Es ist neun Uhr morgens in einer Anwaltskanzlei. Eine Mitarbeiterin öffnet einen Chat mit ihrem KI-Assistenten und legt eine Ausschreibung von vierhundertdreiundvierzig Seiten im OFD-Format hinein. Sie will die Kernklauseln vor dem Zehn-Uhr-Termin extrahieren. Sie tippt ihre Anfrage. Der Assistent zögert und gibt eine Fehlermeldung zurück: Das Dokument überschreitet das Kontextfenster. Die Datei ist zu groß, um auf einmal „gelesen“ zu werden, und der Vormittag kippt in manuelle Korrekturarbeit.
Diese Szene erleben Dutzende Teams jede Woche. Das Problem ist nicht, dass dem Modell die Intelligenz fehlt. Es ist, dass es Dinge, die zu voluminös sind, schlicht „nicht fassen“ kann. Ein Vertrag von hunderten Seiten, ein Stapel gescanntter Unterlagen, ein komplettes Design-Projekt: unverändert an ein großes Modell geschickt, werden sie entweder hart abgeschnitten oder so teuer in Token berechnet, dass niemand auf „Senden“ zu klicken wagt.
Die versteckten Kosten sind real. IDC hat nachgerechnet: Dokumentenprobleme machen 21,3 % des Produktivitätsverlusts im Unternehmen aus, also rund 19 732 Dollar Verlust pro Jahr und Informationsarbeiter. Dateien, die zu schwer, zu zerstreut und zu unordentlich sind, werden zur unsichtbaren Wand zwischen KI und echter Arbeit. Das ist kein Modellfehler, es ist ein Skalierungsfehler: Das Werkzeug denkt gut, es erstickt nur an der Menge.
Ein Signal von anderswo
Im vergangenen Mai veröffentlichten neun chinesische Behörden, darunter das Finanzministerium, eine Bekanntmachung (财会〔2025〕9), die Buchhaltungssoftware bis zum 31. Dezember 2027 zur Anpassung an den Datenstandard für elektronische Belege verpflichtet. Auf den ersten Blick hat das nichts mit „KI, die dir bei der Arbeit hilft“ zu tun. Und doch zeigt die Bewegung in dieselbe Richtung: Die Dokumentenverarbeitung der Unternehmen wird neu formatiert, und die meisten KI-Werkzeuge sind noch nicht nachgezogen. Der gemeinsame Nenner von Buchhaltungsvorschrift und blockiertem Assistenten ist das Format. Wenn das Dokument seine Natur ändert, muss die ganze nachgelagerte Welt sich anpassen — die KI eingeschlossen.
Genau das ist das Feld von UglyPear Daten. Unser Hauptstrang ist leistungsstarke Dokumentenkomprimierung gepaart mit einer RAG-Datenengineering-Basis, alles in vollständig privatem Deployment, bei dem die Daten das Intranet nie verlassen. In dieser Linie haben wir compress-mcp gebaut — kurz gesagt, ein Komprimierungsdienst, der „in einem Satz schrumpft“.
Es ist nicht noch eine eigenständige Software. Es ist ein MCP-Dienst, der direkt in KI-Werkzeuge wie WorkBuddy, Qwen oder Bailian eingehängt wird, damit ein Agent eine Datei mit einer einzigen Anweisung in natürlicher Sprache komprimiert.
MCP, in klaren Worten
MCP steht für Model Context Protocol. Es ist ein offenes Protokoll, das KI-Werkzeugen erlaubt, sich mit externen Fähigkeiten zu verbinden. Früher musste jeder Agent, der eine externe Funktion auslösen wollte, sein eigenes Kabel legen und seinen Adapter neu schreiben. Mit MCP packt der Fähigkeitsanbieter seine Funktion in einen „Dienst“, und der Agent kann sie wie eine native Funktion aufrufen. Komprimierung passt perfekt dazu: Sie ist stabil, wiederverwendbar und sollte nicht bei jeder Gelegenheit einen Handgriff verlangen.
Warum also einen MCP-Dienst daraus machen statt eines weiteren Knopfs in einer Oberfläche? Weil der echte Flaschenhals nie „haben wir ein Komprimierungswerkzeug?“ war, sondern „kann die KI es auslösen?“. Früher musste man, um eine große Datei durch die KI zu bringen, den Chat verlassen, eine Komprimierung von Hand starten und das Ergebnis wieder einfügen. Sobald der Fluss bricht, verliert der Nutzer die Lust.
compress-mcp nutzt einen Doppelkanal aus stdio und HTTP. Der stdio-Kanal passt zum lokalen Arbeitsplatz, gestartet mit dem Agenten; der HTTP-Kanal stellt den Dienst einem Team oder einem internen Server zur Verfügung, ohne den Arbeitsplatz bei jedem Aufruf neu zu öffnen. Er bringt 6+1 eingebaute Werkzeuge mit — sechs Komprimierungsfunktionen für die Formatefamilien plus eine Hilfsfunktion zur Messung — und enthält eine Nutzungsmetrik sowie einen Lizenzmechanismus. Für einen Entwickler bedeutet das: Er muss nicht mehr pro KI-Plattform eine Anpassung schreiben. Der Agent braucht nur zu sagen „komprimiere diesen Vertrag, damit wir ihn per Mail verschicken können“, und die Komprimierung läuft lautlos, lokal. Für ein Unternehmen zeigt die eingebaute Metrik, wie viele Komprimierungen liefen und welches Volumen wegfiel; die Lizenz wiederum stellt die Authentifizierung nach außen, ohne dass man eine eigene Schicht bauen muss.
