
Wie ich mit Enter in 4 Stunden einen KI-gestützten Concept Explorer gebaut habe
Eine Schritt-für-Schritt-Geschichte, wie ein Entwickler mit Enter Pro in nur 4 Stunden eine voll funktionsfähige KI-Canvas-App gebaut hat. Workflow, Prompts und Techniken im Detail.
Ein Designer ohne jegliche Backend-Erfahrung nutzte Enter Pro, um Essence zu bauen — eine KI-native Canvas-App, die jedes Konzept in seine grundlegenden Bausteine zerlegt. Von der Idee bis zum voll funktionsfähigen Produkt mit KI-Integration, zweisprachiger Unterstützung und einer spielerischen Erfahrung — alles in nur 4 Stunden.
Der Funke
Als Designer hat mich immer eine Frage fasziniert: Woher kommt Kreativität?
Je mehr ich Designmethoden studierte, desto häufiger erkannte ich dasselbe Muster: Kreativität beginnt oft mit Zerlegung und** Neukombination**. Etwas in seine wesentlichen Teile zerlegen, dann auf neue Weise wieder zusammensetzen.
Diese Idee führte zu Essence — einer KI-gestützten Canvas zur Konzepterkundung. Man gibt ein beliebiges Konzept ein, und die KI zerlegt es in seine Kernelemente. Durch das Neukombinieren dieser Elemente entstehen dann neue Ideen.
Warum Enter
Ich bin Produktdesigner, kein Full-Stack-Entwickler. Die Idee für Essence erforderte mehrere Dinge, die einschüchternd wirkten:
- Eine interaktive Canvas mit Drag-and-Drop, Zoom und Pan — die Art komplexer UI, wie man sie in Tools wie Figma oder Miro sieht
- KI-Integration, um die Logik für Konzeptzerlegung und -neukombination anzutreiben
- Ein serverloses Backend, um KI-API-Aufrufe sicher zu verarbeiten
- Deployment, damit Menschen es tatsächlich nutzen können
Die Verbindung zu einer LLM-API hat früher die meisten Nicht-Entwickler ausgebremst — API-Schlüssel, Umgebungseinrichtung, Auth-Logik.
Mit Enters AI All habe ich einfach gesagt: „Nutze Claude Sonnet 4.5", und es hat alles verkabelt — Backend Edge Functions, Request-Formatierung, Fehlerbehandlung.
Mit Enter Pro fasse ich die Infrastruktur überhaupt nicht an. Ich beschreibe, was ich will, und es kümmert sich um React, Supabase, Edge Functions und Modellintegration. Ich konzentriere mich nur auf das Was und Warum.
Der Build: 5 Phasen in 4 Stunden
Phase 1: Fundament
Ich habe die Idee in meinem Kopf zu einem umfassenden Prompt zusammengefasst und an Enter geschickt. Hier die Kernaussage:
Erstelle eine KI-native Canvas-Erkundungs-App namens „Essence". Es ist ein leichtes Denkspiel. Kernmechanik: Nutzer geben ein beliebiges Wort ein, und die KI zerlegt es in genau 2 weitere atomare Konzepte, dargestellt als Emoji + Kurzwort-Knoten auf einer Canvas. Zerlegungsregeln: Immer genau 2 Knoten zurückgeben, jeweils mit 1 Emoji + 1 Kurzwort, Konzepte sollten mit jeder Ebene essentieller werden — in Richtung Dimensionen wie Emotion, Motiv, Energie, Struktur, Beziehung, Macht, Wert, Verlangen, Konflikt. Nutzer können auch 2 beliebige Knoten auswählen, um sie zu einem neuen Konzept zu kombinieren. Die Canvas unterstützt unendliches Ziehen, Zoomen, Doppelklick zum Zerlegen, Mehrfachauswahl zum Kombinieren. Jede Zerlegung kostet 1 Punkt, jede Kombination 2.
Nachdem Enter diesen Prompt gelesen hatte, lud es zuerst seine KI-Funktionen und fragte mich dann direkt: „Welches KI-Modell möchtest du für die Konzeptzerlegung und -rekombination verwenden?" Es listete die verfügbaren Optionen auf — GPT-5.2 Pro, Gemini 3 Pro und Claude Sonnet 4.5 — jeweils mit Angaben zu Kosten, Geschwindigkeit und Stärken. Ich wählte Claude Sonnet 4.5 (hervorragend bei Instruction-Following und kreativen Aufgaben), und Enter verkabelte die gesamte API-Verbindung automatisch.
