
pytest Experten in Deutschland
entwickeln, in wenigen Minuten mit geprüften Freelancern zusammengebrachtBeauftragen Sie Experten, die wartbare Python-Tests erstellen, Fixtures und Plugins integrieren und die CI-Qualität für APIs, Webanwendungen und Datendienste verbessern. FRATCH bringt Sie schnell und präzise mit geprüften, verfügbaren Freelancern zusammen.
Lerne FRATCH Experten in Deutschland kennen, die kürzlich pytest eingesetzt haben
Umut A.
Letzte Position:
Full-Stack-KI-Entwickler bei DB InfraGO AG
Hauptentwickler einer internen Audit-Plattform für IS-Auditoren. Sie führt Maßnahmen aus dem GRC-Tool zusammen mit ihrem Audit- und KI-Prüfstatus in einer gemeinsamen Arbeitsliste zusammen und bewertet sie mithilfe einer KI-Prüf-Pipeline. FastAPI, SQLModel, PostgreSQL und React/TypeScript in einer strikt hexagonalen Architektur.
- Entwarf die hexagonale Architektur (Ports und Adapter): einen frameworkfreien Domänenkern mit austauschbaren Adaptern für die GRC-Datenbank, die RAG- und LLM-Dienste sowie die Persistenz, abgesichert durch Architekturtests und ADRs.
- Entwickelte die asynchrone KI-Prüf-Pipeline (RAG + LLM): lang laufende Ausführungen auf einem persistenten, datenbankgestützten Worker mit den Phasen Indizierung, Abruf, Bewertung und Zusammenführung sowie LLM-Bewertungen, die an ein striktes JSON-Schema gebunden sind.
- Bindete ein Microsoft Fabric Lakehouse schreibgeschützt als maßgebliche Datenquelle ein, mit transaktionaler Synchronisierung der Maßnahmen (Upsert, Archivieren, Reaktivieren).
- Versionierte Berichtsansichtsmodelle, die jedes Ergebnis auf seine Kontrollen, Belegabschnitte und Quellen zurückführen. Die Ergebnisse werden in einer druckbaren, XSS-sicheren Berichtsansicht angezeigt; das Frontend basiert auf React 19, TanStack und shadcn/ui mit einem generierten OpenAPI-Client.
- Implementierte typgeprüfte und getestete Pipelines (mypy, ruff, pytest) und hielt Zugangsdaten für GRC, RAG, Datenbank und LLM aus dem Code heraus.
Muhammad S.
Letzte Position:
Full-Stack-Ingenieur bei ACTIMI
- Entwicklung einer FHIR-konformen Full-Stack-Lösung im Gesundheitswesen mit React, React Native und NestJS — Patienten-Apps und Webpanels für medizinisches Fachpersonal, integriert über MedPlum.
- End-to-End-Testabdeckung mit Jest + Cypress eingeführt und so die Zahl der in der Produktion entdeckten Regressionsprobleme gesenkt.
- Mobile Funktionen (Offline-Synchronisierung, sichere Push-Benachrichtigungen, Deep Linking) für React-Native-Module entwickelt, die von medizinischem Fachpersonal unterwegs genutzt werden.
- Ansätze zur Integration von KI/RAG für den Abruf klinischen Wissens geprüft und Erkenntnisse aus meiner Masterarbeit zu RAG-Pipelines angewendet.
- Die Codequalität durch TDD und strukturierte Code-Reviews im funktionsübergreifenden Team vorangetrieben.
Danish A.
Letzte Position:
Senior Full-Stack-Entwickler bei Zoi Tech
- Entwicklung von Full-Stack-Anwendungen mit React, Python und PostgreSQL.
- Aufbau KI-gestützter Lösungen mit LLMs, agentischen Workflows und Automatisierungstechnologien.
- Ausbau der Cloud-Engineering-Kenntnisse durch praktische AWS-Entwicklung und Vorbereitung auf die Zertifizierung AWS Certified Developer - Associate.
- Mitwirkung an Architekturgesprächen, Code-Reviews und agilen Softwareentwicklungsprozessen.
Ravindra K.
Letzte Position:
Data Engineer (Team Lead) bei OPTUM – UnitedHealth Group
- Aufbau des Lakehouse: Entwurf und Aufbau der Mitglieder- und Anspruchsberechtigungsdomäne eines Azure-Databricks-Healthcare-Lakehouses. Erfassung von Daten aus SQL Server sowie Datei- und REST/SFTP-Quellen (JSON, CSV, XML, Parquet) über Azure Data Factory in ADLS Gen2.
