Databutton
Databutton (now Riff) · Coding
Databutton war ein KI-App-Generator: Aus einer Beschreibung in normaler Sprache wurde eine Web-App mit Python-Backend. Heute leitet die Domain auf Riff um, eine Plattform für Agenten in der Industrie.
Über Databutton
About
Was ist Databutton
Databutton war ein KI-App-Generator im Browser, gedacht für Menschen, die eine Anwendung beschreiben, aber nicht schreiben können. Sie tippten Ihren Wunsch ein, der KI-Agent, der Code schreibt, erzeugte ein React-Frontend und ein Python-Backend, und die Plattform kümmerte sich um Hosting, Anmeldung und Veröffentlichung. Teams nutzten das für interne Dashboards, Datenwerkzeuge und kleine Kundenanwendungen, für die es nie einen Sprint gegeben hätte.
Der Reiz lag in der kurzen Strecke zwischen Idee und URL. Eine Teamleitung in den Operations baute an einem Nachmittag einen lauffähigen Prototyp, statt ein Ticket zu eröffnen und ein Quartal zu warten. Als Python-App-Generator nahm Databutton auch vorhandene Skripte auf, sodass aus einem pandas-Notebook mit drei nützlichen Funktionen eine kleine App mit Login und teilbarem Link wurde.
Inzwischen wiegt der Produktstatus schwerer als jede Funktionsliste. Die Domain databutton.com leitet auf riff.ai um, und die Dokumentations-Subdomain löst nicht mehr auf. Riff verkauft Agenten für Auftragsabwicklung, Einkauf, Logistik und Produktionsplanung, geliefert mit Ingenieuren, die im Kundenunternehmen arbeiten, statt über Self-Service-Tarife. Die öffentlichen Seiten von Riff erwähnen das alte Studio nicht und sagen nichts über den Verbleib bestehender Arbeitsbereiche. Wer heute ein Werkzeug für interne Tools ohne Code sucht, muss bei Produkten schauen, die eines verkaufen.
Erste Schritte
- Sie legten einen Arbeitsbereich per E-Mail-Adresse oder Google-Konto an. Databutton öffnete direkt die Projektliste, ohne Einrichtungsassistenten.
- Sie beschrieben die App im Chatfenster: was sie tun soll, wer sie nutzt, welche Daten sie liest. Screenshots und ein paar Beispielzeilen halfen dem Agenten, sinnvolle Felder zu wählen.
- Sie verbanden Daten oder fügten vorhandenen Python-Code ein. Der Agent machte daraus Backend-Funktionen und verband die Buttons damit.
- Sie prüften, was der KI-Agent, der Code schreibt, erzeugt hatte, und baten im selben Gespräch um Änderungen. Er bearbeitete die Dateien im Projekt, statt alles neu zu erzeugen.
- Sie veröffentlichten auf einer von Databutton gehosteten URL und gaben den Link weiter. Eigene Domains und Zugriffsregeln stellte man im selben Dashboard ein.
Produktinformationen
Ein kurzer Überblick über Preise, unterstützte Plattformen und die Leistung von Databutton.
Am besten für
Die Nutzer, Aufgaben und Szenarien, für die dieses Tool am besten passt.
Nutzer
- Leute aus Operations und Support, die genau wissen, was ein Werkzeug leisten soll, aber keine Entwicklungszeit bekommen
- Gründer ohne technische Person im Team, die einen klickbaren Prototyp für Kundengespräche und Investorentreffen brauchen, solange klar ist, dass dieser Prototyp wegwerfbar ist.
- Datenanalysten mit laufenden Python-Skripten, weil der Python-App-Generator vorhandene pandas-Logik oder API-Aufrufe in eine Oberfläche packte, die das restliche Team ohne Notebook öffnet.
Aufgaben
- Interne Dashboards
- Tabellen ersetzen
- Kunden-MVP
- Verbindungs-Apps zwischen Diensten
Szenarien
- Eine Idee prüfen, bevor Geld fließt, wenn das Ziel ein Link ist, den Sie diese Woche fünf Nutzern zeigen, plus eine Entscheidung, ob die Idee mehr verdient.
- Einen brüchigen Tabellenprozess ablösen, wenn die Handarbeit so weit gewachsen ist, dass Kopieren und Einfügen nicht mehr sicher ist und jemand Rechte und Änderungsverlauf braucht.
- Bauphasen mit festem Zeitrahmen wie Hackathon oder interne Demo, weil das mitgelieferte Hosting genau den Teil des Plans entfernte, der sonst rutscht.
Wichtigste Funktionen
Von der Beschreibung zur kompletten App
Der Kern war das Gespräch. Sie beschrieben einen Bildschirm, eine Datenquelle oder eine Regel, und Databutton schrieb Frontend und Backend dazu. Fast jede Beschreibung ergab noch in derselben Sitzung etwas Lauffähiges, was sich eher wie gemeinsames Bauen anfühlte als wie ein Website-Baukasten mit Formularen. Genau dieser Kreislauf ist gemeint, wenn Leute von Apps mit KI bauen sprechen, und Databutton hatte ihn früher im Markt als fast alle anderen.
