Context Engineering Experten in Deutschland

Remote-Freelance-Rolle mit Schwerpunkt auf Agentic-AI-Strategie, sicheren Anwendungsmustern und wiederverwendbaren agentischen Workflows für eine Behörde.

• Entwicklung und Umsetzung einer Open-Source-Strategie für Agentic AI für eine Behörde mit Schwerpunkt auf GDPR, Sicherheit und selbst gehosteten Lösungen
• Entwicklung wiederverwendbarer agentischer Workflows und Geschäftsanwendungen, mit denen nicht-technische Mitarbeitende Geschäftsprobleme selbstständig lösen können
• Umsetzung von neun Geschäftsanwendungen mit Single Sign-On (SSO) und Azure-PostgreSQL-Integration auf Hetzner-Linux-Servern

Techstack: Python, Streamlit, Anthropic SDK (Claude), Azure, Linux, PostgreSQL, MS SQL, Angular

• Claude-Code-Subagenten, MCP, Pydantic V2, pytest, bandit

• 3 spezialisierte Agenten entwickelt und produktiv eingesetzt, die die Arbeit entlang einer Kette weitergeben: Ein Forschungsagent erstellt eine zitierte Implementierungsspezifikation, ein Coding-Agent entwickelt den modularen Code und seine Tests, und ein Review-Agent bewertet die Ergebnisse nach Schweregrad und setzt die Korrekturen um. Jede Übergabe erfolgt als strukturiertes Dokument, sodass keine Phase vom Kontextfenster eines anderen Agenten abhängt.

• Den Forschungsagenten mit einem MCP-Server für akademische Recherche verbunden (Semantic Scholar, ArXiv, Hugging Face Hub, Zitationsverfolgung), sodass jede Referenz auf ein Tool-Ergebnis und nicht auf das Modell zurückgeht. Commits hinter ruff, mypy, pytest und bandit abgesichert, menschliche Freigabe vor Installationen und Commits verlangt und den Sitzungsstatus auf der Festplatte gespeichert, damit lange Läufe einen Kontext-Reset überstehen.

Projekt: Defekterzeugung auf Prüfstandsbildern von Metalloberflächen Umfeld: Automatisierte Sichtprüfung (AVI), Metallurgie & Fertigung

• Ziel & Umsetzung: Konzeption, Architektur und Training Generativer Adversarial Networks (Pix2PixHD / SPADE) zur Bild-zu-Bild-Transformation. Gezielte Generierung synthetischer Materialfehler (z. B. Risse, Einschlüsse, Zunder) auf rauen Metalloberflächen unter realen Prüfstands-Lichtverhältnissen zur datenschutzkonformen und effizienten Datensatz-Erweiterung (Data Augmentation).
• Technisches Design: Implementierung robuster Generative-AI- und Computer-Vision-Pipelines in Python und PyTorch. Nutzung von Semantic-Segmentation-Ansätzen zur maskengesteuerten Defektsynthese und nachgelagerter Evaluierung mittels EfficientDet-Objekterkennungs-Modellen.
• Business Impact: Massives Dataset-Upscaling (Faktor 10x) ohne zeit- und kostenintensive physische Prüfstandsläufe bei gleichzeitig drastisch gesteigerter Erkennungsleistung automatisierter Inspektionssysteme.

Eingesetzte Technologien & Skills: Python | PyTorch | SPADE | Pix2PixHD | EfficientDet | Machine Learning | Semantic Segmentation | Computer Vision

• SPA zur automatisierten Befundkommunikation mit rollenbasiertem Zugriff (Sanctum)
• Serverseitige LLM-Integration (OpenRouter) mit strukturierter Verarbeitung
• Automatisierter Versand per SMS/Sprachanruf (Twilio, ElevenLabs) mit Queue + Status-Retry
• vollständige Testabdeckung mit 80+ dokumentierten Testfällen

Technologien: PHP, Laravel, LLM-API (OpenRouter), Twilio, ElevenLabs, Laravel Sanctum, PHPUnit, Playwright, Docker, REST

Unabhängige Engineering-Praxis mit Schwerpunkt auf kundenspezifischen KI-Systemen, produktiver Umsetzung und anteiliger technischer Leitung.

