Ausgaben-Tracker

KI-gestützter Ausgaben-Tracker für Schweizer Bankauszüge im CAMT-Format (.053/.054). Transaktionen werden per lokalem LLM (Ollama) automatisch kategorisiert.

Features

• Multi-Format-Upload – CAMT-XML (.053/.054), CSV oder XLSX. Spalten werden automatisch erkannt (deutsche + englische Header). Falls nicht möglich, Mapping-UI zum manuellen Zuordnen
• KI-Kategorisierung – Lokales LLM via Ollama klassifiziert jede Transaktion (Essen, ÖV, Miete, …)
• Counterparty-Cache – Wiederkehrende Gegenparteien (z.B. SBB, Coop) werden beim zweiten Mal aus dem Cache kategorisiert, ohne LLM-Call
• Vorschläge verwalten – Neue Kategorien vom LLM können akzeptiert, verworfen oder in eine bestehende Kategorie zusammengeführt werden. Bulk-Merge pro Ziel-Kategorie für mehrere Vorschläge gleichzeitig
• Manuelles Editieren – Kategorien jederzeit per Dropdown korrigierbar (Cache wird mit-aktualisiert)
• Dashboard – Ausgaben pro Kategorie und Monat als Balkendiagramm (Chart.js)
• CSV-Export – Alle Transaktionen als CSV herunterladen
• Konfigurierbar – Kategorien, Ollama-Server & Modell über Web-UI editierbar
• Ollama-Verbindungstest – Button in der Config prüft ob der Server erreichbar und das Modell installiert ist
• Overlap-Warnung – Beim Upload wird gewarnt wenn der Zeitraum bereits Transaktionen enthält
• Multi-Währungs-Warnung – Banner wenn Daten verschiedene Währungen enthalten
• Docker – Fertiges Docker-Setup mit docker compose
• Tests – 220 pytest-Tests (Parser, Storage-Concurrency, Agent, Routes, Merge, Suche, Bulk-Edit, Farben, Löschen, DuckDuckGo-Anreicherung)
• KI-Internet-Anreicherung – DuckDuckGo (Instant Answer API) liefert Wikipedia-Beschreibungen zu jeder Gegenpartei (z.B. "Migros" → "Schweizer Detailhandelskette"). Beschreibungen landen im LLM-Prompt für bessere Kategorisierung. Cache in SQLite, kein Ablauf, Rate-Limit 1.2s/Call. Privacy-Hinweis in der Config

Voraussetzungen

• Ollama läuft auf einem Server (separater LXC oder gleicher Host)
• Docker für den App-Container
• Ein Ollama-Modell (z.B. llama3.2, qwen2.5, mistral)

Quickstart

# 1. Projekt klonen
git clone <repo-url> Ausgaben
cd Ausgaben

# 2. .env erstellen & anpassen
cp .env.example .env
# Bearbeite Ollama-URL und Modell:
# OLLAMA_URL=http://<deine-ollama-ip>:11434
# OLLAMA_MODEL=llama3.2

# 3. Starten
docker compose up -d --build

# 4. Öffnen
# http://<server-ip>:5000

Konfiguration

.env (Docker)

Variable	Default	Beschreibung
PORT	5000	Port, auf dem die App läuft
OLLAMA_URL	http://localhost:11434	Ollama-Server-Adresse
OLLAMA_MODEL	llama3.2	Zu nutzendes Ollama-Modell
BATCH_SIZE	5	Transaktionen pro LLM-Aufruf (Cache-Hits werden separat gezählt)

Datenbank

Alle Daten (Transaktionen, Kategorien, Vorschläge, Config, Counterparty-Cache) liegen in einer SQLite-DB unter DATA_DIR/ausgaben.db. Im Docker-Container ist das /data/ausgaben.db.

Schema:

• categories(id, name UNIQUE)
• transactions(id, date, amount, currency, counterparty, counterparty_iban, reference, type, category_id, category_confidence, category_is_new, updated_at)
• suggestions(name, count, examples_json)
• config(key, value)
• counterparty_cache(counterparty, category_id, confidence, updated_at)

WAL-Modus aktiv → konfliktfreie parallele Reads, atomare Writes. Bei docker compose down bleiben die Daten erhalten. Zurücksetzen: docker compose down -v (löscht das Volume).

