Als Überraschungsgast war an diesem Abend der amerikanische Entwickler und Podcaster Matt Navarre aus seiner Wahlheimat Kreta in Griechenland zugeschaltet – weshalb der erste Teil des Abends auf Englisch stattfand. Er stellte gleich drei neue Werkzeuge vor, die er als Open Source veröffentlicht hat und die allesamt nach Figuren der griechischen Mythologie benannt sind: Pythia, Clio und Mitos. Den Auftakt machte Pythia, ein Werkzeug für die agentische Datenanalyse von FileMaker-Daten. Matts Leitsatz dafür: “Ask your data.”

Minimale Voraussetzungen

Pythia lässt sich unter macOS und Windows mit einem einzigen Terminal-Befehl installieren. Wer dabei ein ungutes Gefühl hat, kann den Befehl auch einfach an Claude Code übergeben und prüfen lassen, ob er unbedenklich ist. Auf der FileMaker-Seite ändert sich praktisch nichts: Benötigt werden lediglich ein Konto mit reinen Leserechten sowie aktivierte OData- und Data-API-Zugriffe auf dem Server. Keine Layouts, keine Skripte, keine Plugins – wer Pythia wieder loswerden will, löscht einfach das Konto.

Dazu kommt eine Container-Umgebung für die Installation der eigentlichen Anwendung sowie ein API-Key von OpenAI oder Anthropic. Matt verwendet dafür ein Konto bei Fly.io, einem Cloud-Service, der schlanke und schnell startende MicroVMs hostet. Fly.io bietet einen kostenlosen Einstieg und rechnet danach rein nach Verbrauch ab. Live im Meeting ließ Matt den Installer eine neue Instanz anlegen: Noch während er ein paar Sätze erzählte, war die Maschine erstellt, mit eigener Domain versehen und bereit, sich mit einer beliebigen FileMaker-Datenbank zu verbinden.

Synchronisation in DuckDB

Pythia läuft komplett in einem Web Viewer, die eigentliche Arbeit erledigt aber die Fly-Instanz außerhalb von FileMaker. Nach dem Verbinden scannt Pythia die Datenbank, listet die verfügbaren Tabellen und synchronisiert die ausgewählten Daten in eine DuckDB. Die Idee dazu, so Matt, verdanke er Marcel Moré und dessen Arbeiten mit DuckDB und Containern.

Da Tabellenauftreten oft wenig aussagekräftige Namen tragen, lässt Pythia per AI die eigentlichen Tabellennamen ermitteln. Deutlich besser gelingt das, wenn man zusätzlich einen Save as XML-Export der Datenbank hochlädt.

Voraussetzung für den inkrementellen Abgleich ist ein Änderungszeitstempel in jeder Tabelle – ansonsten wird in FileMaker nichts indiziert. Für die Geschwindigkeit hat Matt eine ganze Stufenleiter gebaut:

  • Standardmäßig nutzt Pythia ein optimiertes OData: Nach einem ersten Abruf werden nicht gespeicherte Formeln, Statistikfelder und Container aus der Abfrage entfernt und die Paketgröße so lange angepasst, bis die Leistung stimmt.
  • Die Data API ist in seinen Tests etwa doppelt so schnell wie OData, unter anderem weil bei OData deutlich mehr JSON mitgeschleppt wird.
  • Noch schneller wird es mit einem eigenen Layout, das nur die benötigten Felder enthält – wie man es von der Data API kennt.
  • Alternativ lässt sich ein ungespeichertes JSON-Formelfeld anlegen, das genau die zu synchronisierenden Daten enthält. Am schnellsten ist die Kombination: dieses JSON-Feld auf einem eigenen Data-API-Layout.

Aufschlussreich ist der Vergleich beider Systeme: Mehr als rund 2.000 Datensätze pro Sekunde holt man nach Matts Erfahrung mit keinem Weg aus FileMaker heraus – bei DuckDB liegt man eher bei 200.000.

Fragen in natürlicher Sprache

An einer CRM-Demo mit 10.000 Firmen und 18.000 Rechnungen zeigte Matt, wie Pythia zunächst selbstständig ein Übersichts-Dashboard aus den vorhandenen Daten erstellt. Danach genügen Fragen in natürlicher Sprache, etwa eine Zusammenfassung aller Rechnungen nach Produktkategorie – über Rechnung, Rechnungsposition und Produkt hinweg, was in FileMaker durch die Beziehungstiefe sehr langsam wäre.

Auch mehrseitige Berichte über mehrere Tabellen hinweg entstehen auf Zuruf. Pythia ermittelt dazu, welche Daten gebraucht werden, erzeugt die SQL-Abfragen für DuckDB, prüft, ob das Ergebnis der Frage entspricht, und stellt es dar. Berichte lassen sich als PDF ausgeben und speichern. Ein gespeicherter Bericht läuft danach sofort und ganz ohne AI – andernfalls kostet jede Abfrage etwa einen Cent für den API Aufruf des AI Providers.

Noch eindrucksvoller war eine zweite Instanz mit 7,8 Millionen Datensätzen: der komplette Bestand an Kunstwerken aus 14 Museen, jeweils mit Künstler, Jahr und Technik. Abfragen über mehrere Hunderttausend Datensätze waren in Sekundenbruchteilen beantwortet, und Pythia schlägt nach jedem Ergebnis passende Folgefragen vor. Ein solches Reporting wäre in FileMaker schlicht unmöglich.