Ausgewähltes Kundenprojekt: Scalutions

• Rolle: Tätigkeit als anteiliger CTO und technischer Leiter mit direkter Entwicklungsverantwortung; verantwortlich für die Architektur und die agentische Infrastruktur hinter dem betreuten B2B-Outbound-Betrieb.

• Produkt: OutboundLoop entworfen und entwickelt, ein agentisches SDR-Betriebssystem für Recherche, Qualifizierung, personalisierte Ansprache, Kampagnenmanagement, menschliche Freigaben, Messung und kontinuierliche Verbesserung.

• Umfang: Verantwortung für den gesamten Systemlebenszyklus – von Geschäftsprozessen und Agentenverhalten über Kontextdesign, Modell-Routing, Integrationen, Evaluierung, Telemetrie, Zuverlässigkeit und Kostenkontrolle bis hin zum Produktivbetrieb.

• Selbstständig · Berlin, Deutschland
• Mitgründung des Unternehmens und vollständige Verantwortung für den technischen Bereich: Produktarchitektur, Backend, Frontend, Infrastruktur und Betrieb.
• Konzeption und Entwicklung des Automated Booking System (ABS) sowie der Kernplattform und Zahlungslogik.
• Entwicklung KI-gestützter SaaS-Produkte – von der Architektur über Backend und Frontend bis zum Produktionsbetrieb.
• Technische Beratung zu Produktarchitektur, Datenschutz und zulässiger Automatisierung.
• Entwicklung, Betrieb und Monetarisierung eigener API-Produkte für KI-Agenten, jeweils als REST-Schnittstelle und MCP-Server verfügbar.
• Vollständige Verantwortung für Architektur, Infrastruktur, Abrechnung, Rechtstexte und Go-to-Market.

• Tätigkeit als technischer Berater zur Optimierung mehrschichtiger Ensemble-Modelle, die ResNet, CNN-BiGRU-Attention und XGBoost kombinieren.
• Begleitung der Implementierung eines Logistic-Regression-Meta-Learners zur Lösung von Problemen mit unausgeglichenen Klassen; dabei wurden 92.86% Genauigkeit und 0.9644 AUC bei den Datensätzen PTB-XL und Chapman-Shaoxing erreicht.

• CNN- und RNN-Architekturen mit Transfer Learning für reale Klassifikationsaufgaben entwickelt und feinabgestimmt — zentrale Deep-Learning-Fähigkeiten, die auf die multimodale LLM- und GenAI-Fahrzeugfunktionsentwicklung bei BMW übertragbar sind.
• Dropout, Batch Normalization und Early Stopping in verschiedenen Deep-Learning-Experimenten implementiert; streng mit Precision, Recall, F1-Score und Confusion Matrices bewertet für Zuverlässigkeit auf Produktionsniveau.
• Ein KI-gestütztes Anwesenheitsverwaltungssystem mit LBPH-Gesichtserkennung entwickelt, über eine Flask-Weboberfläche bereitgestellt und mit SMS-Benachrichtigungen in Echtzeit ergänzt — ein Beispiel für eine vollständige AI-Produktlieferung für echte Nutzer.
• In funktionsübergreifenden Teams zusammengearbeitet, um skalierbare, dokumentierte ML-Pipelines für Reproduzierbarkeit zu liefern — passend zu BMWs interdisziplinärem Team- und Forschungsumfeld.
• AI-Tools direkt in den Entwicklungsworkflow integriert, vom Design bis zum Testen, und dabei eine hohe Geschwindigkeit ohne Abstriche bei der Korrektheit gehalten.