Minuten später stand die vollständige Projektstruktur bereit — React 18 mit TypeScript, Vite als Build-Tool, Tailwind CSS fürs Styling, @xyflow/react für die Canvas und eine Supabase Edge Function, die mit Claudes API verbunden war. Die Kernlogik für Zerlegung und Rekombination funktionierte beim ersten Versuch.

Phase 2: KI-Logik-Feinabstimmung
Das war der kritischste und faszinierendste Teil des gesamten Projekts. Ob sich Essence großartig oder öde anfühlt, hängt vollständig von der Qualität der KI-Ausgabe ab. Der finale Code teilt die KI-Logik in drei unabhängige Funktionen auf, jede mit sorgfältig ausgearbeiteten Prompt-Strategien.
Das Problem: Die KI war zu „akademisch"
Nachdem die erste Version lief, waren die KI-Ergebnisse unfreiwillig komisch — Eingabe „Schere" ergab „Scherenklauen-Gliedmaßen" und „symmetrische Evolution"; Eingabe „Liebe" ergab „Neurotransmitter" und „Quantenzustände". Technisch nicht falsch, aber überhaupt nicht unterhaltsam und nicht intuitiv. Das war nicht die Erfahrung, die ich wollte.
Fix Nr. 1: Der KI eine Persona geben
Der entscheidende Durchbruch war, der KI eine klare Systemrolle zu geben — nicht „du bist ein Zerlegungsassistent", sondern „Du bist ein lustiges Zerlegungsspiel. Verwandle komplexe Dinge in einfache Bausteine! Benutze Alltagswörter." Dieser eine Satz veränderte den Ausgabestil komplett von akademischer Abhandlung zu verspieltem Gespräch.
Fix Nr. 2: Positive Beispiele + Anti-Muster
Ich stellte fest, dass positive Beispiele allein nicht ausreichten — die KI rutschte gelegentlich immer noch in den akademischen Modus. Also fügte ich gleichzeitig gute und schlechte Beispiele ein:
**Gute Beispiele: **Schere → 🔪 Klinge + 🔗 Scharnier (zwei durch ein Scharnier verbundene Klingen) Kaffee → ☕ Heißes Wasser + 🫘 Bohnen (heißes Wasser + Kaffeebohnen) Freund → 👤 Person + 🤝 Vertrauen (Menschen, die einander vertrauen) Traum → 😴 Schlaf + 💭 Vorstellungskraft (Vorstellungskraft im Schlaf) Schlechte Beispiele (zu akademisch): ❌ Scherenklauen-Gliedmaßen, symmetrische Evolution, Neurotransmitter, Quantenzustände
Dieser „Positiv-Negativ-Kontrast" gab der KI ein sehr präzises Verständnis des gewünschten Tons: einfach, intuitiv, die Art, die Menschen zum Lächeln bringt oder einen „Aha!"-Moment auslöst.
Fix Nr. 3: Drei Funktionen, drei Strategien
Die finale KI-Logik wurde in drei unabhängige Funktionen aufgeteilt, jede mit eigenem Prompt-Design und eigener Parameter-Feinabstimmung:
① Emoji-Generierung (generateEmojiForConcept): Wenn ein Nutzer ein Konzept eingibt, generiert zunächst ein separater KI-Aufruf ein semantisch passendes Emoji. Die Systemrolle ist auf „Du bist ein Emoji-Generator. Du gibst nur JSON aus" gesetzt, mit einer Temperatur von 0,7 (Genauigkeit vor Kreativität), geleitet durch Few-Shot-Beispiele: Stein → 🪨, Feuer → 🔥, Liebe → ❤️. Schlägt das Parsen fehl, greift es elegant auf ein Standard-✨ zurück.
② Konzeptzerlegung (decomposeConcept): Die Kernfunktion. Der Prompt weist die KI an, „Dinge wie Bausteine auseinanderzunehmen", und gibt genau 2 Knoten (Emoji + Kurzwort) plus eine einsätzige Erklärung zurück. Die Temperatur ist auf 0,8 gesetzt — höher als bei der Emoji-Generierung, um mehr kreativen Spielraum zu erlauben. Die entscheidende Design-Entscheidung: Jede Anfrage injiziert einen zufälligen Seed (randomSeed), sodass dasselbe Konzept jedes Mal unterschiedliche Ergebnisse liefert — das gibt der Erkundung echte „Wiederspielbarkeit".
