Langfuse Experten in Deutschland

• Die End-to-End-Auslieferung von Enterprise-Full-Stack-Webanwendungen geleitet, indem ich Anforderungsanalyse, Lösungsdesign, Frontend- und Backend-Entwicklung, Datenbankdesign, API-Integration, Code-Reviews, Teamkoordination, Agile Umsetzung, CI/CD-Deployments, Produktionssupport, Performance-Optimierung, Sicherheitsimplementierung und die Zusammenarbeit mit Stakeholdern gesteuert habe, um skalierbare, hochwertige Softwarelösungen zu liefern.

• KI-Integration (LLM & RAG): Konzeption und Aufbau eines internen, intelligenten RAG-Systems (Retrieval-Augmented Generation) auf Basis von LLMs, n8n und Vektordaten zur automatisierten Analyse technischer Dokumente und Fehlerprotokolle.
• Konzeption & Implementierung: Design einer robusten RS-232/UART-Kommunikationsschnittstelle für ein SBC-basiertes Embedded-Gerät zur Steuerung medizinischer Shaker-Systeme.
• Architektur & Protokolldesign: Umsetzung einer hochgradig wartbaren Softwarestruktur (OOP, SOLID) und Definition hardwarenaher, resilienter Kommunikationsprotokolle inklusive Multithreading und erweiterter Fehlerbehandlung.
• Qualitätssicherung & DevOps: Testautomatisierung mittels xUnit, Integrationstests direkt am Hardware-Target und Pflege der technischen Dokumentation nach strengen Medizintechnik-Standards via Azure DevOps.

Label: C#, .NET, LLMs, RAG, n8n, RS-232, UART, Multithreading, async/await, xUnit, gRPC/protobuf, Blazor, MudBlazor, EF Core, Visual Studio 2026, Azure DevOps

• Wandelt natürliche Sprache mit RAG und pgvector in JQL um. Gibt strukturiertes JSON mit einer Query, einer Chart-Spezifikation und einer Klartext-Antwort zurück. Ein zweistufiger Router beantwortet allgemeine Fragen ganz ohne den JQL-Pipeline-Pfad.
• Austauschbare LLM-Backends: Ollama, vLLM, Groq, Anthropic Claude, AWS Bedrock - zur Laufzeit umschaltbar, ohne Codeänderungen. Self-healing JQL: Bei Jira-Validierungsfehlern wird der Fehler an das LLM zurückgegeben und bis zu 4 Mal erneut versucht. OCI Vault für Secrets. Bereitgestellt auf Oracle Cloud A1 mit GPU-Inferenz über ein Tailscale-Privatnetzwerk. Open Source.

Enterprise-KI-Inhaltskategorisierung und KI-gestützte Web-Recherche.

• Multi-LLM-Evaluierungs-Framework mit annotierten Daten aufgebaut
• LLM-Fehlerraten anhand annotierter Datensätze iteriert
• KI-gestützte Web-Recherche-Pipeline implementiert Technologie-Stack: LLM, evals, OpenRouter, Python, Node.js, TypeScript, React

End-to-End-Verantwortung für alle Produkte – Konzeption, Architektur, Entwicklung und Produktivbetrieb als alleiniger Entwickler; daneben Kundengespräche, Angebote und Marketing.

Underwriting Copilot – KI-Assistent für die Industrieversicherung (produktiv im Kundeneinsatz)

• Unterstützt Underwriter bei der Analyse industrieller Versicherungs-Submissions – im Produktivbetrieb bei einem Industrieversicherer.
• Framework-unabhängige RAG-Architektur mit Hybrid Search (BM25 + pgvector) über große, heterogene Dokumentbestände.
• Zweistufige Evaluations- und Observability-Pipeline (Code-Assertions + LLM-as-Judge), die Antwortqualität, Retrieval-Genauigkeit und Citation-Integrität regressionssicher messbar macht.

Kaiki Menu Analyzer – Data-Intelligence-Plattform (produktiv im Kundeneinsatz)

• Erfasst und analysiert automatisiert Speisedaten aus rund 25.000 deutschen Restaurants.
• Skalierbare 7-Container-Architektur (FastAPI, partitioniertes PostgreSQL, Redis/RQ) mit LLM-gestützter Extraktion strukturierter Daten aus PDF, HTML und Bildern.
• Vollständige CI/CD-Pipelines (GitHub Actions), produktives Cloud-Deployment, interaktive Dashboards (Dash).