Tests

pip install -r requirements-dev.txt
pytest

Workflow

1. Upload – CAMT-XML, CSV oder XLSX per Drag & Drop auf die Startseite hochladen
2. Parsen – Die App extrahiert automatisch alle Transaktionen
   • Bei CSV/XLSX mit unbekannten Headern → Mapping-UI zur manuellen Spalten-Zuordnung
3. Warnung – Falls der Zeitraum bereits Transaktionen enthält, wird gewarnt
4. Kategorisieren – Button KI kategorisieren klicken – das LLM klassifiziert (oder Cache-Hit). Neue Kategorien markiert das LLM als is_new
5. Prüfen – Ergebnisse kontrollieren, Kategorien bei Bedarf manuell korrigieren
6. Speichern – Transaktionen speichern – sie landen in der SQLite-DB. is_new-Kategorien werden als "pending" gespeichert, nicht auto-erstellt
7. Auswerten – Unter /transactions und /stats Dashboard und Details einsehen
   • Einnahmen-Filter: Default werden nur Ausgaben angezeigt (positiver Betrag = ausgeblendet). Toggle "Einnahmen einblenden" in der Filter-Bar
   • Kategorie-Farben: Jede Kategorie hat eine deterministische Farbe (SHA256-Hash → HSL). Visueller Punkt vor jeder Kategorie, einheitliche Farben in Charts
   • Suche: Volltext-Suche über Gegenpartei, IBAN und Buchungstext (z.B. "Volg" findet alle Volg-Buchungen). Kombinierbar mit Kategorie- und Monats-Filter
   • Bulk-Edit: Mehrere Transaktionen auswählen + gemeinsam zu einer Kategorie zuordnen (Sticky Action-Bar unten)
   • Bulk-Delete: Mehrere Transaktionen auswählen + gemeinsam löschen (mit Bestätigungs-Modal, unwiderruflich)
   • Einzel-Delete: Pro Zeile ×-Button → confirm-Dialog → entfer
   • Neue Kategorie inline: Im Dropdown jeder Zeile "+ Neue Kategorie…" wählen — Name eingeben, fertig
8. Vorschläge verwalten – Unter /suggestions für jede LLM-vorgeschlagene Kategorie:
   • Akzeptieren: neue Kategorie offiziell bestätigen
   • Zusammenführen: in eine bestehende Kategorie überführen (z.B. "Streaming" → "Abos / Streaming"). Alle betroffenen Transaktionen + Counterparty-Cache werden umgezogen
   • Bulk-Merge: pro Ziel-Kategorie mehrere Vorschläge gleichzeitig per Checkbox auswählen und überführen
   • Ablehnen: Vorschlag entfernen (Transaktionen verlieren die Kategorie-Zuordnung)

Architektur

Ausgaben/
├── app.py              # Flask-Web-App (Routes & UI)
├── camt_parser.py      # CAMT.053/.054 XML-Parser (defusedxml)
├── parsers.py          # Multi-Format-Dispatcher (CAMT, CSV, XLSX + Header-Heuristik)
├── agent.py            # LLM-Agent (Ollama /api/chat, Cache, Retry)
├── storage.py          # SQLite-Storage (CRUD, Cache, Concurrency)
├── ausgaben.db         # SQLite-Datenbank (im DATA_DIR)
├── Dockerfile
├── docker-compose.yml
├── .env.example
├── entrypoint.sh
├── requirements.txt
├── requirements-dev.txt
├── pytest.ini
├── tests/              # pytest-Suite (92 Tests)
│   ├── conftest.py
│   ├── test_camt_parser.py
│   ├── test_parsers.py
│   ├── test_storage.py
│   ├── test_agent.py
│   ├── test_app.py
│   └── fixtures/
├── templates/          # Jinja2-Vorlagen
│   ├── base.html
│   ├── index.html
│   ├── categorize.html
│   ├── mapping.html
│   ├── transactions.html
│   ├── suggestions.html
│   ├── stats.html
│   └── config.html
└── static/
    └── style.css

Ohne Docker (Entwicklung)

python3 -m venv venv
source venv/bin/activate
pip install -r requirements-dev.txt
export DATA_DIR=$PWD  # DB im Projektordner
python app.py --port 5000

Ollama-Modell installieren (falls nicht vorhanden)

ollama pull llama3.2        # ~2 GB, schnell
ollama pull qwen2.5:7b      # ~4.5 GB, sehr guter JSON-Output
ollama pull mistral:7b       # ~4.1 GB, solide

Lizenz

MIT