- Medallion-Pipelines: Transformation von Daten durch die Bronze-, Silber- und Gold-Schichten von Delta Lake mit PySpark und Spark SQL; Einsatz von Delta Live Tables / Lakeflow mit integrierten Erwartungen für deklarative Pipelines mit Qualitätsprüfungen.
- Modernisierung der Plattform: Bereitstellung einer Plattform für den Wechsel von SQL Server in die Cloud: ADF → ADLS Gen2 → Databricks → dbt Core-Modelle → Snowflake → Power BI. Ablösung älterer Berichte durch kontrollierte Analysen.
- Robustes ETL: Aufbau metadatengesteuerter, idempotenter vollständiger und inkrementeller Ladevorgänge sowie Watermark-gesteuerter Ladevorgänge mit Schema-Evolution und Fehlerstatusbehandlung. Verbesserung der Zuverlässigkeit und erneuten Ausführbarkeit.
- Datenmodellierung: Entwurf von Kimball-Sternschemata mit SCD Type 1 & 2-Dimensionen; Optimierung langsamer Abfragen und Pipelines mithilfe von Ausführungsplänen.
- Governance & Sicherheit: Einsatz von Unity Catalog RBAC, Lineage und Audit-Logging sowie Azure Key Vault-Secrets und verwalteten Identitäten zur Erfüllung der HIPAA- und GDPR-Anforderungen.
- Führung & Mentoring: Leitung eines 6-köpfigen Teams (2 Data Engineers, 2 Analysts, BI-Entwickler, QA); Mentoring von Engineers, Festlegung von Lieferstandards und Abstimmung mit internationalen Stakeholdern.
- Bereitstellung & KI-gestützte Arbeit: Durchführung von CI/CD und Aufgabenverfolgung in Azure DevOps; Aufbau von Power-BI-Semantikmodellen mit DAX und RLS; Einsatz von Genie Code, Claude und Copilot zur schnelleren Entwicklung von PySpark/SQL, DAX und Dokumentation.
Murad K.
Letzte Position:
Senior AI/ML-Ingenieur bei Quantistry GmbH
- Leitete die ganzheitliche Umsetzung von ML-/KI-Anwendungen für die QuantistryLab-Simulationsplattform – von der Anforderungsdefinition und Lösungsplanung über Entwicklung, Tests und Bereitstellung bis zur Unterstützung im Produktivbetrieb. Dabei koordinierte ich die Zusammenarbeit der Back-End-, DevOps- und ML-Teams.
- Entwarf und implementierte ein System zur Suche nach Verbindungen mit einem LLM mit offenen Gewichten, dem Agenten-Framework Pydantic AI und dem Model Context Protocol (MCP) und stellte es über FastAPI-Endpunkte bereit.
- Stellte den LLM-Service auf Basis von vLLM auf Kubernetes bereit und konfigurierte ihn.
- Entwickelte CI/CD-Pipelines und Helm-Charts, um Bereitstellungen in Staging- und Produktionsumgebungen zu automatisieren.
- Ergänzte das Suchsystem um OpenTelemetry-Spans und -Traces und integrierte es in die Observability-Plattform Honeycomb, um die Latenz einzelner Komponenten und Funktionsfehler zu überwachen.
- Entwickelte einen benutzerdefinierten Evaluierungsdatensatz und setzte Auswertungen für die Relevanz der Suchergebnisse, die Richtigkeit der Antworten, die Genauigkeit von Tool-Aufrufen und den Erfolg der Aufgaben von Anfang bis Ende um.
- Verkürzte die Vorhersagezeit für Infrarotspektren um 83 % (von 60 auf 10 Minuten), indem ich ein quantenmechanisches Modell durch ein vortrainiertes graph-neuronales Netzwerk ersetzte. Ich trainierte das Modell mit PyTorch weiter, entwickelte und containerisierte die Inferenzpipeline mit Docker und integrierte sie in die Plattform.
- Implementierte eine MLflow-Modellregistrierung mit MinIO-gestützter Artefaktspeicherung.