Ein Python-Backend, das man lesen kann
Die erzeugten Apps liefen auf Python, und der Code lag in einem Dateibaum, den Sie öffnen und bearbeiten konnten. Das zählte für alle, die die Logik prüfen, eine Bibliothek ergänzen oder eine Funktion aus einem alten Skript einfügen wollten. Es hieß außerdem, dass das Ergebnis nicht in einem visuellen Editor festsaß, den niemand einsehen kann.
Gehostetes Deployment und teilbare Links
Veröffentlichen war ein Knopf, keine Pipeline. Databutton hostete die App, lieferte eine URL und erledigte, was sonst eine Woche frisst: Umgebungsvariablen, Build-Schritte, Domain. Ein funktionierender Link beendete Streitgespräche darüber, wie eine Funktion sich verhalten soll, am schnellsten.
Konten, Speicher und Secrets inklusive
Login, Datenbank und Secret-Speicher kamen mit dem Projekt, sodass ein Prototyp echte Nutzer haben konnte, ohne einen separaten Authentifizierungsdienst. Kleine Teams bekamen Anmeldemaske, Daten pro Nutzer und serverseitig gespeicherte API-Schlüssel, ohne diese Leitungen selbst zu schreiben.
Anbindung an externe Dienste
Apps riefen APIs von Drittanbietern auf und erreichten gängige Geschäftswerkzeuge, und das macht aus einer erzeugten Oberfläche ein Werkzeug, auf das sich ein Operationsteam verlässt. Typische Bauten lasen aus einem Data Warehouse, schrieben nach Slack oder legten Zeilen in einem CRM an. Databutton stützte sich zudem auf Modellanbieter, weil fast jede gewünschte App einen LLM-Schritt enthielt.
Ein Agent, der den Projektkontext behält
Der Assistent erinnerte sich an den Arbeitsbereich und bearbeitete vorhandene Dateien, statt neu zu beginnen, sodass die zweite und dritte Änderungsrunde auf der ersten aufbauten. Diese Kontinuität trennt eine Demo von einem Werkzeug, das echte Nutzer aushält, und genau diese Funktion nennen frühere Nutzer am häufigsten.
Vor- und Nachteile
Vorteile
- Die Strecke von der Beschreibung zur veröffentlichten App war kurz, sodass eine einzelne Person eine Idee ohne Team testen konnte.
- Der erzeugte Python-Code blieb lesbar, ein Entwickler konnte die App also prüfen oder erweitern, statt eine Blackbox zu erben.
- Hosting, Authentifizierung und Secrets waren enthalten, womit die drei Einrichtungsschritte wegfielen, an denen Prototypen sonst hängen bleiben.
- Iterieren in normaler Sprache funktionierte gut für Layout und kleine Logikänderungen, und dort verbringt ein nicht technisches Publikum die meiste Zeit.
- Die Anwendungen waren normale Web-Apps mit teilbarer URL, Tests mit echten Nutzern brauchten also weder Installation noch Schulung.
Nachteile
- Das Produkt ist praktisch verschwunden. Die Domain leitet auf Riff um, das Industrieagenten an Unternehmen verkauft und weder Self-Service-Baukasten noch Preise nennt.
- Die Zukunft bestehender Databutton-Apps ist offen, und die öffentlichen Seiten von Riff sagen nichts zur Unterstützung von Arbeitsbereichen. Alte Projekte als dauerhaft zu behandeln wäre ein Fehler.
- Eine aktuelle Preisseite gibt es nicht, ein Kostenvergleich mit einem noch erhältlichen KI-App-Generator ist damit unmöglich.
- Die Entwicklung per Beschreibung ließ Kanten stehen. Seltsame Layoutdetails und Backend-Logik, die still das Falsche tat, verlangten jemanden, der Code lesen kann.
Häufige Fragen
Databutton war ein KI-App-Generator im Browser. Sie beschrieben eine App im Chat, ein Agent schrieb ein React-Frontend und ein Python-Backend, und die Plattform hostete das Ergebnis unter einer teilbaren URL, mit Login und Datenbank inklusive.
Ähnliche Inhalte
Entdecke passende Tools, Skills und Artikel zu Databutton.
Alternativen zu Databutton
Base Code
Base44 (Wix) · Coding · ProduktivitätBase Code ist eine geteilte Cloud-Entwicklungsumgebung von Base44. Das Team beschreibt Änderungen an einem bestehenden GitHub-Repository im Chat, prüft sie in der Vorschau und reicht sie als Pull Request ein.
Google EmbeddingGemma 2
Google DeepMind · Schreiben · Bilder · CodingGoogle EmbeddingGemma 2 ist ein offenes Modell mit 740 Millionen Parametern, das Text, Code, Bilder, Audio und Videobilder in Vektoren eines gemeinsamen 768-dimensionalen Raums umwandelt und auf Handys und Notebooks läuft.
GitGlow
GitGlow · Coding · ProduktivitätGitGlow ist ein Git-Client für den Desktop, der Ihren Code und die Änderungen Ihrer KI-Agenten in einer Review bündelt, damit Sie vor dem Ausliefern sehen, was die Maschine verlässt.