③ Konzeptrekombination (recombineConcepts): Der kreativste Teil. Der Prompt formuliert dies als „denke wie in einem Spiel", mit fantasievollen Beispielen: Wasser + Feuer = Dampf ♨️, Mehl + Feuer = Brot 🍞, Mensch + Flügel = Engel 👼, Traurigkeit + Freude = Leben 🎭. Ergebnisse sollten „überraschend, aufschlussreich, leicht humorvoll, nicht naheliegend" sein. Gleiche Random-Seed-Technik für Vielfalt.
Fix Nr. 4: Hover-Erklärungen machen die Logik sichtbar
Jede KI-Zerlegung oder -Rekombination liefert auch eine kurze explanation zurück. Dieser Text erscheint nicht direkt am Knoten (um die Oberfläche minimal zu halten), sondern wird in den Daten des Knotens gespeichert. Wenn ein Nutzer mit dem Mauszeiger über einen Knoten fährt, erscheint eine elegante HoverCard, die die vollständige Argumentationskette zeigt:
- Zerlegte Knoten (smaragdgrüne Beschriftungen): 🎭 Drama = 😢 Konflikt + 👥 Charaktere, darunter „Drama ist im Grunde Konflikt zwischen Charakteren"
- Kombinierte Knoten (violette Beschriftungen): 😴 Schlaf + 💭 Vorstellungskraft = 💫 Traum, darunter „Vorstellungskraft im Schlaf ist ein Traum"
Dieses Design lässt die Informationsschichtung wunderbar elegant wirken — an der Oberfläche minimalistische Emoji-Karten, bei genauerem Hinsehen der Denkprozess der KI.
Das Ergebnis
Nach all dieser Feinabstimmung veränderte sich die Qualität der KI-Ausgabe drastisch:
❤️ Love → 👤 Person + 🤝 Trust (people who trust each other) ☕ Coffee → 🫘 Beans + ☕ Hot water (hot water meets coffee beans) 💭 Dream → 🔮 Imagination + 🔥 Desire (a burning vision of the future) 🔥 Fire + 💧 Water = ♨️ Steam 😴 Sleep + 💭 Imagination = 💫 Dream
Jede Zerlegung löst einen „Aha!"-Moment aus; jede Rekombination zaubert ein Lächeln. Das ist die Macht des Prompt Engineerings — es geht nicht darum, mehr Code zu schreiben, sondern die richtige Art zu finden, mit KI zu sprechen.

Phase 3: Interaktions-Feinschliff
Hier begann sich die App lebendig anzufühlen:
- 1 Knoten auswählen → Button „Zerlegen" erscheint — weiter aufschlüsseln
- Shift + Klick auf 2 Knoten → Button „Kombinieren" erscheint — sie zusammenmischen
- Doppelklick auf einen beliebigen Knoten → Sofortige Zerlegung — schnelle Erkundung
- Über einen bereits verarbeiteten Knoten hovern → Die Argumentation der KI sehen in einer HoverCard
Ich fügte auch eine leichte Gamification-Schicht hinzu: Man startet mit 20 Punkten (Zerlegen kostet 1, Kombinieren kostet 2), was eine sanfte Einschränkung schafft, die einen dazu bringt, über die zu erkundenden Pfade nachzudenken. Punkte werden lokal gespeichert, und man kann jederzeit zurücksetzen.



Phase 4: UI-Design-Feinschliff
Nachdem die Funktionalität stand, lag der nächste Fokus darauf, Essence auch so gut aussehen zu lassen, wie es sich anfühlte.
Die erste große Design-Entscheidung betraf die Typografie. Ich wählte Bricolage Grotesque als globale Schrift — eine geometrische, moderne Sans-Serif, die die App sofort aus dem Terrain der Standard-Systemschrift hob und ihr eine unverwechselbare Markenidentität verlieh.
Die Knoten-Karten-Optik durchlief mehrere Iterationen. Das finale Design landete bei großen abgerundeten Rechteckkarten (rounded-2xl) mit weichen Pastell-Hintergründen — Amber-50, Emerald-50 und Violet-50, zufällig zugewiesen — mit einem großen Emoji als visuellem Anker und einer kurzen Wortbeschriftung unten. Die Canvas sah am Ende aus wie eine Streuung bunter Haftnotizen: leicht, verspielt und übersichtlich.