• Gemeinsame Verantwortung für die Architektur und Entwicklung von AI- und Backend-Systemen auf Enterprise-Niveau in den Bereichen Kommunikationsautomatisierung, embedding-basiertes Kandidaten-Matching und Talent-Pooling-Workflows; Gestaltung der Produkt- und Feature-Richtung über geschäftliche, rechtliche und technische Umsetzung hinweg.
• Konzeption und Umsetzung von produktionsreifen AI-Pipelines und mehrstufigen LLM-Workflows, einschließlich Orchestrierung, Prompt- und Context-Engineering, LLM-Routing und -Bewertung sowie Integration mit internen Services und Geschäftsdaten.
• Gemeinsame Verantwortung für das zentrale Kandidaten-Matching-System unter Nutzung von Vektor-Embeddings und Kosinusähnlichkeit innerhalb interner Ingestion- und Attributableitungspipelines.
• Vorantreiben der Architektur und Weiterentwicklung des Kandidaten-Pooling-Systems, einschließlich seiner LLM-basierten Routing- und Bewertungsschicht.

Als App Engineer im IoT-Control-Team in einem React-Native-Stack gearbeitet.

• Neue Komponenten auf Basis des Tonies Design Systems implementiert.
• Das Tonies Design System verbessert, erweitert und gewartet
• Neue Funktionen wie Lautstärke- und Wiedergabesteuerung für die Tonies hinzugefügt
• Verbindungsprobleme über Bluetooth und WLAN behoben
• Technische Schulden abgebaut und die Anwendung für ein bevorstehendes großes Software- und Hardware-Release optimiert
• Die Barrierefreiheit verbessert, indem Bildschirme und Komponenten für die Nutzung mit Screenreadern optimiert wurden.
• Viele automatisierte Tests geschrieben, um dauerhaft eine hervorragende App-Qualität sicherzustellen.
• Wöchentliche App-Releases in einer Umgebung mit hohem Arbeitsaufkommen

Ergebnisse & Wirkung:

• App-Stabilität und Verbindungszuverlässigkeit vor einem wichtigen Software- und Hardware-Release verbessert
• Die allgemeine App-Qualität durch eine deutlich umfangreichere Testsuite erhöht, die Regressionen erkannte, bevor sie Nutzer erreichten
• Die App für Screenreader nutzbar gemacht und damit die Barrierefreiheit für ein breiteres Publikum verbessert
• Einen wöchentlichen Release-Rhythmus in einer Produktionsumgebung mit hohem Volumen ohne Qualitätseinbußen aufrechterhalten

Technologien: react-native, expo, typescript, react-19, react-compiler, react-navigation, zustand, @tanstack/react-query, i18next, figma, app-store, play-store, sentry, bitrise, config-cat, poeditor

• Wirkung: Arcate verwandelt verstreute Kundensignale in bewertete Produktentscheidungen für B2B-Produktteams. Jede Initiative wird nach dem gefährdeten Umsatz priorisiert. Jede Entscheidung ist vom Kundenzitat bis zur Vorstandspräsentation nachvollziehbar. Allein entwickelt und produktiv eingesetzt. Das Modell wurde in 60 Simulationsläufen mit Kendall's tau = 0,924 gegenüber der Einschätzung erfahrener Product Manager validiert.

• Kompetenzen: Künstliche Intelligenz, KI-Agenten, Large Language Model (LLM), RAG, Model Context Protocol (MCP), agentische Workflows, Supabase, TypeScript, Deno, PHP, Stripe, PostgreSQL, Produktstrategie, Positionierung, GTM

• Fähigkeiten:

• Signalerfassung: Slack, Intercom, Gong, Salesforce, HubSpot. Signale werden nach ihrer geschäftlichen Bedeutung klassifiziert, um Entscheidungen zu Umsatzrisiken zu priorisieren.

• Umsatzbewertung: Fermi-Leverage-Modell. Initiativen werden nach gefährdetem Kunden-ARR, Signalstärke und Bestätigung durch mehrere Accounts bewertet.

• Roadmap-Intelligence: Jede Entscheidung ist vom ursprünglichen Kundensignal bis zur bewerteten, vorstandstauglichen Entscheidung nachvollziehbar.

