MeetMind: Wie eine KI-Vorbereitungshilfe Meetings smarter macht

Viele Meeting-Tools unterstützen uns während der Besprechung, doch die eigentliche Herausforderung beginnt oft schon davor. Nutzer verbringen wertvolle Zeit damit, nach Kontext zu suchen, alte Gespräche zu durchforsten oder Diskussionsthemen vorzubereiten. Genau hier setzt MeetMind an: eine webbasierte KI-Lösung, die nicht nur während, sondern vor und nach Meetings aktiv unterstützt – mit präzisen Briefings und strukturierter Erinnerungshilfe.

Als Frontend-Entwickler stand ich vor der Aufgabe, eine nutzerfreundliche Oberfläche zu gestalten, die den gesamten Prozess von der Vorbereitung bis zur Nachbereitung nahtlos verbindet. Dabei ging es nicht nur um ein ansprechendes Design, sondern um die intelligente Verknüpfung von Datenströmen: Wie bringt man eine KI dazu, relevante Gesprächshintergründe abzurufen – ohne dass Nutzer stundenlang manuell Notizen durchkämmen müssen?

Warum klassische Meeting-Tools oft scheitern

Wer kennt es nicht? Man betritt ein Meeting und erinnert sich plötzlich an ein Detail, das vor Wochen besprochen wurde – etwa eine Budgetfestlegung oder eine wichtige Deadline. Doch das Wissen liegt irgendwo in alten Notizen oder E-Mails verborgen. Diese Lücke führt zu unnötigen Verzögerungen, verringert das Vertrauen in die eigene Vorbereitung und kostet Unternehmen Zeit und Geld.

MeetMind zielt genau darauf ab: eine KI, die nicht nur mitschreibt, sondern aktiv hilft, die richtigen Informationen zum richtigen Zeitpunkt abzurufen. Der Clou? Die Technologie erinnert sich nicht einfach an Gespräche, sondern filtert und strukturiert die relevanten Inhalte – basierend auf echten Nutzerdaten und historischen Interaktionen.

So funktioniert MeetMind: Ein nahtloser Workflow von der Vorbereitung bis zur Nachbereitung

MeetMind folgt einem einfachen, aber effektiven Dreiklang: Vorbereitung, Durchführung, Nachbereitung. Der Nutzer interagiert dabei nur mit zwei Kernfunktionen – alle anderen Prozesse laufen im Hintergrund ab.

Vorbereitung: Der KI-Briefing-Assistent

Vor einem Meeting gibt der Nutzer einen Namen ein, etwa eines Gesprächspartners oder Kunden. Ein Klick auf „Briefing erstellen“ löst eine Abfrage aus: Das System durchsucht alle gespeicherten Daten zu dieser Person – frühere Notizen, zugesagte Termine, Projektfortschritte – und übergibt diese Informationen an die KI. Das Ergebnis ist ein strukturiertes Briefing, das folgende Elemente enthält:

• Eine Zusammenfassung aller relevanten Interaktionen der letzten Wochen oder Monate
• Erinnerungshinweise an zugesagte Meilensteine oder offene Punkte
• Gesprächsöffner, die direkt auf die Historie Bezug nehmen – etwa: „Wie besprochen im letzten Call geht es nun um die API-Integration. Welche Fortschritte gibt es hier?“

Die Oberfläche bleibt dabei bewusst minimalistisch: zwei Spalten, zwei Buttons. Die Komplexität liegt nicht in der Bedienung, sondern in der intelligenten Datenverarbeitung im Hintergrund.

Nachbereitung: Speichern und Systematik schaffen

Nach dem Meeting trägt der Nutzer seine Notizen ein und klickt auf „In Erinnerung speichern“. Die KI analysiert den Text, extrahiert die wichtigsten Punkte und verknüpft sie automatisch mit dem jeweiligen Kontakt oder Projekt. So wächst die Wissensdatenbank kontinuierlich – und steht bei der nächsten Vorbereitung sofort zur Verfügung.

Technischer Aufbau: Python, Flask und eine smarte Speicherarchitektur

Unter der Haube setzt MeetMind auf eine Kombination aus bewährten und innovativen Technologien:

• Backend: Eine Python-Anwendung mit Flask als Webframework
• KI-Modell: Llama 3.3 mit 70 Milliarden Parametern, betrieben über die Inferenz-API von Groq
• Speichersystem: Eine JSON-basierte Gedächtnisschicht, die auf dem Hindsight-Prinzip aufbaut – einem Ansatz für agentenbasierte Erinnerungsverwaltung

Die Entwicklung folgte dabei einem klaren Prinzip: Die Logik sollte in der Datenverarbeitung liegen, nicht in der Benutzeroberfläche. Nutzer sollen nicht mit komplizierten Einstellungen oder manuellen Eingaben konfrontiert werden, sondern mit einer Lösung, die intuitiv funktioniert.

Die größte Herausforderung: Wie speichert und ruft man nutzerspezifische Erinnerungen ab?

