README.de.md

DDC CWICR - Construction Work Items, Components & Resources
+ Pipelines n8n zur Berechnung von Kostenvoranschlägen basierend auf Beschreibungen, Fotos und CAD (BIM)

🇬🇧 English • 🇨🇳 中文 • 🇪🇸 Español • 🇧🇷 Português • 🇷🇺 Русский • 🇯🇵 日本語 • 🇩🇪 Deutsch • 🇫🇷 Français

⚡ n8n Workflows

Wählen Sie Ihre Eingabe → Erhalten Sie eine Kostenschätzung

📝 Text

Schnelle Umwandlung von Leistungsumfang
aus einer kurzen Beschreibung

Eingabe: Telegram / Chat-Nachricht
Ausgabe: Abgeglichene Arbeitspositionen + Schätzung

📖 Dokumentation

📷 Foto / PDF

Baustellenfotos, gescannte LV,
Foto-PDFs vom Feld

Eingabe: Bild oder PDF-Seiten
Ausgabe: Extrahierter Umfang → Schätzung

📖 Foto Doku · 📖 Universal Bot

🧊 CAD / BIM

Revit / IFC / DWG-basierte
Mengenermittlung & Kalkulation

Eingabe: Modell-Export
Ausgabe: 4D/5D-Schätzung + Aufschlüsselung

📖 Dokumentation

DataDrivenConstruction Kunden und Nutzer

📑 Inhaltsverzeichnis

🤖 KI-Integration

Perfekter Treibstoff für KI — Warum diese Datenbank ideal für KI ist
Claude Code & Google Antigravity — KI-Programmierassistenten
n8n — Workflow-Automatisierung
Universelle Anwendungsfälle — Was Sie erstellen können
Entwicklerbeispiele — Sofort ausführbarer Code

📊 Datenbank & Daten

Überblick — Was ist DDC CWICR
Verfügbare Formate — Excel, Parquet, CSV, Qdrant
Datenschema — 85-Felder-Struktur
Feldgruppen — Klassifikation, Ressourcen, Arbeit, Maschinen
Methodik — Ressourcenbasierte Kalkulationsprinzipien
Historischer Kontext — 100+ Jahre Standards

⚡ n8n Workflows

n8n Workflows Übersicht — Wählen Sie Ihren Eingabetyp
Jetzt testen — Live Demo Bots — Sofort in Telegram testen
Workflow 1: Text-Schätzer-Bot — Telegram-Bot für Texteingabe
Workflow 2: Foto-Kostenschätzer — Webformular mit KI-Vision
Workflow 3: Universal Bot — Text + Foto + PDF
Workflow 4: CAD/BIM Pipeline — Revit/IFC/DWG zur Schätzung
Workflows Schnellstart — Einrichtung in 4 Schritten
n8n 2.0+ Einrichtung — Execute Command Node aktivieren

🏗️ CAD/BIM Pipeline

Voraussetzungen — Erforderliche Komponenten
Pipeline-Stufen — 10-stufige Verarbeitung
LLM-Modellauswahl — OpenAI, Claude, Gemini, Grok
Ausgabedateien — HTML & Excel-Berichte
Fehlerbehebung — Häufige Probleme

🔍 Vektordatenbank

Vektordatenbank — Semantische Suche mit Qdrant
Qdrant-Snapshots der Vektordatenbank — Snapshots herunterladen
Collections — 11 Sprach-Collections
Docker-Bereitstellung — Selbst gehostete Einrichtung

🌐 API

Pricing Search API — Kostenlose REST-API für Baupreise
API-Endpunkte — Suche, Sprachen, Statistiken
Codebeispiele — cURL, Python, JavaScript

🚀 Erste Schritte

Schnellstart - Python — Tabellarische Daten & semantische Suche
Integrationsanwendungsfälle — Einstieg bis Fortgeschritten

👥 Community

Ressourcen & Community — Links & Kanäle
Beratung & Schulung — Professionelle Dienstleistungen
Mitwirken — Workflows einreichen
Lizenz — CC BY 4.0
Projekt unterstützen — Sponsern & Spenden
🤖 AI Instructions — Dokumentation für KI-Assistenten

🚀 Perfekter Treibstoff für Ihre KI-Produkte

Klonen Sie einfach das Repository und beschreiben Sie, was Sie wollen — die KI erledigt den Rest

DDC CWICR ist nicht nur eine Datenbank — es ist sofort einsatzbereiter Treibstoff für KI-gestützte Anwendungen. Ob Sie Kostenschätzungs-Bots erstellen, Bau-Workflows automatisieren oder intelligente Assistenten entwickeln — diese Daten funktionieren sofort mit modernen KI-Tools.

Warum diese Datenbank ideal für KI ist

Merkmal	Vorteil
Vorberechnete Embeddings	Keine Vektorgenerierung nötig — semantische Suche funktioniert sofort
Strukturiertes 85-Felder-Schema	KI kann Datenbeziehungen verstehen und genaue Antworten liefern
11 Sprachen inklusive	Mehrsprachige Anwendungen ohne Übersetzungsaufwand erstellen
55.000+ Arbeitspositionen	Umfassende Abdeckung für jede Baukalkulationsaufgabe
Ressourcenbasierte Methodik	Transparente Daten, die KI erklären und aufschlüsseln kann

📋 Fertige Arbeitsbeschreibungen für jedes System

DDC CWICR bietet vollständige, strukturierte Arbeitsbeschreibungen, die in jedem System oder Format angezeigt werden können. Jede Arbeitsposition enthält alle Informationen, die verschiedene Projektbeteiligte benötigen:

Beteiligter	Was er bekommt
🏢 Auftraggeber / Investor	Volle Kostentransparenz, Ressourcenaufschlüsselung, Preisbegründung für Investitionsentscheidungen
📊 Kalkulator	Detaillierte Preise, Arbeitsstunden, Materialmengen, Gerätekosten — fertig für die LV-Erstellung
👷 Bauleiter / Polier	Arbeitszusammensetzung, Ressourcenbedarf, Arbeitsnormen für tägliche Planung und Ausführung
🔧 Auftragnehmer / Ausführender	Vollständige Spezifikationen, Einheitspreise, Produktivitätskennzahlen für genaue Angebote und Terminplanung

Export nach Excel, PDF, HTML, ERP-Systeme, BIM-Plattformen — das strukturierte 85-Felder-Schema gewährleistet Datenintegrität in allen Ausgabeformaten.

🛠️ Funktioniert perfekt mit

Claude Code
_{KI-Programmierassistent CLI}

Google Antigravity
_{Google Antigravity}

n8n
_{Workflow-Automatisierung}

Dify
_{LLM-App-Entwicklung}

Sim AI & Andere
_{KI-Plattformen}

🎯 DDC Skills

DDC Skills für KI-Agenten im Bauwesen — 196 Automatisierungsfähigkeiten mit direkter Integration in diese CWICR-Datenbank. Klonen, mit KI-Codierungsassistent öffnen, beschreiben was Sie brauchen.

💻 Claude Code & Google Antigravity — KI-Programmierassistenten

Der schnellste Weg, mit DDC CWICR zu arbeiten. Öffnen Sie einfach das Repository in Claude Code oder Google Antigravity und stellen Sie Fragen in natürlicher Sprache.

Erste Schritte:

# Repository klonen
git clone https://github.com/datadrivenconstruction/OpenConstructionEstimate-DDC-CWICR.git

# Mit Claude Code öffnen
cd OpenConstructionEstimate-DDC-CWICR
claude

Beispiel-Prompts:

Aufgabe	Prompt
Daten erkunden	"Zeige mir die Struktur dieser Baukostendatenbank und erkläre, welche Daten verfügbar sind"
Arbeitspositionen finden	"Finde alle Arbeitspositionen zu Betonfundamenten und zeige ihre Kosten"
Abfragen erstellen	"Schreibe ein Python-Skript zur Suche von Sanitärarbeiten mit Arbeitsstunden > 100"
Berichte erstellen	"Erstelle einen Kostenaufschlüsselungsbericht für Wohnungssanierungsarbeiten"
Kosten analysieren	"Vergleiche Materialkosten zwischen verschiedenen Wandbaumethoden"
Integrationen erstellen	"Erstelle ein Skript, das sich mit der Qdrant-Datenbank verbindet und semantische Suche durchführt"

Profi-Tipps:

Verweisen Sie Claude auf bestimmte Dateien: "Analysiere die Parquet-Datei und fasse die Kostenverteilung zusammen"
Fragen Sie nach Erklärungen: "Erkläre, wie die ressourcenbasierte Kalkulationsmethodik in dieser Datenbank funktioniert"
Fordern Sie Änderungen an: "Modifiziere den n8n-Workflow, um E-Mail-Benachrichtigungen hinzuzufügen"

⚡ n8n — Visuelle Workflow-Automatisierung

Erstellen Sie leistungsstarke Automatisierungs-Pipelines ohne Programmierung. Verbinden Sie DDC CWICR mit über 400 Apps und Diensten.

