Model Context Protocol 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.

• Aufbau eines skalierbaren Nearshore IT Developer Hubs (Kroatien, Tschechien, Polen) als eigenständige Gesellschaft über ein BOT-Modell (Build – Operate – Transfer)
• Identifikation, Auswahl und Steuerung von Full-Service-Agenturen; Einführung von Steuerungs- und Kontrollmechanismen inkl. KPIs, SLAs und regelmäßiger Service Reviews
• Erstellung und Prüfung von AVVs und Rahmenverträgen in Abstimmung mit Legal & Compliance; Integration regulatorischer Vorgaben (u. a. KRITIS) in die Prozessgestaltung
• Beratung zu Cloud-vs.-On-Premise-Strategien, Datenhaltung und Berechtigungskonzepten; Unterstützung des Einkaufs bei Vergabe- und Dienstleisterbewertungen
• Change Management und Prozessharmonisierung zwischen internen Teams und Nearshore-Partnern; Reporting an Geschäftsführung, CFO und CIO

Ergebnis: Skalierbarer IT Developer Hub mit revisionssicherem Governance-Modell, reduzierten Betriebskosten und beschleunigter Produktentwicklung.

• Reparatur eines defekten „ScrumBan“-Prozesses, danach ein reines Kanban-System etabliert; Steigerung des Outputs im Kanban-Flow um 22 % in vier Wochen

• Team-Autonomie und Entscheidungsfähigkeit durch Implementierung neuer Entscheidungsstrategien gesteigert; somit bis zu 25 % bessere Resultate

• Neugestaltung von Retrospektiven (u. a. durch Einzelcoaching und Workshops), die zur konsequenten Umsetzung der resultierenden Action Items führten

• Intensives Coaching von Product Ownern (POs) zur Entwicklung und Förderung von „Empowered Teams“ neben Führungskräfteentwicklung zur realistischen Einordnung („De-Illusionierung“) agiler Frameworks und Methoden

• Begleitung von Change-Management-Prozessen zur Förderung einer agilen Firmenkultur bei Management und Teams, wobei die interne Kommunikation zur Erhöhung der Transparenz und Effektivität in agilen Prozessen verbessert wurde

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

Stabilisierung einer Azure-/.NET-Landschaft im laufenden Betrieb.

• Architektur, DevOps und Betriebsfähigkeit; technische Entscheidungen unter Zeitdruck
• Azure DevOps, Monitoring, ETL/ELT, Cloud Security, FinOps und Data-Mesh-nahe Themen

Technologien: Azure DevOps, .NET, CI/CD, Monitoring, FinOps

• Konzeption und Umsetzung modularer KI-Assistenten für Vertriebs- und Geschäftsprozesse im Microsoft-Ökosystem (Agentic AI, Copilot-Erweiterungen)
• Frontend-Architektur und -Entwicklung mit React + TypeScript für eingebettete Chat- und Assistenten-Oberflächen (Streaming-UI, Hooks, React Query, OpenAPI-Clients)
• Entwicklung von Agenten auf Enterprise-Ebene: wiederverwendbare Skill-/Agent-Bibliothek, MCP-Server, Review- und Compliance-Prüfungen
• Integration von LLMs in die User Experience: Anthropic (Claude), OpenAI, Tool-Use, RAG-Pipelines, Prompt Engineering, Guardrails
• Beratung zu Architektur und Code-Reviews sowie Mentoring im KI-Entwicklungsteam
• Anbindung an Microsoft Graph, Power Platform und Azure-Dienste
• Technologien: React, TypeScript, Anthropic Claude, OpenAI, MCP, RAG, Microsoft Graph, Power Platform, Azure

• Vollständig On-Premises betriebene LLM-Plattform zur Dokumentenprüfung für einen Compliance-kritischen Bankbereich: agentenbasierte LangGraph-Pipeline mit deterministischer Verifizierung, jedes KI-Urteil strukturiert und an die Quelle gebunden; ~960 automatisierte Tests, kein Datenabfluss
• GPU-Durchsatzoptimierung (quantized serving, speculative decoding, prefix caching): 9.5-fache Beschleunigung der Extraktion, 500+ Fallakten mit mehreren Dokumenten pro Tag auf einer einzelnen A100
• KI-native EDI/EDIFACT-Integrationsplattform (~116k LOC Java 25 / Spring Boot 4, 1,900+ Tests): Von LLM erstellte Partnermappings werden vor dem Go-live maschinell verifiziert (DFDL-Konformität, Feldabdeckungsprüfungen, Testläufe), ~99.5% Byte-Übereinstimmung bei echten Kundendateien – ersetzt wochenlange manuelle Zuordnung pro Partner