Kaiki GEO Atlas – GEO-Plattform (produktiv im Kundeneinsatz)

• Misst die Marken-Sichtbarkeit über fünf KI-Engines (ChatGPT, Gemini, Perplexity, Grok, Claude), jede web-search-augmentiert, orchestriert als DAG-Workflow-Pipeline (Dispatcher → Sub-Workflows → Scoring → Report) mit Fail-Isolation.
• 6-Container-Deployment (FastAPI, Celery, Redis, PostgreSQL); LLM-Kostenschätzung, PDF-Audit-Report, regelbasierte Cross-Signal-Insights (kein zusätzlicher LLM-Aufwand).

Data Pipeline & Analytics Platform – Wettbewerbsanalyse im Automotive-Aftermarket

• Automatisierte Daten-Pipeline mit Gap-Analyse-Algorithmen und rollenbasierter Zugriffskontrolle; 230+ Tests.
• Backend mit FastAPI, PostgreSQL, SQLAlchemy.

Produktentwicklung (in aktiver Entwicklung)

BankingGPT – KI-Assistent für das Beschwerdemanagement im Genossenschaftsbanking

• Sicherheitsarchitektur im Kern: kein KI-Entwurf erreicht den Kunden ohne menschliche Freigabe – die Freigabe-Entscheidung liegt in auditierbarem Code, nicht im Sprachmodell (monoton: das Modell darf hochstufen, nie senken).
• Echte agentische Bausteine, jeder mit eigener Grenze: das Modell wählt selbst Werkzeuge über einen MCP-Server (nur-lesend, Allowlist, gedeckelt, fail-safe); heikle Fälle gehen per offenem A2A-Protokoll (JSON-RPC, Agent Card, message/send/tasks/get; Client selbst implementiert) an einen eigenständigen Fach-Agenten (Wertpapier/Recht), der die Prüfpflicht nie senkt (per Test gepinnt).
• Evaluations-getrieben über zehn Analyse-Runden; deckte per unabhängigem Review und Blind-Tests einen Sicherheitsdefekt auf, den neun automatisierte Läufe übersehen hatten.
• Voice-AI-Frontend, live antwortend: gedeckte Fälle werden im Gespräch beantwortet, heikle eskalieren vor der Generierung; Antwortlatenz < 7 s gemessen (lokale GPU-STT/TTS).

Stack & Produktionsnähe: Python, pydantic-ai, FastAPI/Celery, PostgreSQL/pgvector, FastMCP, fasta2a, Docker; mehrmandantenfähig (physische Vektor-Isolation je Mandant), PII verschlüsselt, OWASP-LLM-reviewt, 275 Tests, CI/CD; anbieter-portabel (Ollama / EU-Cloud-Vertex).

After-Sales Assistant – agentischer RAG-/GraphRAG-Assistent auf öffentlichen OEM-Handbüchern (Automotive After-Sales)

• Genuin agentisch auf LangGraph: ReAct-Agent mit vier Werkzeugen und Gesprächsge-dächtnis – das Modell entscheidet selbst, ob es das Handbuch (RAG, Chroma), einen Wissensgraphen (GraphRAG, Neo4j/Cypher – Warnleuchten dekodieren) oder einen Werkstatt-/Buchungsdienst anspricht.
• Human-in-the-Loop vor der irreversiblen Aktion: vor jeder Terminbuchung pausiert der Graph (interrupt) und holt die ausdrückliche Bestätigung des Fahrers – dieselbe Freigabe-vor-Aktion-Disziplin wie in BankingGPT, in einem anderen Framework.
• Eval als CI-Gate: dreiteiliges Scorecard (RAGAS-Grounding + deterministische Tool-Routing-Genauigkeit + DeepEval-Safety: führt die Antwort bei kritischer Warnung zuerst die Warnung an?) blockt die Pipeline; provider-agnostisch (OpenAI/Azure/Anthropic), FastAPI mit Token-Streaming.

Stack: Python, LangChain/LangGraph, Chroma, Neo4j, RAGAS/DeepEval, FastAPI, Docker.