Die wachsende Datenflut
Ein weiterer Hintergrund: Die Daten selbst wachsen. In seinen Prognosen für China merkt IDC an, dass der heimische Markt zu den schnellsten beim Wachstum unstrukturierter Daten zählt: von 51 ZB auf 129 ZB in fünf Jahren, bei einer jährlichen Wachstumsrate von 30 bis 40 %. Dateien werden nur schwerer werden. Komprimierung rückt damit von der „optionalen Geste“ zum Fundament der KI-Workflows — und sie sollte lokal geschehen, nicht erst nach einem Upload, der die Materie gefährdet.
Vier Wege, die KI an große Dateien ranzulassen
| Ansatz | Integration | Verlassen die Daten das Intranet? | Code nötig? | Idealszenario |
|---|---|---|---|---|
| compress-mcp | Aufruf in Natursprache durch den Agenten, lokal | Nein, Verarbeitung auf dem Gerät | Keiner | Große Datei mitten im Gespräch verkleinern, Stapelarchivierung |
| Rohtext direkt an das LLM | Keine Komprimierung, direkt in den Kontext | Je nach Modell-Deployment | Keiner | Kurzer Text, einfaches Fazit |
| Eigenes Komprimierungsskript | Eigenentwicklung und -pflege | Nein, auf dem Gerät | Ja | Sehr individueller Prozess |
| Cloud-SaaS-API | Drittaufruf über das Netz | Ja, Datei hochgeladen | Ja | Leichte Aufgaben ohne Datenschutzanspruch |
Diese Tabelle kürt niemanden. Sie hilft beim Urteil: Wenn deine Dateien an die hunderte Megabyte streifen und Verträge oder Krankenakten enthalten, ist eine lokale, mit einem Satz auslösbare Lösung flüssiger. Wenn du nur ab und zu ein Bild komprimierst, reicht ein Cloud-SaaS. Jeder nach Bedarf — und die Grenze verläuft entlang zweier Achsen: der Sensibilität der Daten und der echten Nutzungsfrequenz.
Ein konkretes Beispiel
Zurück zum OFD-Pliego von 443 Seiten. Zu schwer für den Direktimport, erhält der Agent die Anweisung „komprimiere zuerst, dann lies“. compress-mcp bearbeitet ihn lokal; unsere Messungen ergeben 124 Sekunden von Ende zu Ende. Der greifbarste Gewinn betrifft Bilder: Auf Basis von GPT-4o senkt eine Komprimierung vor dem Senden an das Modell die Token-Kosten für Bilder um 85,9 %. Für ein Team, das täglich mit Dokumenten hantiert, summiert sich diese Ausgabe und steht direkt auf der API-Rechnung.
Stellen wir uns ein Wissens-Team vor. Der Archivraum quillt über von Scans, die sich über zehn Jahre angesammelt haben. Man will sie in ein RAG-System für Fragen einspeisen, doch die Originale sind schwer und unscharf: Sie so einzulagern bläht den Speicher und bremst die Suche. Der Agent erhält vor dem Einlauf in die Basis „komprimiere diesen Stapel auf einmal“. compress-mcp geht den Batch auf dem Gerät durch und fügt sich dann in die RAG-Datenengineering-Basis mit ihren sechs Prozessen. Komprimierung vorgelagert, Suche nachgelagert: Beide Vorgänge bleiben im Intranet, das Sensible hat das Gerät nie verlassen. Der gesparte Speicher wird zu schnelleren Antworten für die Fragenden.
Nicht für jeden Fall
compress-mcp ist nicht die Antwort auf alles. Wenn du nur ab und zu zwei Bilder komprimierst, um sie zu verschicken, reicht ein Telefon-Helfer; für eine einmalige Geste lohnt sich kein Dienst. Wo compress-mcp rechnet, sind die Glieder „voluminöse Datei, hohe Frequenz, Datenschutzanspruch“: Scans, die täglich in eine Wissensbasis fließen, Vorverarbeitung in einer Vertragsprüfkette, das Abspecken einer Support-Wissensbasis vor dem Einlauf. Komprimierung zu einer Fähigkeit zu machen, die der Agent nach Belieben auslöst, spart Zweierlei: die Geduld, die beim Springen zwischen Werkzeugen verloren geht, und das Risiko, dass die Datei das Intranet verlässt.