- Beriet Vertriebs- und Wissenschaftsteams zu ML-/KI-Anwendungen für potenzielle Kundenprojekte und brachte technisches Fachwissen in die Entwicklung vorgeschlagener Lösungen und Prototypen ein.
Technologien: AWS, Hetzner, Kubernetes, Helm, Docker, vLLM, Pydantic AI, MCP, Qwen, Llama 3, MLflow, MinIO, GitHub Actions, Python, FastAPI, OpenTelemetry, Honeycomb, PyTorch, Polars, pytest
Caleb C.
Letzte Position:
Senior Python-Backend-Engineer bei Simon-Kucher
Übertragungsnetzbetreiber – Plattform zur Netzwerkbereitstellung (Teamleitung)
- Entwarf den Saga-Orchestrator in Python, der Netzwerkstrukturen mit Rollback bereitstellt.
- Gliederte IP, Identität und Ressourcenverteilung in Bounded Contexts mit eigenen Datenbanken und typisierten Clients auf.
- Implementierte den Datenzugriff mit DDD-Repositories und Units of Work, ohne SQL im Domänencode.
- Führte Integrationstests mit echten PostgreSQL- und RabbitMQ-Containern sowie API-Fuzzing für jeden Service ein.
- Führte einen Agenten-Workflow ein, bei dem jede Änderung mit einer Spezifikation beginnt und ein Mensch jeden Merge freigibt.
- Rollte die automatische OpenTelemetry-Instrumentierung per GitOps über achtzehn Kubernetes-Cluster aus.
- Leitete die Reaktion auf Vorfälle bei festgefahrener Bereitstellung und hielt jeden Ausfall in einem Post-Mortem fest.
Verwendete Sprachen und Software: Python, FastAPI, Pydantic v2, SQLAlchemy async, PostgreSQL, RabbitMQ, Celery, pytest, testcontainers, schemathesis, Helm, Flux CD, GitLab CI, OpenTelemetry, pi coding agent.
Softwareproduktunternehmen – SaaS für Rechenzentrumssimulation (Backend-Entwicklung)
- Entwickelte als zweitgrößter von mehr als zwanzig Mitwirkenden die asynchrone Simulationspipeline.
- Kennzeichnete jedes Image in den GitHub-Actions-Deploy-Workflows mit Commit-SHA und SemVer.
- Diagnostizierte den RabbitMQ-Speicheralarm, der alle Simulationen zum Stillstand brachte, und korrigierte die Limits im Helm-Chart.
- Stellte die Testsuite auf pytest im Function-Style um und ließ die Testabdeckung in jeder Pipeline ausweisen.
Verwendete Sprachen und Software: Python, FastAPI, SQLAlchemy, Alembic, Celery, RabbitMQ, Redis, PostgreSQL, S3, EKS, Helm, Keycloak, GitHub Actions, pytest, mypy, ruff, SonarQube.
Interne KI-Plattform – Modellbereitstellung und Telemetrie
- Entwickelte den FastAPI-Service, der Open-Weight-Modelle auf GPU-Tiers als OpenAI-kompatible Endpunkte bereitstellt.
- Aktualisierte das EKS-Produktionssystem um zwei Kubernetes-Minor-Versionen und behob zonengebundene Speicherfehler.
- Erfasste jeden Modellaufruf mit Tokenanzahl, Kosten und Latenz über den OpenTelemetry-Operator.
Verwendete Sprachen und Software: Python, FastAPI, vLLM, LangGraph, pydantic-ai, OpenAI- und Anthropic-APIs, EKS, Helm, Flux CD, Terraform, GitLab CI, OpenTelemetry, Grafana.
Luigi C.
Letzte Position:
Senior Full-Stack-Entwickler bei Almuc Advertising GmbH
- Einsatz moderner JavaScript-Funktionen einschließlich ES6+-Syntax, Destructuring, Modulen, Array-Methoden und asynchroner Programmierung zur Entwicklung effizienter und gut lesbarer Frontend-Software.
- Umsetzung von Frontend-Integrationsmustern für PHP- und Laravel-Backend-Services, Anbindung von React-Oberflächen an REST-APIs und Verarbeitung strukturierter JSON-Daten.
- Entwicklung interaktiver, funktionaler und komponentenbasierter Frontend-Anwendungen mit React Hooks, JavaScript und TypeScript sowie Backend-Anwendungen und RESTful APIs mit Python, Django, Flask und FastAPI, mit Fokus auf wiederverwendbare Komponenten, modulare Architektur, Wartbarkeit und effiziente Datenverarbeitung.
