LLM-Coding-Experiment: Personalkostenkalkulator mit hybrider Architektur

Ausgangslage

Eine Anfrage aus einem Fachbereich der Humboldt-Universität Berlin stellte die Frage: Lässt sich ein Tool zur Personalkostenkalkulation für Drittmittelprojekte mit LLM-Unterstützung umsetzen? Die Herausforderung: Präzise Berechnungen nach TV-L-Tarif bei gleichzeitiger natürlichsprachlicher Bedienung – zwei Anforderungen, die sich mit LLMs traditionell schlecht verbinden lassen.

Das Experiment sollte erkunden, ob und wie sich exakte Berechnungen mit der Flexibilität natürlicher Spracheingabe kombinieren lassen.

Das Tool

Der Personalkostenkalkulator ermöglicht die Eingabe von Projektanforderungen in natürlicher Sprache:

"Wir brauchen 2 Doktoranden E13/2 auf 67% und einen PostDoc E14/4, Laufzeit April 2026 bis März 2029"

Das System extrahiert automatisch die relevanten Parameter (Entgeltgruppen, Stufen, Stellenanteile, Zeiträume), führt die Kalkulation nach TV-L durch und liefert eine strukturierte Kostenübersicht mit Jahresscheiben. Bei unvollständigen Angaben stellt das System gezielt Rückfragen. Ein Excel-Export ermöglicht die direkte Verwendung in Drittmittelanträgen.

Architekturentscheidung

Die zentrale Erkenntnis der Spezifikationsphase: LLMs und präzise Berechnungen erfordern eine strikte Trennung. Die gewählte Architektur:

LLM-Komponente: Ausschließlich für die Parameterextraktion aus natürlicher Sprache und die Generierung von Rückfragen. Das LLM liefert strukturierte JSON-Daten, führt aber keine Berechnungen durch.

Deterministische Komponente: Sämtliche Kalkulationen erfolgen ohne LLM-Beteiligung mit Python-Decimal für exakte Genauigkeit. Entgelttabellen, Zuwendungssätze und Arbeitgeberanteile sind statisch konfiguriert.

State-Machine: Steuert den Dialogfluss zwischen Parsing, Rückfragen, Berechnung und Fallback.

Fallback-Mechanismus: Nach drei fehlgeschlagenen Parse-Versuchen wird ein manuelles Eingabeformular eingeblendet – von Anfang an eingeplant, da die Zuverlässigkeit der LLM-Extraktion nicht garantiert werden konnte.

Entwicklungsprozess

Der Prozess folgte einem klaren Ablauf:

1. Anforderungserfassung (vorgelagert): Ein speziell entwickelter Prompt erfasste systematisch die Anforderungen des Fachbereichs – Problemstellung, Funktionsanforderungen, technische Rahmenbedingungen.

2. Spezifikationsdiskussion (50 Minuten): Intensive Abstimmung von Architektur, Datenflüssen, Workflows und UI-Konzept. Erst als alle Aspekte geklärt waren, wurde die Spezifikation finalisiert.

3. Umsetzung (ca. 40 Minuten): Das LLM generierte 5700 Zeilen Code in 29 Python-Dateien in einer Runde. Eine Nachbesserung war erforderlich.

Die Gesamtdauer von unter zwei Stunden für ein funktionsfähiges Tool dieser Komplexität war nur durch die gründliche Vorarbeit möglich.

Methodische Erkenntnisse

Spezifikation vor Implementation: Die Qualität der Spezifikation bestimmte den Erfolg. Architektur, Datenflüsse, Workflows und UI müssen vollständig geklärt sein, bevor Code generiert wird. Der Fokus auf Architektur verhinderte Overengineering.

Hybride Architektur als Pattern: Nicht alles muss vom LLM erledigt werden. Klassische Programmiertechniken bleiben für viele Aufgaben überlegen – das LLM dient als intelligente Schnittstelle zwischen Nutzer und robustem Code. Dieses Pattern eignet sich für alle Anwendungen, die präzise Berechnungen mit flexibler Eingabe verbinden müssen.

Robustheit einplanen: Der Fallback-Mechanismus war keine nachträgliche Ergänzung, sondern von Beginn an Teil des Konzepts. Bei ungewisser LLM-Zuverlässigkeit sind alternative Eingabewege erforderlich.

JSON-Extraktion als Schnittstelle: Die strukturierte Ausgabe des LLM als JSON mit anschließender Pydantic-Validierung erwies sich als robuste Brücke zwischen natürlichsprachlicher Eingabe und typsicherer Verarbeitung.

Aktueller Stand

Das Tool befindet sich in der Evaluationsphase und funktioniert nach bisherigen Tests wie geplant. Die Frage, ob LLMs und exakte Berechnungen zusammenpassen, lässt sich differenziert beantworten: Ja – wenn die Architektur die Stärken beider Welten gezielt kombiniert.

Metriken

Aspekt	Wert
Codeumfang	5700 Zeilen
Dateien	29 Python-Dateien
Spezifikationszeit	50 Minuten
Implementierungszeit	ca. 40 Minuten
Hauptiterationen	1 + Nachbesserung
Sessions	1

---

Dieser Beitrag ist Teil einer Serie zur Dokumentation methodischer Erkenntnisse aus LLM-gestützten Entwicklungsprojekten.