---
title: "Swiss Trading Cards: Vom Bild zu Produktdaten im Massstab"
description: "Swiss Trading Cards verwandelt Fotos von Karten in strukturierte Produktspezifikationen, bereit zum Listen. Wie ich eine verlässliche Bild-zu-Produkt-Pipeline baute."
type: "build"
locale: "de-CH"
category: "automation"
canonical: "https://agenticschool.dev/de/projekte/swiss-trading-cards"
dateModified: "2026-06-12"
---

# Swiss Trading Cards: Vom Bild zu Produktdaten im Massstab

- Kategorie: automation
- Status: internal
- Stack: Gemini Vision, Node.js, Convex, TypeScript, Image processing
- Aktualisiert: 2026-06-12
- Keywords: trading cards, image to product, pipeline, normalisation, vision
- Kanonische URL: https://agenticschool.dev/de/projekte/swiss-trading-cards
- Sprache: de-CH

> Eine Pipeline, die Kartenfotos in saubere, verkaufsfertige Produktlistings verwandelt.

Swiss Trading Cards verwandelt Fotos von Karten in strukturierte Produktspezifikationen, bereit zum Listen. Wie ich eine verlässliche Bild-zu-Produkt-Pipeline baute.

## Von einem Schuhkarton voll Karten zum Katalog

Die Idee war, Fotos von Sammelkarten zu nehmen und automatisch die strukturierten Produktdaten zu erzeugen, die man zum Verkaufen braucht: den Namen, das Set, den Zustand, die Attribute, die einem Käufer wichtig sind. Das von Hand für eine grosse Sammlung zu machen ist stumpfsinnig und fehleranfällig, was es zum perfekten Kandidaten für eine Bild-zu-Daten-Pipeline machte.

## Eine Pipeline, kein einzelner Prompt

Der Fehler wäre gewesen, das ganze Bild auf ein Modell zu werfen und alles auf einmal zu verlangen. Stattdessen brach ich es in Stufen auf, jede mit einer klaren Aufgabe, sodass ich jede Stufe unabhängig testen und fixen konnte. Eine saubere Pipeline ist weit leichter zu debuggen als ein riesiger Prompt, der entweder richtig oder falsch ist, ohne etwas dazwischen.

- Stufe eins identifiziert die Karte; Stufe zwei extrahiert Attribute; Stufe drei normalisiert sie ins Produktschema.
- Jede Stufe gibt strukturierte Daten aus, die die nächste konsumiert, sodass Fehler lokalisiert und sichtbar sind.
- Mehrdeutige Karten werden zur Prüfung markiert statt geraten, denn ein falsches Listing ist schlimmer als ein fehlendes.

## In der Normalisierung steckt der Wert

Eine Karte zu lesen war der schillernde Teil. Der wirklich wertvolle Teil war die Normalisierung: sicherzustellen, dass dasselbe Set immer gleich geschrieben ist, dieselben Zustandsstufen auf dieselben Werte mappen und der Output immer exakt ins Produktschema passt. Käufer und nachgelagerte Systeme kümmert nicht, wie beeindruckend der Vision-Schritt war; sie kümmert, dass die Daten konsistent sind. Ich lernte, dass eine Bild-zu-Produkt-Pipeline an ihrer langweiligen Normalisierungsschicht lebt oder stirbt, und dass das Aufteilen der Arbeit in kleine, testbare Stufen das Ganze vertrauenswürdig genug machte, um daraus wirklich echte Produkte zu listen.

## Gelernte Lektionen

- Brich Bild-zu-Daten-Arbeit in kleine, testbare Stufen auf statt in einen riesigen Alles-Prompt.
- In der Normalisierung steckt der echte Wert. Konsistenter Output zählt mehr als eine beeindruckende Extraktion.
- Markiere mehrdeutige Fälle zur Prüfung. Ein falsches Produktlisting ist schlimmer als ein fehlendes.
- Eine gestufte Pipeline lokalisiert Fehler, sodass du eine Stufe fixst statt eine Blackbox zu debuggen.