- Pflege einer dynamischen Portfolio-Plattform mit PHP, Laravel, Livewire und MySQL sowie Umsetzung der vollständigen Funktionalität über Frontend-Oberflächen, Backend-Services und Datenbankoperationen hinweg.
- Überprüfung der serverseitigen Anfrageverarbeitung, des Routings, der Middleware und der Formularvalidierung mithilfe von Laravel-Funktionen zur Unterstützung zuverlässiger Anwendungsabläufe und einer konsistenten Datenverarbeitung.
- Entwurf und Verwaltung relationaler Datenbankstrukturen mit MySQL und Laravel Eloquent ORM sowie Implementierung von Datenmodellen, Beziehungen, Datenbankmigrationen und effizienten Abfragen für das Content-Management.
- Entwicklung KI-gestützter Anwendungen mit Large Language Models (LLMs) über externe APIs und lokal gehostete Modelle sowie Untersuchung praktischer Anwendungsfälle für dialogorientierte KI, intelligente Automatisierung und KI-gestützte Workflows.
- Entwicklung lokaler KI-Anwendungen und Entwicklertools zum Ausführen, Konfigurieren und Interagieren mit lokal gehosteten Sprachmodellen sowie praktische Erfahrung mit lokaler Inferenz, Modellintegration und datenschutzbewussten KI-Workflows.
- Untersuchung von Retrieval-Augmented-Generation-(RAG)-Ansätzen zur Kombination von Sprachmodellen mit externen Wissensquellen und zur Ermöglichung kontextbezogener Antworten auf Grundlage relevanter Anwendungsdaten und abgerufener Informationen.
- Integration von KI-Services in Backend-APIs und Anwendungskomponenten sowie Entwicklung wiederverwendbarer Module für Modellkommunikation, Antwortverarbeitung, Fehlerbehandlung und Datenaustausch.
Gabin Maxime N.
Letzte Position:
Multi-Agenten-Forschungs- und Entwicklungs-Pipeline (3 individuelle Agenten) bei Eigenständiges Projekt
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.
Murad H.
Letzte Position:
Gründer & Technischer Leiter bei Hubpoint.Ai
- Gründete ein KI-gestütztes SaaS für Terminplanung und Geschäftsverwaltung für kleine und mittlere Unternehmen und verantwortete Technologiestrategie, Architektur, Produktentwicklung, UX, Abrechnung und Go-to-Market.
- Entwickelte und realisierte eine mandantenfähige Plattform mit REST-APIs, RBAC, CRM, Abrechnung und Benachrichtigungen für das Manager-Dashboard, die Admin-Konsole, das Buchungserlebnis und iOS-/Android-Anwendungen.
- Führte und betreute 7 Softwareentwickler, 1 DevOps-Ingenieur, 1 QA-Ingenieur und 1 UX/UI-Designer und arbeitete gleichzeitig praktisch in den Bereichen Backend, Frontend und Produktentwicklung.
- Entwickelte KI-Sprach- und Chat-Agenten mit Python/FastAPI, OpenAI- und Anthropic-APIs, RAG, pgvector und Tool-Calling; integrierte Twilio, Google Calendar/Meet, Stripe und Firebase.
- Verantwortete die Produktiv-Infrastruktur und automatisierte die Auslieferung in getrennten Umgebungen mit Docker, Nginx, GitHub Actions und Grafana; vertrat das Unternehmen bei Acceleratoren und internationalen Startup-Veranstaltungen.
Ausgewählter Tech-Stack: Python, FastAPI, Node.js, Vue 3, React/Next.js, React Native, PostgreSQL, Redis, Docker
Syed Z.
Letzte Position:
CTO | Lead Full-Stack-Entwickler bei RoutineX-IQrew
- Solo-MVP in 3 Monaten -- von PRD zu SRS bis in die Produktion: 12 Django-Apps + React SPA mit JWT-Auth, vor dem Zeitplan geliefert.
- Echtzeit-Backend -- Django REST APIs, WebSocket-Channels, Celery + Redis-Queues, rollenbasierter Zugriff für 4 Benutzerrollen.
