Context Engineering Experten in Deutschland

• 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.

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.

• 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.

• Plattform aufgebaut und stabil betrieben; bewusst mein Engagement reduziert, um mich wieder auf eine Ingenieursrolle im Finanzbereich zu konzentrieren.
• Eigene SaaS-Lernplattform von Grund auf entwickelt und auf über 20.000 Nutzer skaliert (über 6.000 verkaufte Kurse, B2C und B2B); End-to-End-Verantwortung von der Entwicklung über Infrastruktur bis zum Betrieb.
• Laborumgebung aufgebaut, die für jeden Nutzer einen isolierten Linux-Container bereitstellt (Docker, Traefik, Go), inklusive automatischer Bereitstellung und eigener Subdomain pro Nutzer.
• LLM-Funktionen in das Produkt integriert und die Entwicklung mit KI-gestützten Workflows (Claude Code, Codex) End-to-End beschleunigt; CI/CD mit automatisierten Tests.

• Agierte als technischer Berater zur Optimierung von mehrschichtigen Ensemble-Modellen, die ResNet, CNN-BiGRU-Attention und XGBoost kombinierten.
• Begleitete die Umsetzung eines Logistic-Regression-Meta-Lerners zur Lösung von Klassenungleichgewichten und erreichte 92,86 % Genauigkeit und einen AUC-Wert von 0,9644 auf den Datensätzen PTB-XL und Chapman-Shaoxing.

• 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

Mitgründung eines KI-nativen Startups für Sprachenlernen sowie Definition der Produktvision, KI-Architektur und technischen Roadmap. Entwicklung und Aufbau des KI- und Backend-Stacks einschließlich Pipelines zur Feinabstimmung von LLMs, individueller agentischer Workflows und skalierbarer Inferenzinfrastruktur. Das erste Produkt befindet sich derzeit in einer privaten Betaphase.

• 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.

KI-gestützte Automatisierung der Einkäufe auf einer Druckerei-Website mit Auswahl von Lieferzeiten, Bestelloptionen, Bestellung, Bezahlung und Hochladen der Druckdaten aus der Lumiz-Cloud.

• Entwurf und Umsetzung der agentischen KI-Architektur für eine unternehmensweite Plattform zur sicheren Bereitstellung von LLM-basierten Agenten
• Design und Implementierung von End-to-End RAG-Pipelines aus multiplen Quellen: Dokumentenaufbereitung, Chunking-Strategien für heterogene Dokumenttypen, Embedding, Retrieval mit Re-Ranking und robuste Prompt-Orchestrierung
• Modulares Context-Engineering-Framework mit Skill-Architektur, Kontext-Isolation und dynamischer Ressourcenverwaltung; Human-in-the-Loop-Kontrolle für Enterprise-Tool-Integrationen
• Aufbau der CI/CD-Pipeline, Test-Strategie, Tracing sowohl auf Software-Seite als auch automatisierte LLM- und Agenten-Evaluierungen, Red Team Testing und Tracing sowie Übergabe in reproduzierbaren Betrieb (ISO27001 und SOC2 konform)