Besonders hob Matt hervor, dass man auch nach dem fragen kann, was nicht da ist: etwa nach Kunden, die 2024 viel bestellt haben, 2025 aber gar nicht mehr. In FileMaker ließe sich das zwar programmieren, es würde aber dauern – Pythia beantwortet es ad hoc.

Drei Werkzeuge in einem

Marcel fasste zusammen, dass Pythia eigentlich drei Aufgaben löst: die Synchronisation der FileMaker-Daten in einen DuckDB-Cache samt automatischer Konfiguration, den Agenten, der Fragen in SQL übersetzt, und die Vorlagen zur Darstellung, zum PDF-Export und zum Speichern von Abfragen. Matt stimmte zu – genau das sei der Kern.

Kosten und Betrieb

Die Demo lief auf einer Fly-Maschine in Frankfurt mit einem Kern, 1 GB RAM und 1 GB Speicher; als Minimum reichen sogar 256 MB RAM. Die Maschinen starten nur bei Bedarf und sind im warmen Zustand in einer Sekunde verfügbar. Matt betreibt 30 bis 40 solcher Maschinen für verschiedenste Zwecke – seine Rechnung im letzten Monat: rund 30 Euro für alle zusammen.

Weil die Instanz neben FileMaker läuft, gibt es kaum Grenzen: Sie kann Python-Code ausführen, Beispieldaten nachladen oder automatisch einen Datenwürfel für schnelle Auswertungen anlegen. Und da der Code offen liegt, lässt sich Pythia beliebig erweitern – um Single Sign-on, weitere SQL-Datenbanken oder ein Google Sheet als zusätzliche Quelle.

Datenschutz und lokaler Betrieb

Auf Marcels Frage nach den strengen deutschen Datenschutzanforderungen erklärte Matt, dass er alle drei Werkzeuge auch komplett lokal betrieben hat – etwa per Docker auf dem FileMaker Server und mit einem lokalen Modell. Für Embeddings und einfache Aufgaben reichen lokale Modelle gut aus; dann wird überhaupt kein externer Dienst mehr genutzt.

Grundsätzlich schickt Pythia nicht die Daten, sondern nur die Frage an das Modell, das daraus Code erzeugt, der dann lokal auf den Daten ausgeführt wird. Damit das gut funktioniert, werden allerdings einige Beispieldatensätze mitgeschickt – es sei denn, man schaltet das ab.

Open Source und Erfahrungen aus der Entwicklung

Alle Werkzeuge stehen unter einer offenen Lizenz auf GitHub. Man darf sie frei nutzen, anpassen und sogar verkaufen – Matt bittet lediglich um Namensnennung, wenn sie in ein anderes Produkt einfließen. Die Oberflächen sind responsiv gestaltet, sodass Pythia auch im Browser oder auf dem iPhone funktioniert, ganz ohne FileMaker.

Holger Herbst wollte wissen, wie belastbar der Geschwindigkeitsvergleich ist und wie JDBC abschneidet. Matt hat JDBC nicht getestet und seinen Vergleich über einige Stunden an verschiedenen Tabellen ermittelt – das Ergebnis lag aber immer recht genau beim Faktor zwei. Auch Holgers Erfahrung, dass man bei OData ab einer Million Datensätzen ein eigenes Paging bauen muss, kannte Matt: Solche Eigenheiten von FileMaker hat er samt Lösung in einer eigenen Datei namens GOTCHAS.md dokumentiert.

Programmiert hat Matt alles mit Claude Code. Er sei weder JavaScript- noch Python-Entwickler, habe den Code von verschiedenen Modellen gegenprüfen lassen und alles am tatsächlichen Verhalten gemessen. Trotzdem stecke darin ein enormer Aufwand – “thousands and thousands” an Iterationen, Tests und Korrekturen.

Ausblick

Das nächste Werkzeug ist bereits in Arbeit – und anders als die bisherigen wird es Daten in FileMaker zurückschreiben. Regelbasiert soll es fehlende oder fehlerhafte Daten aufspüren, Daten anreichern (etwa mit Geokoordinaten) oder mit externen Quellen abgleichen, beispielsweise mit historischen Wetterdaten. In einem ersten Test hat Matt in rund einer Stunde eine automatische Synchronisation zwischen FileMaker und Google Sheets gebaut, inklusive Rückweg und sauberer Protokollierung. Bisher schwierige Integrationen wie die Anbindung an Buchhaltungssysteme rücken damit in greifbare Nähe.

Matts erklärtes Ziel: AI für alles einsetzen, was sie gut kann, und FileMaker für alles, was FileMaker gut kann.

Download und weitere Infos

Pythia Website
https://navarre.ai/apps/pythia

Github: pythia
https://github.com/Navarre-AI/pythia

Gotchas - Dokumentation der Fallstricke beim Zugriff auf FileMaker Daten
https://github.com/Navarre-AI/pythia/blob/main/GOTCHAS.md

fly.io - Hosting für MicroVMs
https://fly.io