- Multi-Tenant SaaS -- isoliertes Tenant-Provisioning mit Kubernetes, Helm und FastAPI -- Subdomain in unter einer Minute live.
- CI/CD & Infrastruktur -- 5 Hetzner-Server, 3 Repos, branch-spezifische GitHub Actions für Auto-Deploy; kompletter Stack in Docker.
- Teamleitung -- 3 Entwickler in 3 Ländern eingestellt und geführt; in 9 Monaten über 450 Linear-Tickets abgeschlossen.
- Voller Produktumfang -- Kurse, Quizze, PDF-Zertifikate, Benutzer-Importe, Echtzeit-Benachrichtigungen, Analytics und Abo-Verwaltung.
- Live-Produkt -- veröffentlicht auf iqrew.de; App fertig, SaaS in der finalen Testphase, Marktstart steht kurz bevor.
- SSO & Sicherheit -- plattformübergreifendes SSO mit Einmal-Token, Server-zu-Server-Validierung, Tenant-Isolation und automatischer HTTPS-Erneuerung.
- Teststrategie -- 3-Layer-Pyramide: pytest, Jest/RTL + MSW, Playwright E2E mit Factory-Fixtures und rollenbasierter Auth für alle Rollen.
- Performance-Engineering -- Locust-Lasttests haben N+1-Engpässe gefunden (60s Timeouts); optimiert auf unter 250 ms bei 50 gleichzeitigen Nutzern, 0% Fehler.
- Stripe SaaS Billing -- Stripe-Webhook-gesteuerte Upgrades, automatisches Tenant-Provisioning, Self-Service-Onboarding vom Checkout bis zum live Tenant.
Peter S.
Letzte Position:
Senior ML Engineer & KI-Forscher bei Kunde anonym
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
Prajwal A.
Letzte Position:
Master Thesis bei Smart City Research Lab
Vom Rohdaten zum Feinschliff: Partizipative Design-Daten in stakeholdertaugliche Ergebnisse überführen
- Eine produktive Document-AI-Plattform mit Retrieval Augmented Generation (RAG) über 1.500+ partizipative Design-Artefakte entwickelt, um historische Projektanfragen mit fundierten Antworten zu beantworten.
- LLM-Evaluierung mit RAGAS, eigenen Bewertungsmetriken und Human-in-the-Loop-(HITL)-Validierungs-Workflows entworfen, um faktische Fundierung, Antwortqualität und Prompt-Performance zu bewerten.
- Ein Frontend mit React, TypeScript und D3.js für die interaktive Erkundung von KI-generierten Insights gebaut.
- Sicherheitsmechanismen und Guardrails für die LLM-Eingabeschicht implementiert, einschließlich PII-Redaktion und Filterung von vulgärer Sprache.
Maximilian B.
Letzte Position:
Mitentwickler bei Nikan AI Solutions GmbH
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.
Niklas W.
Letzte Position:
AI Engineer bei Tensora GmbH
- Konzeption und Entwicklung einer Multi-Tenant-SaaS-Plattform, mit der Unternehmen ihre eigenen Wissensdatenbanken aufbauen und mit individuell gebrandeten KI-Assistenten chatten können (White-Label-Ansatz mit dynamischem Branding pro Organisation).
- Implementierung einer skalierbaren RAG-Architektur mit einer GPT-4o-Tool-Use-Loop, hybrider semantischer Suche und strikter Mandantentrennung auf Datenbank- und Suchindex-Ebene.
- Aufbau persistenter, projektähnlicher Chat-Sessions inklusive Streaming-API (SSE), mehrsprachiger Unterstützung sowie Sprach-Ein- und Ausgabe (STT/TTS).
- Bereitstellung der Cloud-Infrastruktur als Infrastructure-as-Code, vollständig automatisierte CI/CD-Pipelines pro Kunde und ein Onboarding-Prozess für neue Mandanten.
Verwendete Technologien: Python, FastAPI, Pydantic (v2 noted), Next.js, React, TypeScript, Tailwind CSS, OpenAI / LLMs (GPT-4o), Azure AI Search, Cosmos DB, Azure Blob Storage, Azure Cognitive Services Speech, Azure App Service, Azure Container Registry, Retrieval-Augmented Generation (RAG), Server-Sent Events (SSE), Docker, Terraform, GitHub Actions, REST, OpenID Connect (OIDC), Multi-Tenancy
Victor O.
