LangGraph Experten in München

Karen Manukyan

Senior .NET Backend Engineer | Angewandte KI | Agentische Systeme, RAG & verteilte Architektur

Letzte Position:

Persönliches KI-Engineering-Projekt — Croky AI bei Crocky AI

Produkt:

Eine produktionsreife KI-Plattform aufgebaut, die markenkonforme Marketingbilder und Videos aus Produktdaten, Nutzeranforderungen und hochgeladenen Medien erzeugt.
Die Plattformarchitektur, die technische Roadmap, das API-Design, die Sicherheit, den Deployment-Workflow, die operative Zuverlässigkeit und die Strategie für Modellanbieter verantwortet.
Die Kernplattform in .NET entwickelt und unterstützende KI- und Workflow-Prototypen in Python gebaut, mit sprachunabhängigen API-Verträgen und strukturierten Schnittstellen zwischen Services und Modellanbietern.
Zuverlässige Hintergrundverarbeitung mit RabbitMQ implementiert, Workflow-Zustände gespeichert sowie idempotente Verarbeitung, Retries, Fehlerbehebung, Logging, sichere Speicherung, Autorisierung und Credit-Abrechnung umgesetzt.
Pragmatische Build-vs.-Buy- und Modellrouting-Entscheidungen auf Basis von Zuverlässigkeit, Latenz, Kosten und Wartbarkeit getroffen, statt auf Neuheit.

Agenten-Orchestrierung & RAG-Systeme

Agenten-Workflows mit Microsoft Agent Framework, LangGraph und LangChain aufgebaut und verglichen, einschließlich Tool-Nutzung, bedingter Weiterleitung, Klärungsschritten, Zustandsverwaltung und Übergaben zwischen Agenten.
Wiederverwendbare .NET-Komponenten für Agenten, Prompts, Tools, Modellanbieter, strukturierte Antworten und Retrieval mit pyvector implementiert, um den Wechsel von KI-Anbietern zu erleichtern, ohne den Kern-Workflow neu schreiben zu müssen.

Giuseppe Abrignani

Software-, KI- & Automatisierungsarchitekt

Germering

Letzte Position:

Entwicklung Embedded-Software bei Inheco

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

Mirza Klimenta

Agentische KI für ein DeepResearch-Projekt

München

Letzte Position:

Agentische KI für ein DeepResearch-Projekt bei Freiberuflich

Erstellte ein multi-agentisches System, unterstützt von einem Wissensgraphen, um das Verfassen von Forschungsarbeiten zu automatisieren
Setzte mehrere Experten (OpenAI-Modelle) ein, die beim Verfassen zusammenarbeiteten
Extrahierte nützliche Informationen aus dem Wissensgraphen
Technologien: LangChain, LangGraph, Smolagents, LlamaIndex, dspy
Infrastruktur: Terraform und GitHub Actions (CI/CD) auf AWS
Stellte die erste Anwendung als Streamlit-App bereit

Azadeh Tavassoli

KI-Ingenieur | RAG, KI-Agenten & multimodale Systeme | Ex-Datenanalyst (6+ Jahre)

Letzte Position:

AI Engineering Fellow bei Turing College

Absolvierte ein intensives AI-Engineering-Programm mit Fokus auf LLM-Bewertung, Retrieval, Agenten-Orchestrierung und multimodalen Workflows.
Entwarf Retrieval-Pipelines mit Dokumentenaufnahme, semantischer Suche und zitatbewussten Ausgaben unter Verwendung von LangChain und ChromaDB.
Erstellte agentenbasierte Workflows auf Basis von LangGraph mit Statusverwaltung, Klärungsschleifen und Freigabeschritten mit Mensch-in-der-Schleife.
Setzte Prompt-Engineering und Evaluationsmuster ein, einschließlich Scoring-Logik und Guardrails, um die Ausgabequalität und Zuverlässigkeit zu verbessern.
Arbeitete intensiv mit Python, FastAPI, OpenAI-APIs, LangChain, LangGraph und ChromaDB in End-to-End-Implementierungen.

Christian Schulz

Datenwissenschaftler/KI-Ingenieur

Ismaning

Letzte Position:

Data Scientist/KI-Ingenieur bei The Marcom Engine GmbH & Co. KG

Konzeption und Implementierung von KI-Agenten in der AWS-Cloud
Kontinuierliche Abstimmung mit Stakeholdern
Zusammenarbeit mit DevOps
Technologien: Git, CI/CD (GitHub Actions), Python/ML, Streamlit, Deno/TypeScript, AWS SAM, AWS Bedrock, AWS Lambda, AWS DynamoDB, AWS S3, AWS EventBridge usw.