Anwendungsfälle:

Workflow	Beschreibung
Telegram-Bot	Benutzer senden Text/Foto → KI extrahiert Arbeitspositionen → Gibt Kostenschätzung zurück
E-Mail-Automatisierung	LV per E-Mail empfangen → Mit KI verarbeiten → Formatierte Schätzung senden
CRM-Integration	Neues Projekt im CRM → Auto-Generierung einer vorläufigen Schätzung → Deal-Wert aktualisieren
BIM-Pipeline	Export aus Revit → Mengen extrahieren → Mit DDC-Sätzen abgleichen → 5D-Bericht erstellen
Slack-Bot	Team stellt Fragen → KI durchsucht Datenbank → Gibt relevante Arbeitspositionen zurück

Schnellstart:

Workflow-JSON aus diesem Repository herunterladen
In n8n importieren: Workflows → Import → From File
Zugangsdaten konfigurieren (OpenAI, Qdrant, Telegram)
Aktivieren und testen

Siehe Abschnitt n8n Workflows für detaillierte Einrichtung.

📋 Universelle Anwendungsfälle

Unabhängig davon, welches KI-Tool Sie wählen, ermöglicht DDC CWICR:

Anwendungsfall	Beschreibung
Sofortige Kostenschätzung	Baukosten aus Textbeschreibungen oder Fotos erhalten
LV-Generierung	Automatische Erstellung von Leistungsverzeichnissen aus Projektbeschreibungen
Preisbenchmarking	Kosten über Regionen und Sprachen vergleichen
Ressourcenplanung	Arbeitsstunden, Materialien und Ausrüstungsbedarf berechnen
Investitionsanalyse	Tiefgehende Kostenprüfungen mit voller Ressourcentransparenz
Mehrsprachige Unterstützung	Benutzer in 11 Sprachen mit lokalisierten Preisen bedienen
BIM-Integration	Verbindung zu Revit/IFC für automatisierte 4D/5D-Kalkulation
KI-Modelle trainieren	Strukturierte Daten für Feinabstimmung von Bau-KI verwenden

Überblick

DDC CWICR (Construction Work Items, Components & Resources) ist eine offene Datenbank für Baukostenkalkulation, die das gesamte Spektrum der Bautätigkeiten abdeckt - von Erdarbeiten und Betoneinbau bis hin zu spezialisierten Installationsarbeiten.

Die Datenbank basiert auf Quellen, die moderne Baupraxis in Eurasien und dem asiatisch-pazifischen Raum beschreiben, wo ein einheitliches technisches Standardisierungsökosystem als gemeinsame Ingenieursprache für mehr als zehn dynamisch wachsende Volkswirtschaften dient. DDC CWICR stellt einen Versuch dar, offene Standards zu harmonisieren, indem ein einheitlicher regulatorischer Rahmen für das Kapitalprojektmanagement in mehreren Sprachen etabliert wird.

Die strukturierten Daten können über tabellarische Formate (XLSX, CSV, Parquet) abgerufen oder über LLM konversationell abgefragt werden, was es Fachleuten ermöglicht, Bauwerksbeschreibungen (QDRANT Vektordatenbank) in automatisierte Pipelines und Workflows mittels natürlicher Sprache oder präziser Abfragen zu integrieren.

Verfügbare Formate

Format	Erweiterung	Größe	Ideal für	Funktionen
Excel	`.xlsx`	~150–400 MB	Manuelle Analyse, Filterung, Pivots	Menschenlesbar, volle Formatierung
Parquet	`.parquet`	~55 MB	ETL-Pipelines, ML-Training, Big Data	Spaltenbasiert, exzellente Komprimierung
CSV	`.csv`	~1,3 GB	Datenbankimport, Legacy-Systeme	Universelle Kompatibilität
Qdrant	`.snapshot`	~1 GB	Semantische Suche, RAG, KI-Assistenten	Vorberechnete OpenAI Embeddings

Eine Live-Demo ist unter openconstructionestimate.com verfügbar, wo Sie die Daten erkunden und die Vektordatenbank für semantische Suche in Aktion sehen können.

Datenschema

Die Datenbank enthält 85 Felder, die in logische Gruppen organisiert sind. Jeder Datensatz repräsentiert entweder eine Arbeitsposition (Satz) oder eine Ressource mit vollständiger Kostenaufschlüsselung.

erDiagram
    RATE ||--o{ RESOURCE : enthält
    RATE ||--o{ LABOR : erfordert
    RATE ||--o{ MACHINERY : verwendet
    RATE ||--o{ PRICE_VARIANT : hat

    RATE {
        string rate_code PK "MEKA_KASA_KAKATO_KAME"
        string rate_original_name "Einbau von Trennwänden..."
        string rate_unit "100 m2"
        string category_type "BAUARBEITEN"
        string collection_name "Holzkonstruktionen"
        string department_name "TRENNWÄNDE..."
        string section_name "Einbau von Trennwänden..."
        text work_composition_text
    }

    RESOURCE {
        string resource_code PK "KAME-NE-KAME-KARI"
        string resource_name "Gipskartonplatten"
        string resource_unit "m2"
        float resource_quantity "632.0"
        float resource_price_per_unit_eur "5.02"
        float resource_cost_eur "3170.73"
        boolean is_material
        boolean is_abstract
    }

    LABOR {
        string resource_code FK
        float labor_hours_workers "172"
        float labor_hours_operators "1.67"
        int count_workers_per_unit "172"
        int count_operators_per_unit "2"
        float cost_of_working_hours "3088.11"
    }

    MACHINERY {
        string machine_class2_name "Krane"
        string machine_class3_name "Krane auf Fahrgestellen"
        float electricity_consumption_kwh "0.23"
        float price_operator_wages "13.56"
        float total_value_machinery "64.18"
    }

    PRICE_VARIANT {
        float price_est_median "5.02"
        float price_est_min "3.03"
        float price_est_max "7.99"
        int position_count "24"
        string variable_parts "glasfaserverstärkt..."
    }

Feldgruppen

Die 85 Datenbankfelder sind in logische Gruppen organisiert, die die ressourcenbasierte Kalkulationsmethodik widerspiegeln. Jede Gruppe erfüllt eine spezifische Funktion in der Kostenaufschlüsselungsstruktur: von hierarchischer Klassifikation und Arbeitspositionsidentifikation bis hin zu detailliertem Ressourcenverbrauch, Arbeitsanforderungen, Maschinenkosten und aggregierten Summen. Diese modulare Struktur ermöglicht es Benutzern, nur die relevanten Felder für ihre Aufgabe abzufragen - ob bei der Erstellung einer Materialliste, Analyse der Arbeitsproduktivität oder Erstellung einer vollständigen Kostenschätzung.