Letzte Position:
KI-Training Engineer bei Confidential AI Research Client
- Codebase-Bewertung & Problemdefinition: Entwarf und testete komplexe Softwareentwicklungsaufgaben anhand umfangreicher Open-Source-Python-Codebasen (einschließlich pandas). Dafür waren eine gründliche Einarbeitung und ein Verständnis der Architektur erforderlich, um klar abgegrenzte, realistische Aufgabenstellungen zu erstellen, die strengen Korrektheitsrichtlinien entsprachen.
- Analyse von Agentenfehlern: Bewertete die Lösungen von LLM-Coding-Agenten auf Korrektheit und Vollständigkeit und identifizierte relevante Fehler beim Umgang mit Sonderfällen, beim dtype-Verhalten und bei der NaN-Verarbeitung über mehrere Spalten hinweg. Dokumentierte die Ergebnisse präzise für die anschließende Bewertung.
- Entwicklung programmgesteuerter Testsuiten: Entwickelte umfassende pytest-Testsuiten, um von Agenten erstellte Lösungen programmgesteuert anhand definierter Anforderungen zu überprüfen. Dabei deckte ich gezielt Grenzfälle und Fehlerszenarien ab, die einfache Implementierungen nicht erkennen.
- Entwicklung containerisierter Umgebungen: Erstellte und debuggte Docker-Umgebungen für die reproduzierbare Ausführung von Agenten, einschließlich der Bereitstellung von Repositories über git, der Festlegung von Abhängigkeiten mit npm ci und der Erstellung mehrstufiger Dockerfiles für Linux-basierte Container.
Entdecke mehr als 15.000 Top-Freelancer
Statistiken von Experten, die pytest einsetzen
Aggregiert aus den beruflichen Profilen passender Freelancer.
Berufserfahrung
14 Jahre

Positionsdauer
1,9 Jahre

Positionen pro Freelancer
10

Häufigste Fachbereiche
Informationstechnologie (IT), Produktentwicklung, Qualitätssicherung

Häufigste Branchen
Informationstechnologie (IT), Automotive, Bildung

Fokus der Zertifizierungen
Informationstechnologie (IT), Qualitätssicherung, Produktentwicklung
Bachelor-Abschluss oder höher
97%
Master-Abschluss oder höher
74%
Doktortitel
12%

Zertifizierungen pro Freelancer
2

Häufigste Sprachen
Deutsch, Englisch, Französisch

Sprechen zwei oder mehr Sprachen
99%
Basierend auf unserem Profilpool, Stand 18 Nov 2026.
Tagessatzverteilung
Das Diagramm zeigt, wie sich die Tagessätze der Experten in dieser Technologie in Deutschland verteilen, basierend auf aktuellen Verträgen auf unserer Plattform. Jeder Balken deckt eine Tagessatzspanne ab – seine Höhe zeigt, welcher Anteil der Experten innerhalb dieser Spanne abrechnet.
Durchschnittssätze von Experten in Deutschland, die pytest einsetzen
Die Tagessätze basieren auf aktuellen Verträgen und enthalten keinen FRATCH-Aufschlag.
Der durchschnittliche Tagessatz ist der Mittelwert aller Tagessätze aus aktuellen Verträgen vergleichbarer Freelancer auf unserer Plattform.
Der Median-Tagessatz ist der mittlere Wert aller Tagessätze – die Hälfte der vergleichbaren Freelancer verlangt weniger, die andere Hälfte mehr. Anders als der Durchschnitt wird er von Ausreißern kaum beeinflusst.
Berechnet auf Basis der Tagessätze unserer Freelancer, Stand 18 Nov 2026. Die tatsächlichen Tagessätze können je nach Dienstalter, Erfahrung, Fachkenntnissen, Projektkomplexität und Auftragsdauer variieren.
Branchenfokus der pytest Experten
Sieh, in welchen Branchen unsere gematchten Freelancer am häufigsten tätig sind — jede Zahl wird live aus den Freelancern auf FRATCH berechnet.
- Informationstechnologie (IT) (96%)
- Automotive (39%)
- Bildung (39%)
- Fertigung (38%)
- Gesundheitswesen (35%)
- Bank- und Finanzwesen (32%)
- Telekommunikation (27%)
- Energie (25%)
Bitte beachte, dass Freelancer in mehreren Branchen tätig sein können, daher überschneiden sich die Prozentwerte.
