HTTP-Experten

Ich habe eine Self-Service-AWS-Plattform für Data-Science-Teams mit wenig oder keiner Erfahrung mit Infrastructure as Code entworfen und entwickelt. Ein Team schreibt etwa 10 Zeilen Python und erhält einen bereitstellbaren Stack mit vollständigem SDLC-Release-Zyklus, der bereits den Governance-Regeln folgt. Netzwerk, Verschlüsselung, IAM und Tagging werden von der Plattform festgelegt, nicht von jedem einzelnen Team.

Neue Teams oder AWS-Konten werden mit einem Pull Request eingebunden. Die Vermeidung von Verschwendung und die Kostenkontrolle sind standardmäßig integriert: Data Scientists benötigen keine Infrastrukturkenntnisse.

• Construct-Bibliothek (AWS CDK, Python). Aufbau eines versionierten Katalogs mit etwa 20 gehärteten Constructs für den Einsatz in Data-Science-Projekten mit ML-Kontext
• Governance as Code
• Multi-Account, Multi-Tenant
• Scaffolding für den Golden Path
• CI/CD und Supply Chain. Erstellung wiederverwendbarer GitHub-Actions-Workflows
• Release Engineering
• Qualitätssicherung mit E2E-, Contract- und Unit-Tests bei jedem Release Candidate

• Aufbau einer maßgeschneiderten MediaWiki-Instanz inkl. Installation, MySQL-Datenbank, SSL und automatischer Backups
• Einrichtung von Benutzerrollen (Admin, Mod, Verifiziert, User) und Rechtesystem
• FlaggedRevisions für redaktionellen Prüf-Workflow · Kommentar- und Bewertungs-Extensions

• Projekt Aufzugsnotruf Neu-Organisation: Projekt zur Evaluierung und Definition einer neuen technischen Lösung zur Anbindung von Aufzugsnotrufen für alle Einrichtungen der DB InfraGO Personenbahnhöfe.

• Ziele: Sichere redundante Anbindung aller Standorte deutschlandweit. Definition der techn. Lösung, Dokumentation, thematische Betreuung und Steuerung der Fach- und Linien-Organisationen.

• Identifizierung und Beauftragung der techn. Lösungen.

• Steuerung der Dokumentation und Freigabe der techn. Lösung im Regelwerk der DB.

• Definition und Nachverfolgen der Roadmap zur Lösungsbeschreibung.

• Erstellung eines Rollout Planes zur Vermeidung von Abschaltungen.

• Entscheidungsvorlagen für Lenkungskreise abstimmen und umsetzen.

• Kommunikation der Lösung in alle Gremien und Regionalbereiche.

• Implementierung einer Full-Stack Anwendung mit Angular als Frontend-Framework und Java als Backend-Sprache
• Einsatz der Swagger OpenAPI Spezifikation für die REST-Kommunikation zwischen Frontend- und Backend-Anwendung
• Ansteuerung eines Kartendruckers über das Nexus Card SDK Framework
• Design und Implementierung einer Kartenverwaltungssoftware mit Weboberfläche und JavaFX-Modul für das Druckermonitoring
• Einsatz von Cucumber-Tests für die Testautomatisierung und Erstellung von Test-Artefakten zum Testen außerhalb der Entwicklungsumgebung
• Einsatz von Wireshark für Netzwerkuntersuchungen zur Analyse der API eines Drittproduktes und zur Kontrolle der REST-API der selbst entwickelten Software

• Wiederkehrendes Problem in eigenen KI-gestützten Projekten: Anforderungsanalyse, Use Cases und Architekturentscheidungen entstehen mit KI-Unterstützung zwar schnell, bleiben aber wenig nachvollziehbar und über Markdown-Dateien verstreut – Wissen geht verloren, sobald es nicht mehr im Kontextfenster ist. arknet macht Requirements Engineering und Architekturwissen zu strukturierten, prüfbaren Daten statt Fließtext: Anforderungen, Use Cases und Architekturentscheidungen als durchgängig verknüpfter Wissensgraph, von der Anforderung bis zur Architekturentscheidung nachvollziehbar – für Menschen und KI-Agenten gleichermaßen abfragbar. Technisch auf RDF/OWL und einem eigenen MCP-Server aufgesetzt.

• Ergebnis: MCP-Daemon lauffähig, Docker-Image automatisiert auf GHCR veröffentlicht, neun hexagonale Module, elf ADRs (u. a. Open-Core-Lizenzmodell). Requirements-Engineering- und Ubiquitous-Language-Hexagon aktiv. Seit 07/2026 als Community Edition unter Apache-2.0 öffentlich (github.com/kogn-io/arknet), zusammen mit dem Claude-Code-Plugin und dem GHCR-Image; Open-Core-Modell.

• Label: Java, Maven, RDF, RDF4J, OWL, SPARQL, Model Context Protocol, Spring AI, Docker, GitHub, Git, Claude Code, Obsidian, DDD, Hexagonal Architecture, ArchUnit, JUnit, AssertJ, Schnittstellenentwicklung, Software Architecture, Continuous Integration, Knowledge Management

• Modernisierung einer groß angelegten Java-Unternehmensanwendung*

Das Projekt modernisiert eine komplexe Unternehmensanwendung, die über viele Jahre gewachsen ist. Das bestehende Spring-basierte Legacy-System läuft auf Java 8, OSGi und Eclipse RCP und wird schrittweise auf eine moderne, wartbare Architektur mit Java 25 und Quarkus migriert.

Marcus arbeitet in Analyse, Architektur, Refactoring und Implementierung. Ein Schwerpunkt liegt auf der Entflechtung historisch gewachsener Strukturen und Abhängigkeiten sowie dem Aufbau eines sauberen, nachhaltigen Java- und Quarkus-Technologiestacks.