Die Eingabebox ist der „erste Eindruck" der App, deshalb hatte ich hier die höchsten Ansprüche. Hier glänzte Enters Enter Components-Funktion wirklich — eine integrierte KI-Komponentenbibliothek, in der man Komponenten durchsuchen, in der Vorschau ansehen und mit einem Klick hinzufügen kann. Ich tippte „ai" in die Suchleiste und entdeckte eine Komponente namens claude-style-chat-input — ein elegant gestaltetes Konversations-Eingabefeld. Ich klickte auf „+ Zum Chat hinzufügen", und Enter integrierte es automatisch in mein Projekt und passte das Styling an die bestehende Design-Sprache an. Das schlichte HTML-Eingabefeld verwandelte sich sofort in eine ausgefeilte Konversations-Eingabeerfahrung — abgerundete Ränder, weiche Schatten, Inline-Button-Layout — perfekt stimmig mit der visuellen Identität der App.
Keine Notwendigkeit, Komponenten von Grund auf zu schreiben oder mit CSS herumzubasteln. Enter Components lässt einen hochwertige UI wie Bausteine zusammensetzen, und Enter passt das Styling automatisch an, um visuelle Konsistenz zu wahren.
Zuletzt fügte ich eine Reihe von Quick-Start-Konzeptkarten hinzu — ❤️ Liebe, 💰 Geld, ⏰ Zeit, 🌳 Baum, 🎵 Musik, 💭 Traum — dargestellt als geneigte, bunte Mini-Karten auf dem Begrüßungsbildschirm, was die Einstiegshürde senkt und Nutzern sofort zeigt, was sie eingeben können.



Phase 5: Internationalisierung
Essence ist für ein globales Publikum gebaut, daher war zweisprachige Chinesisch-Englisch-Unterstützung kein nettes Extra — sie war unverzichtbar.
Aber Internationalisierung bedeutet nicht nur, UI-Text zu übersetzen. Bei Essence muss auch die KI-Ausgabe zur gewählten Sprache des Nutzers passen — im chinesischen Modus sollte die Zerlegung von „爱" chinesische Ergebnisse wie „人 + 信任" liefern; wechselt man in den englischen Modus, sollte die Zerlegung von „Love" „Person + Trust" ergeben. Das bedeutet, der Sprachumschalter im Frontend muss bis in die Prompt-Ebene der KI durchgereicht werden.
Für die Umsetzung nutzte ich Zustand für leichtgewichtiges Sprachzustandsmanagement. Das gesamte i18n-System funktioniert so: Der Nutzer klickt oben rechts auf den Sprachumschalter → der globale State aktualisiert sich → sämtlicher UI-Text wechselt sofort → KI-Aufrufe erhalten den aktuellen Sprachparameter → Prompt-Vorlagen wählen die chinesische oder englische Version → die KI-Ausgabe passt sich automatisch der Sprache des Nutzers an. Die Sprachpräferenz wird zudem in localStorage gespeichert und beim nächsten Besuch nahtlos wiederhergestellt.
In Enter genügte für all das eine einzige Beschreibung: „Füge einen Chinesisch/Englisch-Umschalter mit einem Sprach-Button oben rechts hinzu. Sämtlicher UI-Text, KI-Prompts und KI-Ausgaben sollen automatisch basierend auf der gewählten Sprache wechseln." Enter baute die gesamte Pipeline in einem Rutsch — vom State-Management über die Prompt-Vorlagen-Verzweigung bis zur lokalen Persistenz.
Das bestätigte auch eine wichtige Lektion: Je früher man i18n einbaut, desto besser. Wartet man, bis alle Features fertig sind, bevor man Internationalisierung hinzufügt, findet man fest codierten Text über die Prompts verstreut und UI-Strings in jeder Komponente einbetoniert — und die Nachrüstung ist schmerzhaft. Baut die mehrsprachige Architektur von Tag eins an, und danach fügt man nur noch Übersetzungsinhalte hinzu.
Was Essence besonders macht
Zerlegen: Die unsichtbare Struktur von allem sehen
Gib ein beliebiges Wort ein. Die KI zerlegt es in genau 2 atomare Konzepte — jedes mit einem semantischen Emoji und einer einsätzigen Erklärung. Dann geht es weiter. Zerlege auch diese. Beobachte, wie vor deinen Augen ein Konzeptbaum wächst.