Über die Technologie
Grundlage für Python-Tests
pytest ist ein Test-Framework für Python, das Testcode kompakt, lesbar und einfach erweiterbar hält. Es unterstützt sowohl einfache Funktionen als auch komplexe Testsuiten für Webservices, Kommandozeilentools, Datenpipelines und Komponenten für maschinelles Lernen. Teams nutzen es, um Verhalten zu überprüfen, Regressionen zu erkennen und erwartete Ergebnisse zu dokumentieren.
Fixtures und Parametrisierung
Fixtures stellen wiederverwendbare Einrichtung und Aufräumarbeiten für Datenbanken, Dateien, APIs, Browser und andere Testressourcen bereit. Mit Parametrisierung kann ein Test viele Eingaben abdecken, ohne dass Code dupliziert werden muss. Gute pytest-Spezialisten wählen Fixture-Gültigkeitsbereiche sorgfältig, isolieren Zustände und machen Fehler leicht diagnostizierbar, anstatt Probleme hinter komplexen Abstraktionen zu verbergen.
Plugins und Tools
Das pytest-Ökosystem verbindet Tests mit den Tools, die bereits in einem Python-Projekt verwendet werden. Häufige Optionen sind pytest-cov für die Testabdeckung, pytest-mock für kontrollierte Abhängigkeiten, pytest-asyncio für asynchronen Code sowie Playwright- oder Selenium-Integrationen für Browserprüfungen. Experten konfigurieren außerdem Marker, Fixtures, Berichte und die Tests-Erkennung über pyproject.toml oder andere Projekteinstellungen.
Wo Unternehmen es einsetzen
- REST- und GraphQL-APIs, Hintergrundprozesse und Service-Integrationen validieren
- Django-, Flask- und FastAPI-Anwendungen auf Unit- und Integrationsebene testen
- Datentransformationen, geplante Jobs und Pipelines für maschinelles Lernen prüfen
- Regressionstests in der CI mit isolierten Datenbanken und Mocks für externe Services ausführen
Wann externe Expertise hilft
Unternehmen holen häufig freiberufliche pytest-Expertise hinzu, wenn eine wachsende Testsuite langsam, fehleranfällig oder schwer zu warten wird. Spezialisten können eine Teststrategie entwickeln, fragile Skripte in klare automatisierte Tests umwandeln und lokale Prüfungen mit GitHub Actions, GitLab CI, Jenkins oder einer anderen Delivery-Pipeline verbinden. In Deutschland ist die remote Zusammenarbeit üblich, während die Arbeit vor Ort hilfreich sein kann, wenn Tests von privater Infrastruktur oder regulierten Systemen abhängen.
Was gute Spezialisten liefern
Gute Experten verstehen Python, die Anwendungsarchitektur und die Risiken hinter dem getesteten Code. Sie trennen Unit-, Integrations- und End-to-End-Prüfungen, wählen aussagekräftige Assertions und untersuchen Fehler an ihrer Ursache. Außerdem erklären sie die Absicht hinter Tests klar, prüfen Pull Requests konstruktiv und hinterlassen Teams Dokumentation und Muster, die auch nach Ende des Projekts gepflegt werden können.
Häufig gestellte Fragen
Die wichtigsten Details zu pytest, aus den Fragen, die uns am häufigsten erreichen.
pytest wird zum Testen von Python-Code eingesetzt – von kleinen Einheiten und Hilfsfunktionen bis hin zu APIs, Webanwendungen, Hintergrundprozessen und Datenpipelines. Es hilft Teams, Prüfungen zu automatisieren, Regressionen zu erkennen und wiederholbare Tests lokal oder in der kontinuierlichen Integration auszuführen.
pytest erfordert in der Regel weniger Boilerplate als Pythons integriertes unittest-Framework und verwendet einfache Funktionen, Fixtures und ausdrucksstarke Assertions. unittest bleibt eine solide Option aus der Standardbibliothek, während pytest häufig bevorzugt wird, wenn ein Projekt flexible Fixtures, Parametrisierung und ein umfangreiches Plugin-Ökosystem benötigt.
Ein guter pytest-Spezialist sollte Python-Paketierung, Git, SQL und HTTP sowie das getestete Anwendungs-Framework verstehen. Nützliche ergänzende Fähigkeiten sind Docker, Mocking, Contract-Testing, Browserautomatisierung und CI-Systeme wie GitHub Actions oder GitLab CI.