Die größte Hürde bei der Entwicklung von MeetMind war nicht die KI selbst, sondern die Frage: Wie gibt man einem zustandslosen Modell sinnvolle Kontextdaten mit?

Jeder Aufruf an die Groq-API startet bei Null. Das Modell hat keinen Zugriff auf vorherige Gespräche oder gespeicherte Notizen – es sei denn, man übergibt diese Informationen explizit im Prompt. Doch hier liegt das Problem: Ein einfaches „Hier sind alle Notizen zu Rahul“ führt schnell zu einer Flut an irrelevanten Daten. Statt hilfreicher Unterstützung erhält man dann nur noch unstrukturierte Textwüsten.

Der erste Versuch: Einfaches Speichern und Abrufen

Unsere erste Lösung schien naheliegend: Alle Notizen zu einer Person als einen einzigen Textblock speichern und diesen bei jeder Abfrage an die KI übergeben. Doch schnell zeigten sich die Grenzen dieses Ansatzes:

• Token-Limit-Probleme: Je mehr Notizen gespeichert wurden, desto größer wurde der Kontext – und desto höher die Kosten pro API-Aufruf.
• Qualitätsverlust: Die KI konzentrierte sich nicht mehr auf die relevanten Informationen, sondern auf alte Details, etwa eine Kaffeebestellung aus dem letzten Quartal.
• Unübersichtlichkeit: Die Briefings wurden zu langen, unstrukturierten Texten, die kaum noch handlungsrelevante Hinweise enthielten.

Der Durchbruch: Hindsight und die Trennung von Speicherung und Abruf

Der Wendepunkt kam mit der Beschäftigung des Hindsight-Ansatzes – einem Konzept für agentenbasierte Erinnerungsverwaltung. Der Kerngedanke: Erinnerungen sollten nicht einfach nur passiv gespeichert, sondern aktiv verwaltet werden. Konkret bedeutet das zwei klare Operationen:

• `retain` (Speichern): Eine Erinnerung wird als strukturiertes Element abgelegt – nicht als unformatierter Text.
• `recall` (Abrufen): Nur die tatsächlich relevanten Erinnerungen werden zur KI übertragen, basierend auf dem aktuellen Kontext.

Diese Trennung machte den Unterschied. Statt zu fragen „Wo speichere ich diese Notiz?“ lautete die Frage nun: „Wie gestalte ich ein System, das Erinnerungen gezielt abruft und aufbereitet?“ Die Implementierung der Speicherung, die Abrufstrategie und sogar die Prompt-Engineering-Methoden wurden dadurch zu austauschbaren Details.

Code-Beispiel: Wie Erinnerungen strukturiert gespeichert werden

Im Modul memory_vault.py wird jede neue Notiz nach einem klaren Schema verarbeitet. Hier ein Ausschnitt der retain()-Methode:

def retain(self, text: str) -> bool:
    if "Meeting mit " in text:
        parts = text.split("Meeting mit ")[1].split(": ", 1)
        if len(parts) >= 2:
            contact_name = parts[0].strip().lower()
            notes = parts[1].strip()
            if contact_name in self.storage:
                self.storage[contact_name].append(notes)
            else:
                self.storage[contact_name] = [notes]
            self._save()
            return True
    return False

Diese Funktion verarbeitet Eingaben wie „Meeting mit Anna: Projekt XY soll nächste Woche abgeschlossen werden.“ und extrahiert:

• Den Kontaktnamen (hier „anna“, kleingeschrieben für konsistente Abfragen)
• Den Notizinhalt (in diesem Fall: „Projekt XY soll nächste Woche abgeschlossen werden.“)

Ein wichtiger Hinweis: Die Methode nutzt split(": ", 1), um sicherzustellen, dass nur das erste Doppelpunkt-Paar als Trenner dient. So bleiben auch Notizen mit mehreren Doppelpunkten – etwa „Meeting um 14:30 Uhr: Thema: API-Schnittstelle“ – vollständig erhalten. Ein früherer Fehler in der Implementierung führte dazu, dass Teile der Notizen verloren gingen.

Ausblick: Was kommt als Nächstes für MeetMind?

Derzeit läuft MeetMind mit einer JSON-basierten Speicherlösung, die in Zukunft durch das Hindsight SDK und semantische Vektorsuche ersetzt werden soll. Dadurch wird das System noch schneller und präziser – ohne dass Nutzer davon etwas merken.

Langfristig könnte MeetMind nicht nur für Meetings, sondern für alle Arten von beruflichen Interaktionen eingesetzt werden: Kundenkommunikation, Projektmanagement oder sogar persönliche Erinnerungen. Die Vision? Eine KI, die nicht nur mitschreibt, sondern wirklich versteht – und uns hilft, bessere Entscheidungen zu treffen.

Bis dahin bleibt die größte Herausforderung bestehen: Wie baue ich ein System, das sich an Menschen anpasst – und nicht umgekehrt?