntergeladene Modell aus dem Dropdown oben, klick Start Server (der grüne Play-Button). LM Studio meldet Server running on port 1234 und listet die OpenAI- kompatible Base URL.

Screenshot: LM Studio Developer-Tab mit geladenem Modell, Server Status auf „Running on port 1234", und der API- Endpoint-URL http://localhost:1234/v1 im rechten Panel.

4. Bibliogon konfigurieren

Bibliogon öffnen → Einstellungen → KI-Assistent. Wähl LM Studio (lokal) aus dem Anbieter-Dropdown. Die Base URL füllt sich automatisch zu http://localhost:1234/v1. Lass das Modell- Feld leer (LM Studio liefert was geladen ist) oder tippe den Namen, den LM Studio anzeigt. Klick Verbindung testen – du solltest einen grünen „Verbindung erfolgreich"-Toast bekommen. Klick Speichern.

5. KI-Features nutzen

Klick irgendwo in Bibliogon auf Mit KI füllen. Das lokale Modell antwortet; kein API-Schlüssel nötig, keine Kosten pro Anfrage, nach dem Modell-Download komplett offline.

Abwägung: Ein 7B-Modell produziert kürzere, weniger ausgefeilte Metadaten als GPT-4o. Für SEO + Tags ist das in Ordnung. Für Marketing-Texte willst du eventuell zu einem größeren lokalen Modell wechseln (Mixtral 8x7B, wenn deine Hardware das schafft) oder Arbeitsablauf A mit einem bezahlten Anbieter nutzen.

Ollama-Anleitung

Ollama ist eine CLI-zuerst-Alternative zu LM Studio, beliebt auf Servern und Headless-Setups. Gleiches Endergebnis.

1. Installieren und Modell ziehen

# macOS
brew install ollama

# Linux
curl https://ollama.ai/install.sh | sh

# Instruct-Modell ziehen
ollama pull llama3.1:8b-instruct

2. Server starten

ollama serve

Ollama lauscht standardmäßig auf http://localhost:11434. Der OpenAI-kompatible Endpoint liegt unter http://localhost:11434/v1.

Screenshot: Terminal zeigt ollama serve mit dem Start-Banner „Listening on 127.0.0.1:11434" und einer anschließenden ollama list-Ausgabe, die das gezogene Modell bestätigt.

3. Bibliogon konfigurieren

Einstellungen → KI-Assistent öffnen. Wähl Eigener Endpoint (OpenAI-kompatibel) aus dem Anbieter-Dropdown. Trag in Base URL ein: http://localhost:11434/v1. Trag in Modell ein: llama3.1:8b-instruct (oder was du gezogen hast). API-Schlüssel leer lassen.

Screenshot: Bibliogon Einstellungen KI-Tab mit Anbieter auf „Eigener Endpoint (OpenAI-kompatibel)" gesetzt, Base-URL-Feld mit http://localhost:11434/v1, Modell-Feld mit llama3.1:8b-instruct, API-Schlüssel leer, Verbindung-testen- Button gerade geklickt mit grünem Häkchen.

Klick Verbindung testen, dann Speichern. Mit KI füllen läuft jetzt über Ollama.

Schema-Referenz

Für tiefere technische Details – die YAML-Struktur, die Pro-Feld- Backend-Pipeline, Force-Override-Semantik, Kapitel-Zusammen- fassungen-Abgleich-Regeln – siehe die Pro-Datensatz-API- Endpoints in /openapi.json. Dieselbe Struktur treibt sowohl die Pro-Datensatz- als auch die Massen-Abläufe.

Fehlerbehebung

„KI-Funktionen sind deaktiviert"-Toast. Öffne Einstellungen → KI-Assistent und prüf den „KI-Funktionen aktivieren"-Schalter oben.

„Kosten unbekannt"-Hinweis in der Massen-Schätzung. Das konfigurierte Modell steht nicht in Bibliogons Preistabelle. Der Job läuft normal; nur die USD-Schätzung fehlt. Füg dein Modell in backend/app/ai/pricing.py hinzu, wenn du eine lokale Kopie betreibst.

Massen-KI-Füllung 422 „cap is 50". Jeder Stapel kappt bei 50 Datensätzen. Spalte die Auswahl auf oder lauf zwei Stapel.

chapter_summaries-Einträge verworfen. Die KI hat eine chapter_id erfunden, die es im Buch nicht gibt. Der Abgleich versucht erst chapter_id, dann fällt er auf einen whitespace-normalisierten case-insensitiven Titel-Match zurück; was dann nicht passt, landet in dropped_chapter_summaries. Mit der korrigierten Vorlage erneut versuchen, oder die richtige chapter_id von Hand im YAML setzen.

Arbeitsablauf C: „Template type is 'book'; this endpoint accepts only article templates". Du hast eine Buch-Vorlage an den Artikel-Endpoint hochgeladen (oder umgekehrt). Das type-Feld oben im YAML muss zum Datensatz-Typ passen.