Multi-Agenten-Plattform zur Dokumentenerstellung

Problem:

Aus einem einzelnen Prompt ein gut recherchiertes, strukturiertes und mit Quellen belegtes Dokument erstellen und dabei die Kontrolle beim Nutzer belassen: Jeder Schritt kann geprüft, korrigiert oder erneut aufgerufen werden, bevor das System fortfährt.

Architektur:

Ein Multi-Agenten-System, das von einer zentralen Steuerung koordiniert wird. Mehr als 20 spezialisierte pydantic-ai-Subagenten (Verstehen, Strukturieren, Planen, Recherchieren, Schreiben, Zusammenstellen, Querverweise prüfen, Glossar, Zitate, Referenztabelle und mehr) geben Ergebnisse anhand eines gemeinsamen, in Postgres gespeicherten Plans (asyncpg) weiter. Eine Runner-Schicht weist jede Aufgabe anhand ihres Namens einem Agenten zu. Mechanische Schritte wie Formatierung, Inhaltsverzeichnis und Abbildungsverzeichnis werden durch deterministischen Code statt durch LLM-Aufrufe erledigt. Der Anbieter (Anthropic oder OpenAI) wird über eine Konfiguration festgelegt, und Antworten werden über Server-Sent Events gestreamt.

Hosting & Infrastruktur:

Ein zustandsloser Container läuft als Scaleway Serverless Container in einem privaten Netzwerk mit verwaltetem PostgreSQL, Objektspeicher für fertige Dokumente und Assets sowie zentraler Protokollübertragung (Loki / Scaleway Cockpit). Bereitstellung mit OpenTofu-Modulen und Deployment über GitLab CI; die Nutzung wird pro API-Schlüssel abgerechnet.

Mein Beitrag und wichtige Entscheidungen:

• Zentrale Entscheidungssteuerung: Ein Zufriedenheitsklassifikator wandelt die Freitext-Rückmeldung des Nutzers in eine Entscheidung um (weiterarbeiten, fortfahren, abbrechen oder eine frühere Aufgabe überarbeiten). Eine Middleware wendet sie auf den Plan an. Der Plan kann zu früheren Aufgaben zurückspringen und die darauffolgenden Schritte erneut ausführen.
• Parallele Recherche und Texterstellung: Die Planung erstellt einen Plan, aus dem ein Recherche-Design-Agent einzelne Rechercheaufgaben und ein Schreib-Design-Agent einzelne Schreibaufgaben erstellt, die jeweils mit der benötigten Recherche verknüpft sind. Jede Aufgabe wird in einem eigenen Agenten mit eigenem Gesprächsverlauf ausgeführt.
• Selbstprüfung und Einbindung des Menschen: Nach jedem Schritt prüft ein Agent für kritisches Denken das Ergebnis. Bevor der Plan fortgesetzt wird, kann der Nutzer eine Kritik annehmen, überarbeiten oder Fragen dazu stellen.
• MCP-Integrationen: Zwei entfernte MCP-Server für die Websuche und die interne Dokumentensuche sind über pydantic-ai angebunden, mit Wiederholungsversuchen und Timeouts für lang laufende Tool-Aufrufe. Klassifikator-Agenten entscheiden für jede Aufgabe, ob eine Websuche nötig ist. Ein kleines Modell fasst rohe Suchergebnisse zu strukturierten Erkenntnissen zusammen, bevor sie die Schreibagenten erreichen.

Nutzungsabrechnung:

Kunden authentifizieren sich mit einem API-Schlüssel, der über einen Schlüsselverwaltungsdienst geprüft wird. Der Verbrauch wird in Credits abgerechnet, berechnet anhand der Token-Nutzung pro Modell zuzüglich eines Aufschlags. Bei ausgeschöpftem Kontingent wird HTTP 429 zurückgegeben.