• Branche: B2B
• Headless Frontend mit AEM Anbindung
• Besondere Herausforderung: Migration einer PWA-Anwendung im laufenden Betrieb auf Basis von .NET sowie Legacy Code; gesamte Applikation muss in React und Express.js/TypeScript überführt werden
• Technische Frameworks: Tailwind, XML, JavaScript, Caddy, ReactJS, Express.js, REST API, JSON
• Cloudflare CDN
• Caddy Server mit GitHub CI/CD Pipeline

• Führung eines funktionsübergreifenden Squads aus Backend-, Frontend- und ML/Data-Ingenieuren, dabei Balance zwischen operativer Mitarbeit (Architektur, Codierung, Reviews) und Teamführung (Mentoring, Priorisierung des Backlogs, Abstimmung der Roadmap).
• Konzeption und Umsetzung von ML-basierten Such- und Discovery-Funktionen, darunter Learning-to-Rank (LTR), Query Expansion und Vektor-Suche, was die Relevanz der Ergebnisse und das Nutzerengagement verbesserte.
• Implementierung von Personalisierungs- und Empfehlungspipelines unter Nutzung von Verhaltensdaten und Segmentierung zur Steigerung der Kundenbindung und des Customer Lifetime Value.
• Einführung datengetriebener Prozesse und Aufbau von A/B-Testing- und Experimentier-Workflows (Odyn, MLflow), um die Auswirkungen von Features auf CTR, NDCG und Conversion zu messen.
• Verantwortung für die Architektur und Roadmap des Squads, Modernisierung der Services durch cloud-native Microservices und eventgesteuerte Systeme (AWS, Pulumi, Terraform) zur Steigerung von Skalierbarkeit und Zuverlässigkeit.
• Erhöhte Zuverlässigkeit und operative Exzellenz durch Einführung von Observability (Prometheus, Grafana, NewRelic), Incident Management und Post-Mortems, die Ausfallzeiten bei Kundendienstleistungen verringerten.
• Mentoring und Unterstützung von Ingenieuren, Förderung des technischen Wachstums, der Zusammenarbeit und einer kundenorientierten Denkweise durch regelmäßiges Feedback, Coaching und Code Reviews.
• Enge Zusammenarbeit mit Produktmanagern, Forschern und Stakeholdern, um Kunden-Insights in technische Lösungen umzusetzen, die Discovery, Engagement und Kundenbindung verbesserten.
• Untersuchung von Anwendungsfällen für Generative AI/LLM (GPT-4, LangChain, RAG), Prototyping intelligenter Assistenten und personalisierter Discovery-Workflows, die die Nutzerzufriedenheit steigerten.
• Erzielt greifbare Ergebnisse: Steigerung des Engagements durch Personalisierung, Beitrag zum Umsatzwachstum und Verringerung von Vorfällen durch Integration von Resilienz und Observability.

• Konzipiert, entwickelt und weiterentwickelt ein Applied-KI-MVP, das ausführliche Audio-Interviews mithilfe agentenbasierter Orchestrierung und mehrstufigem Reasoning in strukturierte, langformatige Erzählformate über verschiedene Genres (z. B. Memoiren, institutionelles Wissen, thematische Essays) umwandelt.
• Zentrale Workflows in einem Next.js-Stack entworfen und implementiert, mit strukturierten Repräsentationen (JSON und andere Formate), Retrieval-gestützter Generierung und entstehenden Knowledge-Graph-Strukturen, um Kontext und Konsistenz über lange Dokumente hinweg zu wahren.
• Agentenverhalten in realistischen Erzählszenarien definiert und getestet, einschließlich idealer Nutzerpfade, Randfälle und Fehlerzustände, mit expliziten Kriterien für Kohärenz, faktische Übereinstimmung und Erfüllung der Nutzerabsicht.
• Führe derzeit gezielte Nutzertests mit ausgewählten Partnern durch, um Anwendungsfälle zu validieren und die nächsten Produktiterationen zu informieren.

• Entwarf und implementierte multimodale Unterhaltungstoolchains, die Passagierinput, Fahrzeugkontext, Large-Language-Modelle (Text-zu-Text und Sprache-zu-Sprache) sowie Bildgenerierungsmodelle kombinieren, um interaktivere und immersivere In-Car-Erlebnisse zu bieten.
• Entwickelte und orchestrierte Tools für LLM-basierte Agenten, inklusive Sitzungsverwaltung, Hintergrundaufgaben, dynamischer Nutzerinteraktionen und persistentem Anwendungszustand.
• Untersuchte Multi-Agenten-Orchestrierungsframeworks für In-Car-Umgebungen, bewertete Kommunikationsprotokolle und Architekturstrategien für koordinierte und zuverlässige Agentenverhalten.