Klassifikation - category_type, collection_code, collection_name, department_code, department_name, department_type, section_name, section_type, subsection_code, subsection_name

Arbeitsposition (Satz) - rate_code, rate_original_name, rate_final_name, rate_unit, row_type, is_scope, is_abstract, is_machine, is_labor, is_material, work_composition_text

Ressourcen - resource_code, resource_name, resource_unit, resource_quantity, parameter_resource_quantity, resource_price_per_unit_eur_current, resource_cost_eur

Arbeit - count_workers_per_unit, count_engineers_per_unit, count_operators_per_unit, count_total_people_per_unit, labor_hours_construction_workers, labor_hours_operators, labor_hours_engineers, total_labor_hours_workers_operators, total_labor_hours_all_personnel, cost_of_working_hours, count_people_per_day

Maschinen - machine_class2_name, machine_class3_name, personnel_operator_code, personnel_operator_grade, price_operator_wages, price_relocation_included, price_cost_without_wages, electricity_consumption_kwh_per_machine_hour, electricity_cost_per_unit, electricity_cost_total_sum, cost_operator_sum, total_value_machinery_equipment

Preisvarianten - price_code_prefix, price_abstract_resource_common_start, price_abstract_resource_variable_parts, price_abstract_resource_position_count, price_abstract_resource_est_price_min, price_abstract_resource_est_price_max, price_abstract_resource_est_price_mean, price_abstract_resource_est_price_median, price_abstract_resource_unit, abstract_resource_tech_group

Aggregate - total_cost_per_position, total_material_cost_per_position, total_resource_cost_per_position, total_value_abstract_resources, materials_resource_cost_eur

Masse & Services - mass_name, mass_value, mass_unit, service_category, service_type, parameter_service_code, parameter_service_unit, parameter_service_name, parameter_service_quantity, service_cost_sum

Kostenberechnungsformel

Komponente	Technologie-Norm	×	Regionaler Preis	=	Kosten
👷 Arbeit	172 Std/100m²	×	€17,95/Std	=	€3.088,11
🧱 Materialien	632 m²/100m²	×	€5,02/m²	=	€3.170,73
🚜 Ausrüstung	1,67 Std/100m²	×	€38,42/Std	=	€64,18
			Gesamt	=	€7.725,91 pro 100m²

Methodik

Der Hauptwert der ressourcenbasierten Kalkulation ist die Trennung der unveränderlichen Produktionstechnologie von der volatilen finanziellen Komponente. Sie basiert auf den physikalischen "Grundprinzipien" des Bauens:

Erforderliche Arbeitsstunden für spezifische Arbeiten
Materialmengen pro Arbeitseinheit
Benötigte Gerätezeit

Warum das wichtig ist:

Transparenz - Preisgestaltung ohne versteckte Aufschläge, vollständige Ressourcenaufschlüsselung
Prüfbarkeit - Tiefgehende Analysefähigkeit für Investitionsanalyse und Verifizierung
Übertragbarkeit - Regionsunabhängige Normen, anwendbar über Märkte hinweg
Bewährt - Industriestandard-Methodik, etabliert über 100+ Jahre

flowchart TB
    subgraph Source["📦 Datenquelle"]
        CWICR[(DDC CWICR<br/>────────────<br/>55.719 Arbeitspositionen<br/>27.672 Ressourcen<br/>85 Felder pro Datensatz)]
    end

    subgraph Processing["⚙️ Verarbeitungs-Pipeline"]
        direction LR
        ETL[["🔄 ETL<br/>Extraktion &<br/>Transformation"]]
        TRANS[["🌐 Übersetzung<br/>11 Sprachen"]]
        EMBED[["🧠 Vektorisierung<br/>OpenAI 3072d"]]
        ETL --> TRANS --> EMBED
    end

    subgraph Outputs["📤 Ausgabeformate"]
        XLSX[("📊 Excel<br/>.xlsx")]
        PARQUET[("⚡ Parquet<br/>.parquet")]
        CSV[("📄 CSV<br/>.csv")]
        QDRANT[("🔍 Qdrant<br/>.snapshot")]
    end

    subgraph Apps["🎯 Anwendungen"]
        SEARCH["🔎 Semantische<br/>Suche"]
        BIM["🏗️ BIM 5D<br/>Integration"]
        RAG["🤖 RAG<br/>Systeme"]
        BI["📈 BI<br/>Analytics"]
    end

    Source --> Processing
    Processing --> XLSX & PARQUET & CSV & QDRANT
    XLSX & PARQUET & CSV --> BI & BIM
    QDRANT --> SEARCH & RAG & BIM

    style Source fill:#dbeafe,stroke:#2563eb,stroke-width:2px
    style Processing fill:#fef3c7,stroke:#d97706,stroke-width:2px
    style Outputs fill:#d1fae5,stroke:#059669,stroke-width:2px
    style Apps fill:#fce7f3,stroke:#db2777,stroke-width:2px

Historischer Kontext

Die Bauwerksbeschreibungen in dieser Datenbank basieren auf einer ressourcenbasierten Standardisierungsmethodik mit Wurzeln, die von den Produktionsnormen des frühen 20. Jahrhunderts bis zu den heutigen digitalen Referenzsystemen reichen. Dieser seit den 1920er Jahren kontinuierlich entwickelte und verfeinerte Ansatz hat eine besonders robuste Evolution im eurasischen Raum erfahren.

Während hundert Jahren der Entwicklung hat das System den Übergang von manuellen Berechnungen zu maschinenlesbaren Formaten vollzogen - doch sein grundlegendes Prinzip bleibt intakt: die präzise Messung der physischen Ressourcen, die pro Einheit der Bauleistung erforderlich sind. Moderne Implementierungen verbinden historische normative Daten mit Echtzeit-Marktpreisen.

Regionale Adaptationen dieser Methodik operieren unter verschiedenen nationalen Bezeichnungen: ENIR, GESN, FER, NRR, ESN, AzDTN, ShNQK, MKS ChT, SNT, BNbD, Dinh Muc, Ding'e.

⭐ Wenn Sie neue Updates und Datenbankversionen sehen möchten und unsere Tools nützlich finden, geben Sie unseren Repositories bitte einen Stern, um mehr ähnliche Anwendungen für die Bauindustrie zu sehen. Bewerten Sie den DDC-Workflow auf GitHub mit einem Stern und werden Sie sofort über neue Releases benachrichtigt.

Integration

Anwendungsfälle

Einstieg - Kosten-Benchmarking, Preisindexierung, Ausschreibungskalkulation
Fortgeschritten - Lokalisierung, ETL/BI-Pipelines, CO₂-Berechnung
Experte - KI/ML-Training, CAD (BIM) 5D, Tiefgehende Investitionsprüfung

n8n Workflows — Detaillierte Beschreibung

Vier produktionsreife Workflows für automatisierte Baukostenkalkulation. Jeder Workflow verbindet sich über Qdrant mit der DDC CWICR Vektordatenbank und verwendet KI-Modelle für intelligentes Parsing und Matching.

#	Workflow	Eingabe	Ideal für	Download
1	Text-Schätzer-Bot	💬 Text	Schnelle Schätzungen aus Text	JSON
2	Foto-Schätzer	📷 Foto	Baustellenbesuche, Inspektionen	JSON
3	Universal Bot	💬📷📄 Alle	Vollständiger Produktionseinsatz	JSON
4	CAD/BIM Pipeline	🏗️ Revit	BIM-basierte 4D/5D-Kalkulation	JSON

1️⃣ Text-Schätzer-Bot

Datei: n8n_1_Telegram_Bot_Cost_Estimates_and_Rate_Finder_TEXT_DDC_CWICR.json

Telegram-Bot für textbasierte Kostenschätzung. Beschreiben Sie Bauarbeiten in natürlicher Sprache — der Bot parst die Eingabe, durchsucht die Vektordatenbank und liefert detaillierte Kostenaufschlüsselungen.

🤖 Jetzt testen — Live Demo Bots

Testen Sie die Schätzungs-Workflows sofort in Telegram

@TextOpenConstructionEstimate_bot

Erstellen Sie vollständige Kostenschätzungen
aus Textbeschreibungen

flowchart LR
    subgraph Input["💬 EINGABE"]
        A[Telegram Nachricht]
    end

    subgraph AI["🤖 KI-VERARBEITUNG"]
        B[Text parsen]
        C[Arbeitspositionen extrahieren]
    end

    subgraph Search["🔍 VEKTORSUCHE"]
        D[Embeddings generieren]
        E[Qdrant-Suche]
        F[KI-Reranking]
    end

    subgraph Output["📊 AUSGABE"]
        G[Kosten berechnen]
        H[HTML-Bericht]
        I[Excel-Export]
    end

    A --> B --> C --> D --> E --> F --> G --> H
    G --> I

    style Input fill:#e0f2fe,stroke:#0284c7
    style AI fill:#fef3c7,stroke:#d97706
    style Search fill:#dcfce7,stroke:#16a34a
    style Output fill:#f3e8ff,stroke:#9333ea

So funktioniert es:

Schritt	Aktion	Technologie
1	Benutzer sendet Textbeschreibung	Telegram Bot API
2	KI parst und extrahiert Arbeitspositionen	OpenAI / Claude / Gemini
3	Embeddings für jede Position generieren	OpenAI `text-embedding-3-large`
4	Passende Sätze in Datenbank suchen	Qdrant Vektorsuche
5	KI sortiert Ergebnisse für Genauigkeit	LLM-Bewertung
6	Kosten berechnen und Bericht erstellen	HTML / Excel / PDF

Funktionen:

Funktion	Beschreibung
💬 Natürliche Spracheingabe	Akzeptiert jedes Textformat — Listen, Sätze, strukturierte Beschreibungen
🤖 Multi-LLM-Unterstützung	Funktioniert mit OpenAI, Claude oder Gemini (umschaltbar)
🔍 Semantische Suche	Findet beste Treffer auch bei unterschiedlicher Wortwahl
🌍 11 Sprachen	DE, EN, RU, ES, FR, PT, ZH, AR, HI, US, UK
📊 Mehrere Exporte	HTML-Bericht, Excel-Tabelle, PDF-Dokument
✏️ Interaktive Bearbeitung	Mengen vor endgültiger Berechnung ändern

Erforderliche Zugangsdaten:

Telegram Bot Token (von @BotFather)
OpenAI API Key (für Embeddings + optionales LLM)
Qdrant URL + API Key

2️⃣ Foto-Kostenschätzer

Datei: n8n_2_Photo_Cost_Estimate_DDC_CWICR.json

Webformular-Schnittstelle für fotobasierte Kalkulation. Laden Sie ein Baufoto hoch — KI Vision identifiziert Elemente, schätzt Abmessungen und berechnet Kosten automatisch.

flowchart TB
    subgraph Upload["📷 FOTO-UPLOAD"]
        A[Webformular]
        B[Region auswählen]
        C[Arbeitstyp wählen]
    end

    subgraph Vision["👁️ KI VISION"]
        D[GPT-4 Vision Analyse]
        E[Elemente identifizieren]
        F[Abmessungen schätzen]
        G[Raumtyp erkennen]
    end

    subgraph Decompose["🔧 ZERLEGUNG"]
        H[Elemente → Arbeitspositionen]
        I[Mengen berechnen]
    end

    subgraph Price["💰 BEPREISUNG"]
        J[Vektorsuche]
        K[DDC-Sätze abgleichen]
        L[Regionale Preise anwenden]
    end

    subgraph Report["📄 BERICHT"]
        M[HTML generieren]
        N[Kostenaufschlüsselung]
    end

    A --> B --> C --> D
    D --> E --> F --> G
    G --> H --> I
    I --> J --> K --> L
    L --> M --> N

    style Upload fill:#dbeafe,stroke:#2563eb
    style Vision fill:#fef3c7,stroke:#d97706
    style Decompose fill:#dcfce7,stroke:#16a34a
    style Price fill:#fee2e2,stroke:#dc2626
    style Report fill:#f3e8ff,stroke:#9333ea

So funktioniert es:

Schritt	Aktion	Technologie
1	Benutzer lädt Foto via Webformular hoch	n8n Form Trigger
2	KI Vision analysiert das Bild	GPT-4 Vision
3	Raumtyp, Elemente, Materialien identifizieren	Strukturierte JSON-Extraktion
4	Abmessungen aus Referenzobjekten schätzen	KI-Reasoning (Türen, Fliesen, etc.)
5	Elemente in Arbeitspositionen zerlegen	LLM-Verarbeitung
6	Jede Arbeit via Vektorsuche bepreisen	Qdrant + OpenAI Embeddings
7	Professionellen HTML-Bericht erstellen	Gestylte Ausgabe

Funktionen:

Funktion	Beschreibung
📷 Fotoanalyse	GPT-4 Vision identifiziert Bauelemente
📐 Auto-Dimensionierung	Schätzt Größen anhand von Referenzobjekten (Türen, Fliesen)
🏠 Raumerkennung	Badezimmer, Küche, Schlafzimmer, Außenbereich, etc.
🔨 Arbeitstyp-Support	Neubau / Renovierung / Reparatur
🌍 9 regionale Datenbanken	Preise lokalisiert für Berlin, Toronto, Paris, etc.
📄 Professionelle Berichte	Saubere HTML-Ausgabe, kundenfertig

Erforderliche Zugangsdaten:

OpenAI API Key (GPT-4 Vision + Embeddings)
Qdrant URL + API Key

3️⃣ Universal Bot (Text + Foto + PDF)

Datei: n8n_3_Telegram_Bot_Cost_Estimates_and_Rate_Finder_TEXT_PHOTO_PDF_DDC_CWICR.json

Vollausgestatteter Telegram-Bot, der alle Eingabetypen unterstützt: Textbeschreibungen, Baufotos und PDF-Grundrisse. Der umfassendste Workflow für den Produktionseinsatz.

flowchart TB
    subgraph Input["📥 MULTI-EINGABE"]
        A[💬 Textnachricht]
        B[📷 Foto]
        C[📄 PDF-Dokument]
    end

    subgraph Router["🔀 SMART ROUTER"]
        D{Typ erkennen}
    end

    subgraph TextPath["💬 TEXT-PFAD"]
        E[KI parst Text]
        F[Arbeiten extrahieren]
    end

    subgraph PhotoPath["📷 FOTO-PFAD"]
        G[Vision KI]
        H[Elemente identifizieren]
        I[Zerlegen]
    end

    subgraph PDFPath["📄 PDF-PFAD"]
        J[Seiten extrahieren]
        K[Vision-Analyse]
        L[Inhalt parsen]
    end

    subgraph Common["🔍 GEMEINSAME PIPELINE"]
        M[Embeddings generieren]
        N[Qdrant-Suche]
        O[KI-Reranking]
        P[Kosten berechnen]
    end

    subgraph Export["📤 EXPORT"]
        Q[HTML-Bericht]
        R[Excel CSV]
        S[PDF-Dokument]
    end

    A --> D
    B --> D
    C --> D
    D -->|Text| E --> F --> M
    D -->|Foto| G --> H --> I --> M
    D -->|PDF| J --> K --> L --> M
    M --> N --> O --> P
    P --> Q
    P --> R
    P --> S

    style Input fill:#e0f2fe,stroke:#0284c7
    style Router fill:#fef3c7,stroke:#d97706
    style TextPath fill:#dcfce7,stroke:#16a34a
    style PhotoPath fill:#fce7f3,stroke:#db2777
    style PDFPath fill:#f3e8ff,stroke:#9333ea
    style Common fill:#fee2e2,stroke:#dc2626
    style Export fill:#d1fae5,stroke:#059669

So funktioniert es:

Schritt	Aktion	Technologie
1	Benutzer sendet Text, Foto oder PDF	Telegram Bot API
2	Router erkennt Eingabetyp	Content-Type-Analyse
3a	Text: KI parst Arbeitspositionen	OpenAI / Gemini
3b	Foto: Vision KI extrahiert Elemente	GPT-4 Vision / Gemini 2.0
3c	PDF: Seiten extrahieren und analysieren	PDF-Verarbeitung + Vision
4	Semantische Suche in DDC CWICR	Qdrant Vektordatenbank
5	KI-Reranking für beste Treffer	LLM-Bewertung
6	Interaktive Bearbeitung via Bot-Menü	Telegram Inline-Keyboards
7	Ergebnisse exportieren	HTML / Excel / PDF

17 Bot-Aktionen:

Aktion	Beschreibung
`/start`	Sprachauswahlmenü
Foto-Upload	KI-Vision-Analyse starten
Textnachricht	Arbeitspositionen parsen und extrahieren
PDF-Upload	Grundrisse verarbeiten
Mengen bearbeiten	Vor Berechnung ändern
Arbeit hinzufügen	Manuelle Positionseingabe
Berechnen	Vollständige Kostenkalkulation
Details ansehen	Ressourcen für jede Position zeigen
Excel exportieren	CSV-Tabelle herunterladen
PDF exportieren	PDF-Bericht generieren
Hilfe	Nutzungsanleitung zeigen
Verfeinern	Mit Korrekturen neu analysieren

Funktionen:

Funktion	Beschreibung
📷 Dual Vision KI	Gemini 2.0 Flash oder GPT-4 Vision (konfigurierbar)
📄 PDF-Verarbeitung	Grundrisse, gescannte LV, Dokumente
💬 Smart Text-Parsing	Verarbeitet Listen, Tabellen, Freitext
🔍 KI-Reranking	Verbessert Treffergenauigkeit
✏️ Volle Bearbeitung	Arbeitspositionen hinzufügen, entfernen, ändern
📊 Multi-Format-Export	HTML, Excel, PDF
🌍 11 Sprachen	Vollständige Lokalisierung

Erforderliche Zugangsdaten:

Telegram Bot Token
OpenAI API Key (Embeddings)
Gemini API Key (Vision) oder OpenAI GPT-4 Vision
Qdrant URL + API Key