• In diesem Projekt wurden Informationsdaten extrahiert, um das Verfassen von Berichten für ein Unternehmen zu unterstützen, das geopolitische, globale und kommerzielle Informationen bereitstellt. Die Daten wurden aus verschiedenen Quellen gesammelt (Interviewtranskripte, Online-Daten, interne Dokumente) und anschließend zu einer Wissensbasis zusammengeführt. Diese bildete die Grundlage für ein komplexes RAG-System, das anhand eines Golden Dataset evaluiert wurde. Agenten wurden eingesetzt, um widersprüchliche Informationen und sich gegenseitig bestätigende Aussagen zu finden sowie das generierte Wissen wieder zu speichern.

Verwendet: Python, RAG, LangGraph, LangChain, deepeval, MCP

• Entwicklung einer MCP-Schicht (Model Context Protocol) für den Agentur-Service von Mwanachama, die Methoden von Domain-Managern in aufrufbare Werkzeuge für AI-Agenten umwandelt. Dazu gehörte ein zusammengesetztes Werkzeug, das aus einer einzigen Spezifikation ein vollständiges Organisationsdesign erstellt (Organigramm, Ziele, Workflows, RACI-Matrix).
• Entwicklung des chatgesteuerten Agentur-Builders (Wakala Studio und API), in dem eine Organisation ihre Struktur in natürlicher Sprache beschreibt und ein AI-Agent diese Werkzeuge verwendet, um das laufende Design zu erstellen und zu ändern.
• Hinzufügen eines Insights-Services, mit dem eine Organisation AI-Agenten-Interaktionen und abgeschlossene Arbeiten überprüfen kann. Die Erkenntnisse aus dieser Überprüfung fließen in das Lösungsdesign zurück, freigegeben durch Architekt und Nutzer.
• Parallel dazu Entwicklung und Aufbau der Plattform selbst: etwa 20 Go-Microservices auf PostgreSQL, Flutter- und React-Clients, bereitgestellt auf Kubernetes.
• AI-Agenten durchsuchen die Plattform autonom nach Sicherheitslücken und führen skriptbasierte Tests durch, einschließlich API-Tests (im Stil von Postman) und UI-Tests. Die übrige Arbeit bleibt überwacht. Keine außer Kontrolle geratenen Agenten, versprochen.
• Entwicklung einer AI-nativen Unternehmensplattform, die Organisationsdaten, Workflows und Verantwortlichkeiten für Menschen und AI-Agenten strukturiert.
• Abbildung von Verantwortlichkeit durch RACI, sodass menschliche und AI-Teilnehmer unterschiedliche operative Rollen übernehmen können, darunter Responsible, Accountable, Consulted und Informed. AI-Agenten können außerdem kontrollierte Freigaberollen übernehmen, wenn die Organisation ihnen diese Verantwortung zuweist.
• Übertragung der Themen Organisations- und operationelles Risiko aus meiner Executive-MBA-Thesis in Software, sodass Rollen, Prozesse und Kontrollen explizit und maschinenlesbar werden.
• Strukturierung des Unternehmenskontexts, damit LLM-Interaktionen relevantere Informationen verwenden, anstatt wiederholt große Mengen unstrukturierter Inhalte zu verarbeiten.

• Steuerung zentraler Experience-Bereiche bei der Neugestaltung einer groß angelegten E-Commerce-Plattform für Telekommunikation mit Fokus auf die Auswahl von Mobilfunktarifen, Produktkonfiguration und den digitalen Vertragsabschluss.
• Entwicklung skalierbarer, Figma-basierter White-Label-Lösungen in einem multinationalen Scrum-Setup zur effizienten Einführung über mehrere Marken hinweg.

• 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

Procure Ai entwickelt eine Beschaffungsplattform mit Tools zur Optimierung von Einkauf und Lieferantenmanagement. Sie bietet Echtzeitanalysen, Einsparpotenziale und automatisierte Workflows. Ein gemeinsames Datenmodell integriert und ergänzt Daten aus mehreren ERP- und E-Procurement-Systemen, darunter Ivalua, SAP, Coupa, WPS und Jaggaer.

