Lura verbindet mehrere Open-Source-Sprachmodelle in einer einheitlichen Chat-Oberfläche. Nutzer können Modelle wechseln, Konversationen verwalten und mit einer schnellen, modernen UI arbeiten.
Hintergrund
Eine Chat-Plattform, die Modelle vereint, statt sie zu trennen
Lura entstand aus einem konkreten Problem: Wer mit KI arbeitet, wechselt täglich zwischen unterschiedlichen Chat-Oberflächen. Kontext geht verloren, Gewohnheiten müssen neu aufgebaut werden und jede Plattform funktioniert anders. Ziel war deshalb keine weitere KI-App, sondern ein kohärentes Werkzeug mit projektübergreifendem Gedächtnis, nahtlosem Modellwechsel und einer Oberfläche, die schnell genug ist, um nicht im Weg zu stehen.
Vorgehen
Herausforderung
Wer mit KI arbeitet, springt täglich zwischen verschiedenen Oberflächen. Dabei gehen Kontext und gewohnte Arbeitsabläufe verloren.
Lösung
Eine einheitliche Oberfläche mit projektübergreifendem Gedächtnis und nahtlosem Modellwechsel – ein Werkzeug, unabhängig vom verwendeten Modell.
Entscheidung
Open-Source-Modelle statt ausschließlich geschlossener APIs – für mehr Kontrolle über Daten, Kosten und Verfügbarkeit.
Ergebnis
Eine produktive Chat-Plattform, in der sich mehrere Modelle wie ein einziges Werkzeug anfühlen.
Projekte
Mehrere Chats lassen sich in einem Projekt organisieren. Das projektübergreifende Gedächtnis hält den Kontext über einzelne Unterhaltungen hinweg verfügbar.
Modelle & Provider
Wähle und verwalte verschiedene KI-Modelle von mehreren Providern zentral in einer Oberfläche. So lässt sich für jede Aufgabe das passende Modell einsetzen und jederzeit wechseln.
Memory & Chat Kontext
Lura behält relevante Informationen über mehrere Chats hinweg im Blick. So bleibt der Projektkontext erhalten, auch wenn eine Unterhaltung endet oder das Modell wechselt.
Code-Generierung
Code wird direkt im Chat erzeugt und kann in einer integrierten Vorschau geprüft werden – von der Idee zur funktionierenden Komponente.
Architektur & Technik
Vier Entscheidungen, die das System tragen
Lura ist als schlanker Full-Stack auf Next.js und Firebase aufgebaut – bewusst ohne zusätzlichen Server-Layer, der separat gewartet werden müsste.
Alle Modellantworten werden tokenweise über serverseitige API Routes gestreamt. Zugangsdaten und Modell-Routing bleiben dadurch an einer Stelle und Anbieter können gewechselt werden, ohne den Client anzupassen.
Learnings
Was ich aus Lura gelernt habe
Die wichtigsten Erkenntnisse aus Architektur, Integration und Betrieb.
Der sichtbare Teil des Streamings stand innerhalb weniger Tage. Abbrüche, Race Conditions und unvollständige Antworten verursachten jedoch einen deutlich größeren Aufwand.