🎭 Drama → 😢 Conflict + 👥 Characters 😢 Conflict → ⚡ Tension + 🎯 Goals 👥 Characters → 👤 Person + 💬 Story
Rekombinieren: Neue Ideen aus den Atomen alter Ideen erschaffen
Wähle beliebige 2 Knoten auf der Canvas — sogar aus völlig unterschiedlichen Ästen — und kombiniere sie. Die KI findet die überraschende Verbindung.
🔥 Fire + 💧 Water = ♨️ Steam 😴 Sleep + 💭 Imagination = 💫 Dream 👤 Person + ✈️ Wings = 👼 Angel
Spielen, nicht nur nachdenken
Das 20-Punkte-System verwandelt abstrakte Erkundung in ein verspieltes Spiel. Jeder Klick ist eine Entscheidung. Welchen Ast erkundest du? Welche Atome kombinierst du? Es ist eine Spielwiese für Neugier.
Der Tech-Stack — von Enter zusammengesetzt
| Ebene | Technologie | Rolle |
|---|---|---|
| Frontend | React 18 + TypeScript | Anwendungs-Framework |
| Canvas | @xyflow/react (React Flow) | Interaktive knotenbasierte Canvas |
| Styling | Tailwind CSS + shadcn/ui | Design-System & Komponenten |
| Backend | Supabase Edge Functions | Serverloses KI-API-Gateway |
| KI-Modell | Claude Sonnet 4.5 (Anthropic) | Konzept-Generierungs-Engine |
| Build | Vite | Schneller Dev-Server & Bundler |
| State | Zustand | Leichtgewichtiger i18n-State |
| Deploy | Enter Pro | Ein-Klick-Veröffentlichung |
Ich habe nichts davon manuell konfiguriert. Enter Pro hat den gesamten Stack anhand meiner Beschreibungen und iterativen Prompts zusammengesetzt.
Gelernte Lektionen
- Zwei-Ebenen-Prompting, zwei Denkweisen
Der Bau von KI-Apps mit Enter besteht aus zwei gleichzeitigen Gesprächen: Mit Enter zu sprechen ist wie die Zusammenarbeit mit einem Full-Stack-Ingenieur — klare Anforderungen sind nötig; mit dem In-App-Claude zu sprechen ist wie die Zusammenarbeit mit einem kreativen Partner — emotionale Führung und Lehren anhand von Beispielen sind nötig. Beide Ebenen richtig hinzubekommen, ist das eigentliche Handwerk.
- Der KI eine Persönlichkeit geben, nicht nur Regeln
Die Änderung der Systemrolle von „Du bist ein Assistent zur Konzeptzerlegung" zu „Du bist ein lustiges Zerlegungsspiel" veränderte den gesamten Ausgabestil mit einem einzigen Satz. Regeln schränken das Format ein; Persönlichkeit definiert die Qualität.
- Positive Beispiele + Anti-Muster schlagen lange Beschreibungen
✅ Scissors → Blade + Hinge ❌ Pincer appendages, Symmetrical evolution, Neurotransmitters
Diese drei Zeilen vermitteln mehr, als es 100 Wörter je könnten. Positiv-Negativ-Kontrast ist die am meisten unterschätzte Prompt-Engineering-Technik.
- Zufalls-Seeds geben Erkundungsprodukten Wiederspielbarkeit
Dasselbe Konzept liefert jedes Mal unterschiedliche Ergebnisse — heute „Liebe = Person + Vertrauen", morgen „Liebe = Verletzlichkeit + Mut". Zufalls-Seeds + Temperatur 0,8 maximieren die Vielfalt bei gleichbleibender Qualität. Das Lebenselixier eines Erkundungsprodukts ist „jedes Mal etwas Neues".
- Beschränkungen erschaffen Spiel
Das 20-Punkte-System verwandelte ziellosen Klicks in strategische Erkundung. Klassisches Prinzip des Spieldesigns: Bedeutungsvolle Entscheidungen erfordern begrenzte Ressourcen.
- Vibe Coding richtig gemacht: Auf eine Phase nach der anderen konzentrieren
Erst Fundament → dann KI-Persönlichkeit → dann Interaktions-Feinschliff → dann visuelles Design → dann i18n. Jede Phase konzentriert sich auf eine Dimension, was das Gespräch mit Enter präzise und die Ausgabe vorhersehbar hält.
🔗 Baue dein eigenes mit Enter Pro: enter.converge.ai