06/2025 – HEUTE:

• Konzeption und Entwicklung einer neuen KI-nativen Beschaffungsplattform mit Dokumentenintelligenz, einer Agenten-Orchestrierungsebene auf Basis von Mastra und LLM-basierter Workflow-Automatisierung für Anwendungsfälle in den Bereichen Lieferantenmanagement, Intake und Kategorienmanagement
• Agentenbasierte Entwicklungs-Workflows im gesamten Entwicklungsteam eingeführt, die LLM-gestützte Codegenerierung und automatisierte Reviews ermöglichen und die Durchlaufzeit sich wiederholender Entwicklungsaufgaben messbar verkürzen
• Migration des Design Systems von Material UI zu shadcn/ui mit Tailwind, um die Konsistenz zu verbessern und den Aufwand für die Frontend-Entwicklung zu verringern
• Weiterhin direkt an Frontend-, Backend- und KI-Funktionen mitgearbeitet, während das Engineering-Team von 10 auf 20+ Engineers wuchs: Recruiting, Onboarding, 1:1-Gespräche und Mentoring

06/2020 – 06/2025:

• Als erster Engineer nach den beiden Gründern eingestiegen; gemeinsam mit dem CTO die Plattformarchitektur und Produktvision von Grund auf gestaltet und die Plattform auf 10 Unternehmenskunden ausgebaut
• Die Fullstack-Entwicklung von Funktionen für die zentrale Beschaffungsplattform geleitet, mit Schwerpunkt auf Anwendungsfällen in den Bereichen Analytics, Suche und autonome Verhandlungen: MVP-Umfang festgelegt, technische Entscheidungen an den Kundenergebnissen ausgerichtet und Arbeiten eingestellt, die keinen Mehrwert brachten
• Eine feldbasierte Konfigurationsanforderung für autonome Verhandlungen hinterfragt und stattdessen einen knotenbasierten Regel-Editor entwickelt, der der Denkweise von Category Managern mit Bedingungen und Verzweigungen entspricht; später auch für andere Workflow- und Entscheidungskonfigurationen wiederverwendet
• Mandantenfähige Authentifizierung und fein abgestufte Autorisierung auf Basis von Organisationseinheiten entwickelt und umgesetzt
• Eine mandantenfähige Admin-Anwendung zur Verwaltung von Kundeninstallationen in verschiedenen Umgebungen konzipiert und entwickelt, einschließlich Konfiguration, Feature Flags und i18n
• Ein eigenes, auf Material UI basierendes Design System erstellt und gepflegt, das im gesamten Produkt zum Einsatz kommt
• CI/CD-Pipeline und vollständige QA-Suite eingerichtet und gepflegt (Linting sowie Unit-, Integrations- und E2E-Tests)
• Einen Release-Prozess für mehrere Umgebungen mit Helm und Helmfile konzipiert und umgesetzt; Verantwortung für Infrastructure as Code in AWS und Azure übernommen
• Neue Tools und Frameworks recherchiert und erprobt; Make-or-Buy-Entscheidungen getroffen, um Entwicklungsgeschwindigkeit, Kosten und langfristige Wartbarkeit in Einklang zu bringen
• Das Engineering-Team von 4 auf 10+ Engineers vergrößert, Engineers betreut und eine Kultur der Eigenverantwortung, Code-Reviews und schrittweisen Auslieferung aufgebaut

Technologien: TypeScript, JavaScript, React, Node.js, Fastify, GraphQL, GraphQL Codegen, GraphQL Mesh, GraphQL Yoga, Hasura, Apollo Client, REST, CubeJS, PostgreSQL, Prisma, Elasticsearch, Meilisearch, Typesense, Kafka, Avro, Karapace, Kubernetes, Docker, Terraform, OpenTofu, Helm, Helmfile, GitLab CI, Keycloak, Better-Auth, OpenFGA, Nx, Vite, Vitest, Playwright, Testing Library, Storybook, Chromatic, Material UI, shadcn/ui, Tailwind, React Flow, recharts, i18next, Backstage, Grafana, Sentry, Zod, Claude Code, Codex, Mastra, Vercel AI SDK, Vercel AI Elements, AWS, Azure