4️⃣ CAD (BIM) Kostenschätzungs-Pipeline

Datei: n8n_4_CAD_(BIM)_Cost_Estimation_Pipeline_4D_5D_with_DDC_CWICR.json

Automatisierte Kostenschätzung aus Revit/IFC/DWG-Modellen. Extrahiert BIM-Daten, klassifiziert Elemente, zerlegt in Arbeitspositionen und erstellt 4D/5D-Schätzungen mit vollständiger Ressourcenaufschlüsselung.

flowchart TB
    subgraph INPUT["📁 EINGABE<br/><i>CAD • Fotos • Textbeschreibung</i>"]
        CAD["📐 Projekteingabe<br/>(Text • Fotos • RVT / IFC / DWG)"]
    end

    subgraph EXTRACT["⚙️ EXTRAKTION"]
        CONV["RvtExporter.exe / CAD Export / ETL"]
        XLSX["📊 .XLSX<br/>(Rohelemente)"]
    end

    subgraph PREP["🔧 DATENAUFBEREITUNG"]
        PREP_AI["🤖 KI: Bereinigen & Klassifizieren<br/><i>Header • Typen • Kategorien</i>"]
    end

    subgraph STAGE_PLAN["📋 STUFEN 1–3: Planung"]
        PLAN["🤖 Projekt & Phasen erkennen<br/><i>Neubau / Sanierung / Abriss</i><br/><i>Klein / Mittel / Groß</i><br/><i>Elemente → Bauphasen</i>"]
    end

    subgraph STAGE4["🔨 STUFE 4: Zerlegung"]
        S4["🤖 Typen in Arbeiten zerlegen<br/><i>'Ziegelwand 240mm' → Mauerwerk, Mörtel, Putz</i>"]
    end

    subgraph STAGE5["💰 STUFE 5: Bepreisung"]
        S5["🤖 Preis via Vektor-DB<br/><i>OpenAI Embeddings + Qdrant</i><br/><i>rate_code, Einheitskosten, Ressourcen</i>"]
    end

    subgraph STAGE75["✅ STUFE 7.5: Validierung"]
        S75["🤖 CTO-Review<br/><i>Vollständigkeit • Duplikate • fehlende Arbeiten</i>"]
    end

    subgraph OUTPUT["📤 AUSGABE"]
        HTML["📄 HTML-Bericht"]
        XLS["📊 XLS-Bericht"]
    end

    CAD --> CONV --> XLSX
    XLSX --> PREP_AI --> PLAN --> S4 --> S5 --> S75
    S75 --> HTML & XLS

    style INPUT fill:#f4f4f5,stroke:#d4d4d8,color:#18181b
    style EXTRACT fill:#e0f2fe,stroke:#bae6fd,color:#0f172a
    style PREP fill:#ede9fe,stroke:#ddd6fe,color:#1e1b4b
    style STAGE_PLAN fill:#ecfdf5,stroke:#bbf7d0,color:#064e3b
    style STAGE4 fill:#fef9c3,stroke:#fef3c7,color:#78350f
    style STAGE5 fill:#fee2e2,stroke:#fecaca,color:#7f1d1d
    style STAGE75 fill:#e0f2f1,stroke:#bae5e1,color:#134e4a
    style OUTPUT fill:#eef2ff,stroke:#e0e7ff,color:#111827

n8n bietet über 400 native Integrationen mit Plattformen wie Google Sheets, Notion, Slack, Airtable, Datenbanken (PostgreSQL, MongoDB), Cloud-Speicher und mehr. Jeder Knoten in diesem Workflow ist modular — Sie können:

🔄 LLM-Anbieter wechseln (OpenAI ↔ Claude ↔ Gemini ↔ Grok)
📊 Mit Ihrem ERP oder Projektmanagementsystem verbinden
📁 Ergebnisse an jeden Zielort exportieren (Cloud-Speicher, E-Mail, Dashboards)
🔧 Jede Stufe modifizieren um zu Ihrer Kalkulationsmethodik zu passen

Der Workflow gehört Ihnen zum Anpassen. Keine Einschränkungen. Keine Lizenzgebühren. Volle Kontrolle.

📋 Voraussetzungen

Komponente	Anforderung	Beschreibung
n8n	v1.0+ (v2.0+ erfordert Einrichtung)	Workflow-Automatisierungsplattform für die Orchestrierung der Schätzungs-Pipeline
Qdrant	Cloud oder selbst gehostete Instanz	Vektordatenbank für semantische Suche über Bauarbeitspositionen
OpenAI API	Für Embeddings (`text-embedding-3-large`)	Generiert Vektor-Embeddings für BIM-Elemente und Kostendatenbank-Matching
LLM API	OpenAI / Claude / Gemini / xAI Grok	KI-Modelle für Arbeitspositionsklassifikation und Schätzungsgenerierung
DDC Converter	`RvtExporter.exe`	Extrahiert BIM-Daten aus Revit-Modellen nach Excel/JSON zur Verarbeitung

Workflows Schnellstart

Schritt 1: Workflow importieren

n8n → Neuer Workflow → Import from File → JSON auswählen

Schritt 2: Zugangsdaten konfigurieren

Im 🔑 TOKEN Knoten Ihre API-Schlüssel setzen:

{
  "bot_token": "IHR_TELEGRAM_BOT_TOKEN",
  "OPENAI_API_KEY": "IHR_OPENAI_KEY",
  "GEMINI_API_KEY": "IHR_GEMINI_KEY",
  "QDRANT_URL": "http://localhost:6333",
  "QDRANT_API_KEY": ""
}

Schritt 3: DDC CWICR in Qdrant laden

Snapshot aus dem entsprechenden Sprachordner herunterladen (gespeichert via Git LFS) und importieren:

curl -X POST "http://localhost:6333/collections/ddc_de_berlin/snapshots/upload" \
  -H "Content-Type: multipart/form-data" \
  -F "snapshot=@EN___DDC_CWICR/EN_TORONTO_workitems_costs_resources_EMBEDDINGS_3072_DDC_CWICR.snapshot"

Schritt 4: Aktivieren & Testen

Workflow in n8n aktivieren
Für Telegram-Bots: /start an Ihren Bot senden
Für Webformulare: Die von n8n bereitgestellte Formular-URL öffnen

⚠️ n8n 2.0+ Einrichtung erforderlich

Ab n8n Version 2.0 ist der Execute Command Knoten aus Sicherheitsgründen standardmäßig deaktiviert.

Ohne die untenstehende Konfiguration funktionieren Workflows mit Execute Command (insbesondere CAD/BIM Pipeline) nicht — Knoten werden mit Fragezeichen angezeigt oder nicht erkannt.

Schnelle Lösung

Windows (CMD) — bei jedem Start ausführen:

set NODES_EXCLUDE=[] && npx n8n

Permanente Lösung — einmal erstellen:

Datei C:\Users\IHR_BENUTZER\.n8n\.env erstellen mit:

NODES_EXCLUDE=[]

Dann einfach npx n8n wie gewohnt ausführen.

Docker:

environment:
  - NODES_EXCLUDE=[]

Einrichtung überprüfen

n8n starten
+ klicken → nach "Execute Command" suchen
Wenn der Knoten erscheint → ✅ Sie sind startklar!

📚 Mehr Details: n8n 2.0 Breaking Changes

🌍 Unterstützte Sprachen & Preisniveaus

Code	Sprache	Preisniveau	Währung	Qdrant Collection
`AR`	Arabisch	Dubai	AED	`ddc_ar_dubai`
`DE`	Deutsch	Berlin	EUR	`ddc_de_berlin`
`EN`	Englisch	Toronto	CAD	`ddc_en_toronto`
`ES`	Spanisch	Barcelona	EUR	`ddc_sp_barcelona`
`FR`	Französisch	Paris	EUR	`ddc_fr_paris`
`HI`	Hindi	Mumbai	INR	`ddc_hi_mumbai`
`PT`	Portugiesisch	São Paulo	BRL	`ddc_pt_saopaulo`
`RU`	Russisch	St. Petersburg	RUB	`ddc_ru_stpetersburg`
`ZH`	Chinesisch	Shanghai	CNY	`ddc_zh_shanghai`
`US`	Englisch	USA	USD	`ddc_usa_usd`
`UK`	Englisch	UK	GBP	`ddc_uk_gbp`

📊 Pipeline-Stufen

Der CAD/BIM-Workflow verarbeitet Daten durch 10 Stufen:

Stufe	Name	Beschreibung
0	BIM-Daten sammeln	Elemente aus Revit via DDC Converter extrahieren
1	Projekterkennung	KI identifiziert Projekttyp (Wohnen, Gewerbe, etc.)
2	Phasengenerierung	KI erstellt Bauphasen
3	Elementzuordnung	KI ordnet BIM-Typen Phasen zu
4	Arbeitsaufgliederung	KI zerlegt Typen in Arbeitspos. ("Ziegelwand" → Mauerwerk, Mörtel)
5	Vektorsuche	Passende Sätze in DDC CWICR via Qdrant finden
6	Einheitenzuordnung	BIM-Einheiten in Satzeinheiten umrechnen
7	Kostenberechnung	Menge × Einheitspreis für jede Arbeitsposition
7.5	Validierung	CTO-Review auf Vollständigkeit und Duplikate
8	Aggregation	Summe nach Phasen und Kategorien
9	Berichterstellung	HTML- und Excel-Ausgaben erstellen

⚙️ LLM-Modellauswahl

Der Workflow unterstützt mehrere KI-Anbieter. Aktivieren Sie Ihr bevorzugtes Modell im Abschnitt LLM Models:

Modell	Knotenname	Status
OpenAI GPT-4o	`OpenAI LLM`	✅ Standard
Claude Opus 4	`Anthropic Chat Model2`	Deaktiviert
Gemini 2.5 Pro	`Google Gemini Chat Model`	Deaktiviert
xAI Grok	`xAI Grok Chat Model1`	Deaktiviert
DeepSeek	`DeepSeek Chat Model`	Deaktiviert

Um Modelle zu wechseln: Aktivieren Sie den gewünschten Modellknoten und Deaktivieren Sie die anderen.

📁 Ausgabedateien

Berichte werden im Projektordner gespeichert:

projekt_JJJJ-MM-TT.html   ← Interaktiver Bericht (öffnet im Browser)
projekt_JJJJ-MM-TT.xls    ← Excel-kompatibler Bericht

🔗 Qdrant Collections

Der Workflow wählt automatisch die korrekte Collection basierend auf language_code:

{LANG}_{STADT}_workitems_costs_resources_EMBEDDINGS_3072_DDC_CWICR

Beispiel: DE_BERLIN_workitems_costs_resources_EMBEDDINGS_3072_DDC_CWICR

⚠️ Fehlerbehebung

Problem	Lösung
"Execute Command fehlt" (n8n 2.0+)	Umgebungsvariable `NODES_EXCLUDE=[]` setzen. Siehe n8n 2.0+ Einrichtung
"Keine Excel-Datei gefunden"	`path_to_converter` und `project_file` Pfade überprüfen
"Qdrant-Verbindung fehlgeschlagen"	Qdrant URL und API-Schlüssel in Zugangsdaten überprüfen
"Rate Limit überschritten"	Batch-Größe reduzieren oder Verzögerungen zwischen API-Aufrufen hinzufügen
"Keine Preise gefunden"	Prüfen ob die richtige Sprach-Collection in Qdrant existiert
"Telegram Webhook Fehler"	Sicherstellen dass Workflow aktiv ist und Webhook-URL erreichbar ist
"Vision API fehlgeschlagen"	Überprüfen ob Gemini oder OpenAI Vision API-Schlüssel gültig ist

Vektordatenbank

Fertige Qdrant Collections mit OpenAI text-embedding-3-large Embeddings für semantische Suche über Bauarbeitspositionen.

Vektordatenbanken ermöglichen es Ihnen, mit Ihren Daten in natürlicher Sprache zu "sprechen" – mit einfachen Sätzen oder kurzen Phrasen anstelle von Code oder komplexen Filtern. Dies beschleunigt das Finden der richtigen Arbeitsposition oder Kostenzeile dramatisch, selbst in sehr großen Datensätzen.

Diese Qdrant Collections können über moderne Automatisierungs- und Integrations-Workflows mit Anwendungen verbunden werden (z.B. Low-Code/No-Code Workflow- und Pipeline-Tools). Sie können Assistenten erstellen, die Bauarbeitspositionen suchen, filtern und erklären, oder semantische Suche direkt in Ihre bestehenden Kalkulationstools integrieren.

Qdrant-Snapshots der Vektordatenbank

Die Snapshots befinden sich jetzt direkt in den entsprechenden Sprachordnern dieses Repositories (gespeichert via Git LFS), nicht mehr in GitHub Releases.

Sprache	Region	Snapshot-Datei (im Sprachordner)
🇸🇦 Arabisch	Dubai	`AR___DDC_CWICR/AR_DUBAI_workitems_costs_resources_EMBEDDINGS_3072_DDC_CWICR.snapshot`
🇨🇳 Chinesisch	Shanghai	`ZH___DDC_CWICR/ZH_SHANGHAI_workitems_costs_resources_EMBEDDINGS_3072_DDC_CWICR.snapshot`
🇩🇪 Deutsch	Berlin	`DE___DDC_CWICR/DE_BERLIN_workitems_costs_resources_EMBEDDINGS_3072_DDC_CWICR.snapshot`
🇬🇧 Englisch	Toronto	`EN___DDC_CWICR/EN_TORONTO_workitems_costs_resources_EMBEDDINGS_3072_DDC_CWICR.snapshot`
🇪🇸 Spanisch	Barcelona	`ES___DDC_CWICR/SP_BARCELONA_workitems_costs_resources_EMBEDDINGS_3072_DDC_CWICR.snapshot`
🇫🇷 Französisch	Paris	`FR___DDC_CWICR/FR_PARIS_workitems_costs_resources_EMBEDDINGS_3072_DDC_CWICR.snapshot`
🇮🇳 Hindi	Mumbai	`HI___DDC_CWICR/HI_MUMBAI_workitems_costs_resources_EMBEDDINGS_3072_DDC_CWICR.snapshot`
🇧🇷 Portugiesisch	São Paulo	`PT___DDC_CWICR/PT_SAOPAULO_workitems_costs_resources_EMBEDDINGS_3072_DDC_CWICR.snapshot`
🇷🇺 Russisch	St. Petersburg	`RU___DDC_CWICR/RU_STPETERSBURG_workitems_costs_resources_EMBEDDINGS_3072_DDC_CWICR.snapshot`
🇬🇧 UK	GBP	`UK___DDC_CWICR/UK_GBP_workitems_costs_resources_EMBEDDINGS_3072_DDC_CWICR.snapshot`
🇺🇸 USA	USD	`US___DDC_CWICR/USA_USD_workitems_costs_resources_EMBEDDINGS_3072_DDC_CWICR.snapshot`

Collections

🇸🇦 ddc_ar_dubai (Arabisch) · 🇨🇳 ddc_zh_shanghai (Chinesisch) · 🇩🇪 ddc_de_berlin (Deutsch) · 🇬🇧 ddc_en_toronto (Englisch) · 🇪🇸 ddc_sp_barcelona (Spanisch) · 🇫🇷 ddc_fr_paris (Französisch) · 🇮🇳 ddc_hi_mumbai (Hindi) · 🇧🇷 ddc_pt_saopaulo (Portugiesisch) · 🇷🇺 ddc_ru_stpetersburg (Russisch) · 🇺🇸 ddc_usa_usd (USA) · 🇬🇧 ddc_uk_gbp (UK)

Jede Collection enthält 55.719 Vektoren mit vollständigen Payload-Metadaten.

Docker-Bereitstellung

# docker-compose.yml
services:
  qdrant:
    image: qdrant/qdrant:latest
    container_name: ddc-cwicr-qdrant
    ports:
      - "6333:6333"
      - "6334:6334"
    volumes:
      - qdrant_storage:/qdrant/storage
      - ./snapshots:/qdrant/snapshots
    environment:
      - QDRANT__LOG_LEVEL=INFO
    restart: unless-stopped

volumes:
  qdrant_storage:

# Start
docker-compose up -d

# Snapshot importieren
curl -X POST "http://localhost:6333/collections/ddc_de_berlin/snapshots/upload" \
  -H "Content-Type: multipart/form-data" \
  -F "snapshot=@DE___DDC_CWICR/DE_BERLIN_workitems_costs_resources_EMBEDDINGS_3072_DDC_CWICR.snapshot"

# Dashboard: http://localhost:6333/dashboard

🌐 Pricing Search API — BuildCalculator.io

Kostenlose REST-API zur Suche von Baupositionen mit vollständiger Kostenaufschlüsselung, Arbeitsaufwand, Material- und Maschinendaten. 55.719 Positionen in 11 Sprachen mit 84 Feldern pro Position.