Nima Nooshi

Daten- und KI-Architekt

Letzte Position:

Mitbegründer & LLM-Ingenieur bei LLM Ventures

Mitgegründet ein KI-Startup mit Fokus auf die Entwicklung produktionsreifer LLM-Anwendungen und Agentensysteme
Entworfen und implementiert Multi-Agent-KI-Workflows für Finanz- und Handelsanwendungen
Entwickelt LLM-basierte Copilot-Architekturen für Portfolioanalyse, Handelsverwaltung und personalisiertes Nutzercoaching
Entwickelt On-Device- und Edge-Inferenzanwendungen, optimierte Modelle für geringe Latenz, Datenschutz und ressourcenbeschränkte Umgebungen
Geleitet Architekturentscheidungen zur Modellauswahl, Orchestrierung, Zustandsverwaltung und Bereitstellung

Caner Karaoğlu

Synthetischer medizinischer Datensatz (MedGym)

Letzte Position:

Synthetischer medizinischer Datensatz (MedGym) bei MedTank

Generierte synthetische Datensätze für CXR, Mammografie und die Erkennung distaler Radiusfrakturen mit GANs und Diffusion und erstellte >50k synthetische Bilder für Benchmarking.
Sicherung DSGVO-konformer Workflows und Reproduzierbarkeit, sodass der Datensatz für interne Validierung und akademische Zusammenarbeit genutzt werden konnte.
Projekt im internen F&E-Showcase von MedTank als Vorzeigeinitiative für synthetische Daten hervorgehoben.

Max Ritter

Cloud (AWS) | KI | DevOps | Daten

Fürstenfeldbruck

Letzte Position:

Cloud (AWS) | KI | DevOps | Daten bei Boehringer Ingelheim

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)

Mohamed Saleh

Machine Learning Engineer (Teilzeit)

München

Letzte Position:

Machine Learning Engineer (Teilzeit) bei E.ON Digital Technology

Entwarf und implementierte eine fortschrittliche, agentenbasierte RAG-Pipeline mit LangChain und LangGraph zur strukturierten Datenauslesung aus PDFs, unter Nutzung von Tools, Zustandsverwaltung und OpenAI LLMs (GPT-4), um Genauigkeit zu steigern und komplexe Dokumentstrukturen zu bewältigen.
Entwickelte einen Google-KI-Agenten zur Extraktion strukturierter Informationen aus PDF-Dokumenten und deployte den Agenten auf Vertex AI.
Entwarf Datenpipelines mit Azure Data Factory und Databricks, um Daten aus Azure Blob Storage zu laden, mit PySpark zu verarbeiten und über Linked Services in Azure SQL Database zu schreiben.
Containerisierte KI-Agenten und -Services mit Docker für konsistente lokale Entwicklung und Bereitstellung.
Nutze PySpark und Dask für Datenbankabfragen in Verbindung mit Azure Blob Storage und Document Storage.
Erstellte einen ReAct-Agenten, der strukturierte Daten aus PDF-Dokumenten extrahiert, indem er Tools nutzt und Azure Document Intelligence integriert.
Trug zum Projekt zur Validierung von CPO-Rechnungen bei, indem ich Databricks einsetzte, um bestehende CDRs zu finden und die Gesamtkosten zu berechnen.
Entwickelte einen konversationalen KI-Agenten (Chatbot) mit FastAPI-Backend, integrierte RAG für präzise Tarifextraktion und setzte den Service mit Azure Container Apps um.
Verwendete Tools: Azure, Azure OpenAI, Azure Document Intelligence, Azure Blob Storage, Google ADK, Google Cloud, Vertex AI, Gemini, Databricks, LangChain, LlamaIndex Ollama, Docker, PySpark, Azure SQL, Azure Data Factory, Azure AI Agent, Microsoft SQL Server

Abdul Khan

Softwareentwickler

Letzte Position:

Softwareentwickler bei EdgeFirm

Entwarf und entwickelte End-to-End-Web- und Mobilprodukte als Full-Stack-Entwickler, arbeitete mit Python/FastAPI-Backends, Datenbanken und React/React Native-Frontends.
Erstellte LLM- und agentenbasierte KI-Systeme mit LangChain, LangGraph, CrewAI, Langfuse und Vektordatenbanken, mit Fokus auf Zuverlässigkeit, Beobachtbarkeit und saubere Abstraktionen.
Entwickelte einen Text-zu-SQL-Assistenten für das Marketingteam, der nicht-technischen Nutzern ermöglicht, natürliche Sprachabfragen an ein großes Datenset aus dem Einzelhandel zu stellen und klare Analysen sowie Kampagnen-Erkenntnisse zurückliefert.
Trug dazu bei, ad-hoc-SQL/Reporting-Anfragen an die Entwicklung um 60 % zu reduzieren und die Zeit bis zur Auswertung gängiger Marketinganfragen von Stunden auf Minuten zu verkürzen.
Erstellte eine Full-Stack-Mobile-App, in der Apple Health-Daten verarbeitet und in ein LLM eingespeist werden, um personalisiertes, auf VO2max basierendes Gesundheitscoaching und Erkenntnisse zu generieren. Verantwortete die Architektur von Frontend über Backend bis hin zur Authentifizierung.

Jan Wahler

Technischer Berater