Tools & Technologien: Java 8, Java 25, Quarkus, Hibernate ORM mit Panache, EclipseLink, OSGi, Eclipse RCP, Maven, JUnit, Mockito, REST, JSON, Git, Eclipse IDE, IntelliJ IDEA Ultimate, Jira, Confluence

• Einführung von 5 verschiedene Prozess-Anwendungen für unterschiedliche Teams

• Planung von Release: Scope- und Zeit-Management

• Ressourcen-/Kapazitätsplanung

• Durchführung von Sprint-Planning / Retrospektiven

• Inkrement-Planung (mehrere Sprints)

• Vorbereitung Lenkungskreis-Meetings / Reporting an Vorstand

• Koordination / Abstimmung mit externen Lieferant / Lieferungen

• Ressourcenplanung Multi-Projekte

• Abstimmung mit Fachbereich und Entwicklungsteam

• Ermittlung der Best-Practice mit IBM BAW

• Kosten-Kontrolle und Planung des Projektteams und externer Dienstleister

• Erhebung KPIs mit Hilfe von LogScale

• Analyse von Anwendungsfehler mit LogScale / Queries

• User Story Definitionen / Abstimmung der Anforderung mit dem Fachbereich und Entwicklungsteam

• Tests und Fehler-Tracking

• UI/UX-Entwurf von Anwendung

• Vorbereitung und Moderation von Brown-Paper-Workshop

• Testkonzept, Testdaten, Testorganisation, Testdurchführung

• Erfassung von Team Velocity / Metriken

• Testdurchführung

• Skript für automatisiertes Testen

• Testorganisation mit Fachbereich und IT

• Erfassung und Priorisierung der Fehler

• Aufbau und Betrieb der Anwendung

• Aufbau von Monitoring der Anwendung mit LogScale Dashboards

• Überprüfung von Health-Endpoints mit PowerShell

• Post-Mortem-Analyse

• Aufbau Incident Management

• Aufbau Problem Management

• Analyse von Fehlern mit Hilfe von LogScale Queries und Dashboard

• Pre-Processing von Daten für die KI

• Durchführung der Evaluation mit KI-Sprachmodellen (Meta Llama 3.3 LLM und deepset Haystack) und RAG

• Installation Laufzeitumgebung für LLMs (Large Language Model)

• Evaluierung von verschiedenen LLMs

• Installation von RAG (Retrieval Augmented Generation) und Integration mit LLM

• Extraktion von unstrukturierten Daten mit LLM und RAG

• Projekt basiert auf IBM BAW (Business Automation Workflow), Websphere Liberty, Domea, d.3, REST, LogScale (ehemalig Humio), Swagger, Powershell, JIRA, Confluence, Lucom Interaction Platform (LIP), Mattermost, Jabber

• Anlernen der KI-Modelle, Bilder und Texte sowie UI/UX bewerten, die bereitgestellten Daten in Insights umwandeln mittels OpenAI Feather im Ablauf des Machine Learnings

Technologien: OpenAI Feather

Tätigkeit:

• Design und Aufbau eines Proof-of-Concept (PoC) für eine zukunftsfähige Virtualisierungsplattform unter Berücksichtigung sicherer Systemarchitekturen
• Bewertung des Ist-Standes bestehender Infrastrukturen und Erarbeitung von Auswahl- und Bewertungskriterien für die geeignete OS-Virtualisierungsplattform
• Durchführung der Anforderungsanalyse mit nachfolgender Erstellung und Priorisierung von Tickets im Ticketsystem
• Fertigstellung und kontinuierliche Vervollständigung einer Tool-Bewertungsmatrix basierend auf PoC-Ergebnissen
• Unterstützung des Wissensaufbaus im Team durch nachvollziehbare Dokumentation der Vorgehensweise und Ergebnisse in Confluence
• Enterprise-Analyse der Bestandshardware (Erstellen verschiedener BoMs)

Technologien: Vmware, Vmware Aria Operations, Osism, Canonical OpenStack, FishOs, Linux, Terraform, Ansible, Confluence, Alma

• Konzipiert, entwickelt und eingeführt eine interne Webanwendung zur Veranstaltungsplanung, die von über 100 Abteilungsleitern für eine große Veranstaltung genutzt wurde, obwohl keine dedizierte Testphase stattfand.

• Einen reibungslosen und fehlerfreien Betrieb beim ersten Live-Einsatz sichergestellt, wodurch das Tool für zukünftige Veranstaltungen übernommen wurde.

• Catering-Berechnungen und zugehörige Workflows automatisiert, wodurch E-Mail-Kommunikation und manueller Aufwand für die Essensplanung deutlich reduziert wurden.

• Bereitstellung und Hosting auf einem Linux-Server mittels Coolify verwaltet, einschließlich Einrichtung der Anwendung und Laufzeitbetrieb.

• Einen Kommunikationsdesigner im Bereich UX eingestellt und angeleitet und dabei alle technischen Entscheidungen und die Implementierung eigenständig verantwortet.

• 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.

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.

• Entwickeln der Infrastruktur und Pflegen bestehender Infrastruktur: Jenkins, Gitlab Pipeline, OpenShift, Docker, Helm Chart, Kubernetes, Artifactory, CodePipeline, CodeArtifact, Python
• Dokumentation der Lösungen in Jira/Confluence
• Unterstützung anderer Kollegen in verschiedenen technischen Bereichen

• Definition der Software-Architektur
• Konzeption und Entwicklung von Modulen
• Unterstützung interner Mitarbeiter beim Lern- und Einarbeitungsprozess
• Tools: SAP CAP / CDS, Java 21, SAP Hana, SAP Business Technology Platform (BTP)