• Architektur von KI-Systemen über Build-vs-Buy-Ebenen; Beratung von Kunden bei der Technologiewahl, Bewertung, Integrationsmustern und Governance, um Risiken zu reduzieren und die Time-to-Value zu verkürzen.
• Implementierung von Azure-/Snowflake-Lösungen (RAG-Pipelines, Chatbots, Data Agents) einschließlich Ingestion, Retrieval, Orchestrierung und Monitoring.
• Zusammenarbeit mit Stakeholdern, um Geschäftsanforderungen in umsetzbare KI-Roadmaps und Referenzarchitekturen zu übersetzen; Abstimmung mit bestehenden Datenplattformen und Sicherheitskontrollen.

• Einen KI-Forschungsassistenten mit RAG, LangChain, LangGraph und OpenAI-LLMs sowie integrierter Vektorsuche entwickelt.

• Plattform für erste Kunden aufgebaut und ausgeliefert, inklusive Business-Datensimulationen und KI-Agenten, hands-on von null an
• Eng mit Mitgründern und Designpartnern zusammengearbeitet, um die ersten Versionen der App zu erstellen
• Tech-Stack: React, Node.JS/TypeScript, Python, FastAPI, GCP, Gemini, PostgreSQL, Cursor, Langfuse

• Konzipierte und implementierte eine Enterprise-KI-Agentenplattform auf Basis einer Retrieval Augmented Generation (RAG)-Architektur, um Einblicke in klinische Daten zu verbessern.
• Errichtete robuste CI/CD-Pipelines für LLM-Anwendungen mit CDK und Jenkins und verkürzte dadurch die Bereitstellungszeiten deutlich.
• Führte umfassende Observability-Lösungen ein, die die Zuverlässigkeit der Agenten in pharmazeutischen Umgebungen steigerten.
• Entwickelte skalierbare KI-Workflows mit fortschrittlicher Orchestrierung, die das Kontextmanagement für Unternehmensdatenquellen optimierten.
• Technologien: KI-Agenten (LangChain, LangGraph, Bedrock, Smolagents, Streamlit); LLM-Betrieb (Tracing, Testing, Evaluation, LangSmith, LangFuse); Infrastructure-as-Code (AWS CDK, Terraform, Typescript, Jenkins); Vektoren, Einbettungen, RAG (OpenSearch, pgvector, PDF-Extraktion)

• Leitete die Produktstrategie für einen KI-D2C-Checkout-Optimierungsagenten; implementierte Langfuse für KI-Bewertungen (Aufgabenerfolg, Latenz, Kosten), optimierte Prompts & Routing und förderte die Einführung durch bereichsübergreifende Schulungen (Vertrieb, Marketing & Customer Success) und eine Launch-Veranstaltung mit 100 Händlern
• Leitete die Produktentdeckung und entwickelte Tools zur Umsatzoptimierung, erstellte Dashboards mit Funnel-Übersicht in Grafana, um Conversion-Flows, Abbrüche, Latenz & Fehler zu verfolgen, Umsatzsteigerung um über 22,5 Tsd. €/Monat
• Entwickelte & implementierte 3 Automatisierungs-Workflows mit Claude Code: tägliche Erkennung von Transaktionsanomalien mit automatischer Ticketerstellung, wöchentliche Fehlerursachenanalyse, monatliche Zusammenstellung von Features für Führungskräftetreffen, reduzierte den manuellen Aufwand um über 10 Stunden pro Woche
• Launchte einen KI-Sprachagenten (Demo) für E-Commerce-Bestell- & Adressbestätigungs/-aktualisierungs-Workflow, entwarf Multi-Turn-Dialogflüsse mit dem Pipecat-Framework, erzielte eine Annahmerate von 71 % und über 100 Installationen im Shopify App Store
• Verantwortete den End-to-End-Produktlebenszyklus für über 30 B2B-Marken-Integrationen, arbeitete mit bereichsübergreifenden Teams zusammen, stellte die Zuverlässigkeit der Zahlungsabwicklung an kritischen Checkout-Punkten sicher, etablierte ein SLA-Framework und regelmäßige Fehlerursachenanalyse-Zyklen und gewährleistete 99 % SLA-Einhaltung
• Leitete Agile-Praktiken als Scrum Master für ein Team von 12, verantwortete Sprint- & Release-Planung in Jira, etablierte regelmäßige Fehlerursachenanalyse-Zyklen für Transaktionsabweichungen & Observability-KPIs mit Grafana-Dashboards und lieferte 3 Major Releases termingerecht ab