• Entwickelt:

• MCP-Server (v0.10.0): 12 Tools, JSON-RPC 2.0, Supabase Edge Functions, SHA-256-Authentifizierung für API-Schlüssel.

• Bewertungs-Engine: Logarithmisch gewichteter ARR, durch Quadratwurzel gedämpfte Signalstärke, Bestätigung von Signalen durch mehrere Accounts.

• Agentische Workflows: 18 automatisierte Pipelines für Release, Bereitstellung, Design-QA, Guard-QA und Signalerfassung über Slack-Agenten.

• KI-Fähigkeiten: 7 kodifizierte Fähigkeiten, darunter CEO Prioritizer, Design System Enforcer, MCP QA und Simulation Runner.

• Automatisierte Qualitätssicherung: Browserbasierte Screenshot-Validierung jedes Bildschirms anhand von Design Tokens bei jedem Build.

• Vollständige SaaS-Anwendung: Authentifizierung, Abrechnung, Medien-Pipeline, Design-System. Allein produktiv eingesetzt.

• Technologie-Stack: Supabase (Authentifizierung, DB, Edge Functions, Echtzeit), Stripe, Cloudinary, PHP, TypeScript, Deno

• Rollenwechsel vom Business Analyst zum Projektmanager: Steuerung statt Erhebung.
• Make-or-Buy-Entscheidung herbeigeführt und der Konzern-IT-Leitung vorgelegt.
• Fachliche Zuarbeit zur Vertragsverhandlung des Einkaufs, anschließend sprintbasierte Steuerung des Partners.
• Low-Code-Plattform OutSystems gegen den gesamten Anforderungskatalog evaluiert.
• Anforderungskatalog nach Jira überführt: zehn Epics, über 140 Vorgänge, Akzeptanzkriterien in Gegeben-Wenn-Dann-Notation.
• Drei Implementierungspartner bewertet.
• Umsetzung läuft sprintweise auf Basis des übergebenen Backlogs.

Methoden und Vorgehensmodelle: Make-or-Buy-Bewertung, User Stories mit Gherkin, Sprint-Steuerung, Migrationskonzeption

Enterprise-Systeme: OutSystems, SAP S/4HANA, PCM, Snowflake, IBM Planning Analytics (TM1), Jira

Technologien und Tools: Python, Microsoft Excel, Claude (Anthropic API)

• Berater für Systemarchitektur, KI-Agenten & Integration, Coach für Daten- & Prozesslogik, Graph-RAG-Ansätze, Sicherheit und Datenschutz.
• On-Premise-KI-Lösungen mit hohen Compliance- & Performanceanforderungen.
• Architekturentscheidungen, operativer Aufbau, strategische Priorisierung & Deployment.
• Technologien: LiveKit JS SDK, LiveKit Agents, Web Audio API, JS, AudioWorklet, Loki, vLLM, Zscaler, Docker, Neo4j, MySQL, Python.
• Modelle: GPT-OSS 20B, Whisper large v3 turbo, Qwen3-TTS.

agentic-engineer.online ist meine öffentlich testbare Live-Demo und zugleich die Plattform, auf der ich meine Arbeit zeige. Ursprünglich als Recruitment-Probearbeit entstanden, betreibe ich sie seither als eigenes Demo-, Lern- und Produktprojekt weiter — auf einem Hetzner-VPS hinter einem Cloudflare-Tunnel, über eine mehrstufige, AI-orchestrierte Deploy-Pipeline mit Snapshot-Rollback. Bricht ein Deploy-Schritt, fällt das System auf den letzten sauberen Snapshot zurück, das Skript wird angepasst, der Test wiederholt — empirisch, test-getrieben, ohne Hand-Tuning.

• Technisch dahinter: Python und FastAPI, eine OpenRouter-Modell-Kaskade, SQLite-Persistenz und Cloudflare-Edge-Tuning.
• Ich bin Entwickler und strengster Kunde meiner eigenen KI-Arbeit in einer Person — aus dem Prototyp ist ein Werkzeug geworden, das ich täglich nutze und gegen das ich eigene Produkte teste.