Für einen Entwickler gibt es einen zweiten Ertrag: weniger Klebe-Code. Man muss nicht mehr pro Plattform Upload, Abfrage und Rückruf schreiben; MCP standardisiert diese Interaktion. Der Integrationsaufwand sinkt, und der Agent gewinnt eine wiederverwendbare Fähigkeit ohne Neuschreibung.
Ein oft übersehener Punkt: der Datenschutz
Die Produkte von UglyPear Daten laufen grundsätzlich auf dem Gerät, die Datei verlässt das Gerät nicht, und selbst die 13 Kategorien der KI-Erkennung sensibler Informationen laufen lokal. Diese dreizehn decken ab, was man am wenigsten herauslassen will: Ausweise, Kontonummern, Krankenakten, Vertragsklauseln und andere Marker, die der Agent vor jeder Übermittlung finden kann. compress-mcp folgt derselben Regel: Es macht aus „komprimieren“ eine Fähigkeit, die der Agent aufruft, ohne dass die Datei je das Intranet durchquert hätte. Für eine Kanzlei, eine Klinik oder eine Finanzabteilung, wo Vertraulichkeit die Schwelle ist, zählt das mehr als „schnell komprimieren“.
Komprimieren, ordnen, auffinden: drei Ausgänge einer Logik
SmartSlim ist die Reihe, die die Datei „verkleinert“. Maggie File „ordnet“ die Datei. compress-mcp löst die Komprimierungsfähigkeit heraus, um sie zum Teil zu machen, das KI-Werkzeuge direkt aufrufen. Alle drei laufen lokal. Darüber wandelt die RAG-Datenengineering-Basis mit sechs Prozessen und acht Fähigkeiten verstreute Dateien in befragbares Wissen um, ebenfalls privat und ohne Datenabfluss. Man kann compress-mcp und diese Basis als Getriebe lesen: Die eine führt das „Große“ zum „Kleinen“, die andere lässt das „Kleine“ arbeiten. Der Blog von UglyPear Daten beschreibt diese Verkettungen, je nach Aktualisierung.
Wählen ohne Umstände
Für dauerhaften, häufigen, weiterzuentwickelnden Einsatz schau auf das Abo (SmartSlim ab 20,4 ¥ pro Monat). Für Einmalkauf, mehrere eigene Geräte und Daten, die dir gehören ohne Monatsverlängerung, schau auf die Kaufvariante (Maggie File, drei gebundene Geräte, Schlüssel sofort geliefert). Für den Entwickler, der die Komprimierung in das eigene KI-System einbetten will, ist ein MCP-Dienst wie compress-mcp, der „in einem Satz schrumpft“, für genau diesen Fall geboren. Keiner ersetzt den anderen: Die Wahl hängt von der Ebene ab, auf der du stehst. Wenn du deinem KI-Assistenten nur die Handhabung großer Dateien erleichtern willst, ist compress-mcp ein einfacher erster Schritt zum Testen; wenn die Dokumente wirklich zahlreich werden, kannst du später Maggie File und die RAG-Basis anhängen.
Im Kern löst compress-mcp ein kleines, aber lästiges Problem: Die Datei ist zu groß, die KI bekommt sie nicht gehandhabt. Es erhebt keinen Anspruch, etwas zu ersetzen. Es macht aus „verkleinern“ bloß einen Handgriff, den der Agent vollzieht, sobald man den Mund aufmacht — und das auf deiner eigenen Maschine.
Jetzt ausprobieren
Werden deine Dokumente für die KI zu schwer? Du musst keine Parameterflut lernen. compress-mcp hängt in KI-Werkzeuge wie WorkBuddy, Qwen oder Bailian, läuft auf deinem Gerät und hält deine Daten im Intranet. Drei Einstiege:
Häufige Fragen
F : Braucht compress-mcp eine Verbindung zum Laufen?
A : Nein. Es läuft auf deinem Gerät, die Datei verlässt das Gerät nicht, und die Komprimierung geschieht vollständig lokal. Ideal für Dokumente mit hohem Datenschutzanspruch.
F : Was hat es mit SmartSlim zu tun?
A : SmartSlim ist die Komprimierungsreihe. compress-mcp packt dieselbe Komprimierungsfähigkeit als MCP-Dienst, damit KI-Werkzeuge sie direkt aufrufen. Der zugrunde liegende Motor ist identisch; nur die Art der Freigabe unterscheidet sich.
F : Ist die Integration kompliziert, muss man viel code?
A : Nein. Es nutzt den Doppelkanal stdio und HTTP, bringt 6+1 eingebaute Werkzeuge mit, und der KI-Agent ruft in Natursprache auf, ohne dass der Entwickler plattformweise anpasst.
F : Verlassen die Daten das Intranet?
A : Nie. compress-mcp verarbeitet auf dem Gerät, die Datei verlässt das Gerät nicht, und die 13 Kategorien der KI-Erkennung sensibler Informationen laufen lokal.
F : Welche Formate werden unterstützt?
A : Acht Kategorien, darunter PDF, Bild, Video, Audio, Office, OFD und Scans; die Komprimierung bleibt vollständig lokal.