Basis-URL: https://buildcalculator.io/api/v1

API-Endpunkte

`GET/POST /api/v1/search` — Baupositionen suchen

Parameter	Typ	Standard	Erforderlich	Beschreibung
`q`	string	—	Ja	Suchanfrage (min. 2 Zeichen). Funktioniert in jeder Sprache
`lang`	string	`en`	Nein	Datenbanksprache: `en`, `ru`, `de`, `fr`, `es`, `pt`, `zh`, `ar`, `hi`
`top`	integer	5	Nein	Anzahl der Ergebnisse (1–20)

`GET /api/v1/languages` — Unterstützte Sprachen

Gibt alle verfügbaren Sprachen mit Positionsanzahl zurück.

`GET /api/v1/stats` — Datenbankstatistiken

Gibt Positionsanzahl, Kategorien, Sprachen und Metadaten zurück.

API-Codebeispiele

cURL:

curl "https://buildcalculator.io/api/v1/search?q=Betonfundament&lang=de&top=5"

Python:

import requests

response = requests.get("https://buildcalculator.io/api/v1/search",
    params={"q": "Mauerwerk Außenwände", "lang": "de", "top": 5})
data = response.json()

for item in data["results"]:
    print(f"{item['name']} — {item['pricing']['total_per_unit']} EUR/{item['unit']}")

JavaScript:

const res = await fetch(
  "https://buildcalculator.io/api/v1/search?q=Dachdeckung&lang=de&top=3"
);
const data = await res.json();

Beispiel-Antwort:

{
  "query": "concrete foundation",
  "language": "en",
  "results_count": 5,
  "results": [
    {
      "rate_code": "KANE_KAME_KAKAME_KAMECON",
      "name": "Concrete preparation device",
      "unit": "m3",
      "currency": "EUR",
      "pricing": {
        "total_per_unit": 167.51,
        "labor_per_unit": 18.80,
        "material_per_unit": 142.92,
        "equipment_per_unit": 4.80
      },
      "cost_breakdown": {
        "labor_pct": 11.3,
        "material_pct": 85.8,
        "equipment_pct": 2.9
      }
    }
  ]
}

Fehlercodes:

Code	Bedeutung	Maßnahme
400	Fehlende oder ungültige Anfrage	`q`-Parameter prüfen (min. 2 Zeichen)
429	Rate-Limit überschritten	Warten und erneut versuchen (60 Anf/Min)
500	Serverfehler	Erneut versuchen oder Support kontaktieren

📖 Vollständige Dokumentation: buildcalculator.io/api-docs

Schnellstart

Python - Tabellarische Daten

import pandas as pd

# Parquet (empfohlen)
df = pd.read_parquet("DDC_CWICR_DE.parquet")

# Excel
df = pd.read_excel("DDC_CWICR_DE.xlsx")

print(f"Datensätze: {len(df):,} | Felder: {len(df.columns)}")
print(df[['rate_code', 'rate_original_name', 'rate_unit', 'total_cost_per_position']].head())

Python - Semantische Suche

from qdrant_client import QdrantClient
from openai import OpenAI

client = QdrantClient("localhost", port=6333)
openai = OpenAI()

# Suche in natürlicher Sprache
query = "Stahlbetonfundament gießen"
embedding = openai.embeddings.create(
    input=query,
    model="text-embedding-3-large"
).data[0].embedding

results = client.search(
    collection_name="ddc_de_berlin",
    query_vector=embedding,
    limit=5
)

for r in results:
    print(f"[{r.score:.3f}] {r.payload['rate_code']}: {r.payload['rate_original_name']}")

Gefilterte Suche

from qdrant_client.models import Filter, FieldCondition, MatchValue, Range

# Nach Abteilung
results = client.search(
    collection_name="ddc_de_berlin",
    query_vector=embedding,
    query_filter=Filter(must=[
        FieldCondition(key="department_name", match=MatchValue(value="Beton und Stahlbeton"))
    ]),
    limit=10
)

# Nach Preisbereich
results = client.search(
    collection_name="ddc_de_berlin",
    query_vector=embedding,
    query_filter=Filter(must=[
        FieldCondition(key="price_est_median", range=Range(gte=1000, lte=50000))
    ]),
    limit=10
)

💻 Entwicklerbeispiele

Das Verzeichnis examples/ enthält sofort ausführbaren Code in mehreren Sprachen.

#	Example	Language	Level
01	Load and explore data	Python, JS, Rust, R	Beginner
02	Semantic search with Qdrant	Python, JS, Rust	Beginner
03	Cost estimation from text	Python, JS	Intermediate
04	Cost estimation from photos	Python	Intermediate
05	BOQ generation & Excel export	Python, JS	Intermediate
06	RAG pipeline (Claude + Qdrant)	Python	Advanced
07	Multi-language cost comparison	Python	Intermediate
08	Data analysis & visualization	Python, R	Intermediate
09	Filtered & faceted search	Python	Intermediate
10	Embedding generation pipeline	Python	Advanced

→ Alle Beispiele ansehen

Ressourcen & Community

Beratung & Schulung

Wir arbeiten mit führenden Bau-, Ingenieur-, Beratungsunternehmen und Technologiefirmen weltweit zusammen, um ihnen bei der Implementierung offener Datenprinzipien, der Automatisierung von CAD/BIM-Verarbeitung und dem Aufbau robuster ETL-Pipelines zu helfen. Wir unterstützen aktiv Organisationen, die praktische Lösungen für digitale Transformation und Interoperabilität suchen, mit Fokus auf Datenqualität und Klassifizierungsherausforderungen bei gleichzeitiger Förderung offener und automatisierter Workflows.

Wenn Sie diese Lösung mit Ihren eigenen Daten testen oder den Workflow an echte Projektaufgaben anpassen möchten, kontaktieren Sie uns gerne. Unser Team bietet praxisnahe Workshops, strategische Beratung und entwickelt Prototypen, die auf reale Projektprozesse zugeschnitten sind.

Mitwirken

DDC CWICR ist ein freies und offenes Projekt, das sich der Steigerung von Effizienz, Transparenz und technologischem Fortschritt in der Bauindustrie widmet. Wir suchen aktiv nach gleichgesinnten Enthusiasten, die diese Mission teilen. Wenn Sie nützliche Lösungen erstellen und bereit sind, diese mit der Community zu teilen, helfen wir Ihnen gerne, Gehör zu finden.

Wir laden Sie ein, Ihre Open-Source-Workflows, Pipelines und Integrationen basierend auf DDC CWICR-Tools einzureichen – Tools, die jeder frei in seiner Arbeit nutzen kann. Die besten Lösungen werden mit vollständiger Autorennennung auf GitHub veröffentlicht und über unseren Newsletter und Social-Media-Kanäle angekündigt, die Zehntausende professioneller Abonnenten erreichen. Dies platziert Ihren Namen direkt vor einer internationalen Gemeinschaft von Kalkulatoren, BIM-Spezialisten und Projektmanagern.

Gemeinsam verändern wir die Branche. Sie können Ihre Lösung an [email protected] mit dem Betreff "DDC Open Workflow" senden oder einen Pull Request direkt in unseren GitHub-Repositories erstellen.

Automatisieren Sie die Verarbeitung von Baudaten mit fertigen CAD-BIM n8n-Workflows:

🤖 AI Instructions

Der AI_INSTRUCTIONS/ Ordner enthält umfassende Dokumentation für KI-Programmierassistenten zur effektiven Arbeit mit dieser Baukostendatenbank.

Was ist DDC CWICR?

DDC CWICR (Construction Work Items, Components & Resources) ist eine Open-Source-Baukostendatenbank mit:

55.719 Arbeitspositionen — detaillierte Bauvorgänge mit vollständiger Kostenaufschlüsselung
27.672 Ressourcen — Materialien, Arbeit und Ausrüstung mit regionalen Preisen
85 Datenfelder — strukturiertes Schema für genaue Kostenberechnungen
11 Sprachen — mit regionsspezifischen Preisen (EUR, USD, CAD, RUB, CNY, etc.)
Vorberechnete Embeddings — 3072-dimensionale OpenAI-Vektoren für semantische Suche

Ressourcenbasierte Methodik

Die Datenbank verwendet einen ressourcenbasierten Kalkulationsansatz, der trennt:

Technologienormen (unveränderlich) — Arbeitsstunden, Materialmengen, Gerätezeit
Regionale Preise (volatil) — Stundensätze, Materialkosten, Kraftstoffpreise

Tatsächliche Kosten = Technologienorm × Regionaler Preis

Dies ermöglicht genaue Schätzungen für verschiedene Regionen und Zeiträume.

AI Instructions-Dateien

Datei	Zweck
`INSTRUCTIONS.md`	Hauptübersicht, Schnellstart, Datenformate
`CLAUDE.md`	Claude Code spezifische Muster und Beispiele
`OPENCODE.md`	Kurzanleitungen für Opencode
`ANTIGRAVITY.md`	GCP-Integration (BigQuery, Vertex AI, Qdrant)
`DATABASE_SCHEMA.md`	Vollständiges 85-Felder-Schema

n8n Workflows — Beispiele & Vorlagen

Die enthaltenen n8n-Workflows sind Beispiele und Vorlagen, die die Kostenkalkulationslogik demonstrieren. Sie können:

✅ Unverändert für schnelle Bereitstellung verwendet werden
✅ Teilweise für spezifische Geschäftsanforderungen angepasst werden
✅ Studiert werden, um die Kalkulationsmethodik zu verstehen
✅ Als Referenz beim Erstellen eigener Integrationen auf jeder Plattform dienen

Die Workflows zeigen: Datenbankabfragen, Positionsabgleich, regionale Preislogik und Berichtserstellung. KI kann diese analysieren, um den gesamten Kalkulationsprozess zu verstehen.

Warum das wichtig ist

KI-Assistenten können Ihnen helfen:

Die Datenbank in natürlicher Sprache abfragen
Arbeiten durch semantische Suche finden
Kosten mit regionalen Preisen berechnen
Berichte generieren und Daten exportieren
Integrationen mit Cloud-Diensten erstellen
Kalkulationsmethodik aus Workflow-Beispielen verstehen

Schnellstart mit KI

Öffnen Sie das Projekt in Ihrer KI-fähigen IDE
Fragen Sie: "Zeige mir alle Betonarbeiten mit ihren Kosten"
Die KI nutzt die Anleitungen für korrekte Datenabfragen

Buch: Für Methodologie-Details siehe Data-Driven Construction Buch

Lizenz — CC BY 4.0

Das gesamte Repository ist lizenziert unter Creative Commons Attribution 4.0 International (CC BY 4.0).

Was Sie tun DÜRFEN


Kommerzielle Nutzung	Erstellen Sie Produkte, SaaS, Apps, APIs — kostenlos, ohne Genehmigung
Kopieren und Verteilen	Teilen Sie die Daten in jedem Format
Ändern und Anpassen	Transformieren, ergänzen, abgeleitete Werke erstellen
Für AI/ML verwenden	Modelltraining, RAG-Pipelines, Embeddings
Für Forschung verwenden	Wissenschaftliche Arbeiten, Berichte, Analysen

Was Sie tun MÜSSEN


Namensnennung angeben	Sie müssen die Quelle bei jeder Nutzung angeben — siehe Beispiele unten
Änderungen angeben	Wenn Sie die Daten geändert haben, müssen Sie angeben, was geändert wurde
Lizenz beibehalten	Fügen Sie einen Link zu CC BY 4.0 bei der Weitergabe bei

Namensnennung — Pflichtformat

Jedes Projekt, Produkt, jede Veröffentlichung oder Anwendung, die DDC CWICR-Daten verwendet, muss enthalten:

DDC CWICR by Artem Boiko / DataDrivenConstruction
https://github.com/datadrivenconstruction/OpenConstructionEstimate-DDC-CWICR
Licensed under CC BY 4.0

Beispiele für die Namensnennung:

Wo	Wie
README / Dokumentation	`Datenquelle: DDC CWICR by Artem Boiko / DataDrivenConstruction (CC BY 4.0)`
Web-App (Footer oder "Über")	`Baukostendaten © Artem Boiko / DataDrivenConstruction — CC BY 4.0`
Wissenschaftliche Arbeit	`Boiko, A. (2025). DDC CWICR — Construction Work Items, Costs & Resources. DataDrivenConstruction.`
Mobile / Desktop-App	"Über"-Bildschirm: `Daten: DDC CWICR by DataDrivenConstruction (CC BY 4.0)`
API / SaaS	API-Dokumentation: `Bereitgestellt von DDC CWICR (CC BY 4.0) — datadrivenconstruction.io`

Projekt unterstützen

Wenn Sie dies nützlich finden, erwägen Sie bitte eine Unterstützung:

Entfesseln Sie die Kraft der Daten im Bauwesen
_{Wechseln Sie zum vollständigen Datenmanagement, bei dem nur vereinheitlichte strukturierte Daten & Prozesse verbleiben}

Markenzeichen

Autodesk®, Revit®, AutoCAD® und DWG™ sind eingetragene Marken oder Marken von Autodesk, Inc. OpenAI™ ist eine Marke von OpenAI, Inc. Qdrant ist eine Marke von Qdrant Solutions GmbH. Alle anderen Markennamen, Produktnamen oder Markenzeichen gehören ihren jeweiligen Inhabern.

Dieses Projekt ist nicht mit Autodesk, OpenAI, Qdrant oder anderen oben genannten Markeninhabern verbunden, wird nicht von ihnen unterstützt oder gesponsert.

Uh oh!

FilesExpand file tree

README.de.md

Latest commit

History

README.de.md

File metadata and controls

DDC CWICR - Construction Work Items, Components & Resources + Pipelines n8n zur Berechnung von Kostenvoranschlägen basierend auf Beschreibungen, Fotos und CAD (BIM)

⚡ n8n Workflows

📝 Text

📷 Foto / PDF

🧊 CAD / BIM

📑 Inhaltsverzeichnis

🤖 KI-Integration

📊 Datenbank & Daten

⚡ n8n Workflows

🏗️ CAD/BIM Pipeline

🔍 Vektordatenbank

🌐 API

🚀 Erste Schritte

👥 Community

🚀 Perfekter Treibstoff für Ihre KI-Produkte

Warum diese Datenbank ideal für KI ist

📋 Fertige Arbeitsbeschreibungen für jedes System

🛠️ Funktioniert perfekt mit

🎯 DDC Skills

💻 Claude Code & Google Antigravity — KI-Programmierassistenten

⚡ n8n — Visuelle Workflow-Automatisierung

📋 Universelle Anwendungsfälle

Überblick

Verfügbare Formate

Datenschema

Feldgruppen

Kostenberechnungsformel

Methodik

Historischer Kontext

Integration

Anwendungsfälle

n8n Workflows — Detaillierte Beschreibung

1️⃣ Text-Schätzer-Bot

🤖 Jetzt testen — Live Demo Bots

2️⃣ Foto-Kostenschätzer

3️⃣ Universal Bot (Text + Foto + PDF)

4️⃣ CAD (BIM) Kostenschätzungs-Pipeline

📋 Voraussetzungen

Workflows Schnellstart

Schritt 1: Workflow importieren

Schritt 2: Zugangsdaten konfigurieren

Schritt 3: DDC CWICR in Qdrant laden

Schritt 4: Aktivieren & Testen

⚠️ n8n 2.0+ Einrichtung erforderlich

Schnelle Lösung

Einrichtung überprüfen

🌍 Unterstützte Sprachen & Preisniveaus

📊 Pipeline-Stufen

⚙️ LLM-Modellauswahl

📁 Ausgabedateien

🔗 Qdrant Collections

⚠️ Fehlerbehebung

Vektordatenbank

Qdrant-Snapshots der Vektordatenbank

Collections

Docker-Bereitstellung

🌐 Pricing Search API — BuildCalculator.io

API-Endpunkte

GET/POST /api/v1/search — Baupositionen suchen

GET /api/v1/languages — Unterstützte Sprachen

GET /api/v1/stats — Datenbankstatistiken

API-Codebeispiele

Schnellstart

Python - Tabellarische Daten

Python - Semantische Suche

Gefilterte Suche

💻 Entwicklerbeispiele

Ressourcen & Community

Beratung & Schulung

Mitwirken

🤖 AI Instructions

Was ist DDC CWICR?

Ressourcenbasierte Methodik

DDC CWICR - Construction Work Items, Components & Resources
+ Pipelines n8n zur Berechnung von Kostenvoranschlägen basierend auf Beschreibungen, Fotos und CAD (BIM)

`GET/POST /api/v1/search` — Baupositionen suchen

`GET /api/v1/languages` — Unterstützte Sprachen

`GET /api/v1/stats` — Datenbankstatistiken