Für eine kleine Aufgabe beim Unit-Testing reicht möglicherweise ein Experte, der eine bestehende Python-Codebasis lesen und gezielte Testabdeckung ergänzen kann. Größere Migrationen, die Untersuchung fehleranfälliger Testsuiten oder die Neugestaltung der CI erfordern jemanden, der mit Testarchitektur, asynchronem Code, Datenbanken und Integrationsgrenzen vertraut ist.
Ja. pytest-Projekte eignen sich gut für die remote Zusammenarbeit, da Testcode, Ergebnisse und CI-Konfiguration in gemeinsamen Repositories geprüft werden können. Klare Tickets, reproduzierbare Umgebungen und schriftlich festgehaltene Entscheidungen sind wichtiger als die räumliche Nähe. Für Teams, die ihre Prozesse lokal dokumentieren, kann die Kommunikation auf Deutsch hilfreich sein.
pytest kann asynchronen Code über Plugins wie pytest-asyncio oder vergleichbare Async-Integrationen testen. Der Spezialist sollte Event-Loops, asynchrone Fixtures und Aufräumarbeiten verstehen und sicherstellen, dass Tests nicht nur deshalb erfolgreich sind, weil die Nebenläufigkeit falsch gemockt wird.
Achten Sie auf Tests mit klaren Namen, gezielten Assertions, kontrollierten Abhängigkeiten und hilfreichen Fehlermeldungen. Ein kompetenter pytest-Experte erklärt außerdem, was nicht abgedeckt ist, hält Integrationsprüfungen von Unit-Tests getrennt und jagt keinen Abdeckungszahlen hinterher, ohne die Sicherheit zu verbessern.
pytest kann Browser- und End-to-End-Tests mithilfe von Tools wie Playwright oder Selenium organisieren, wobei diese Tools die Browserautomatisierung selbst übernehmen. Ein Spezialist sollte Selektoren, Testdaten, Warteverhalten und Aufräumarbeiten verwalten, damit die Testsuite zuverlässig bleibt und nicht langsam oder fehleranfällig wird.
Der durchschnittliche Stundensatz von Freelancern in Deutschland, die pytest in ihren letzten Projekten eingesetzt haben, liegt bei 88 €, was einem Tagessatz von etwa 703 € bei einem 8-Stunden-Tag entspricht.
Von den Freelancern in Deutschland, die pytest in ihren letzten Projekten eingesetzt haben, haben 97% mindestens einen Bachelor-Abschluss, 74% mindestens einen Master-Abschluss und 12% einen Doktortitel.
Freelancer in Deutschland, die pytest in ihren letzten Projekten eingesetzt haben, haben im Durchschnitt 14 Jahre Berufserfahrung; ein einzelnes Projekt dauert typischerweise etwa 1,9 Jahre.
Die häufigsten Sprachen unter Freelancern in Deutschland, die pytest in ihren letzten Projekten eingesetzt haben, sind Deutsch (98%), Englisch (98%) und Französisch (18%).
Die häufigsten Industrien unter Freelancern in Deutschland, die pytest in ihren letzten Projekten eingesetzt haben, sind Informationstechnologie (IT) (96%), Automotive (39%) und Bildung (39%).
Die häufigsten Bereiche unter Freelancern in Deutschland, die pytest in ihren letzten Projekten eingesetzt haben, sind Informationstechnologie (IT) (98%), Produktentwicklung (93%) und Qualitätssicherung (66%).
Hauptstandorte der FRATCH Experten, die kürzlich pytest eingesetzt haben
Unsere Freelancer und Interim-Experten sind in der gesamten DACH-Region zuhause — verfügbar vor Ort in den wichtigsten Wirtschaftszentren oder komplett remote. Wähle einen Standort und entdecke passende Spezialisten, lokale Markteinblicke und aktuelle Verfügbarkeiten.
Länder:
- Deutschland
- Österreich
Kostenlose Demo vereinbaren
Kontaktiere uns und das FRATCH-Team meldet sich innerhalb von 4 Stunden bei dir.
Möchtest du lieber direkt mit uns in Kontakt treten?
Wir haben immer Zeit für einen Anruf oder eine E-Mail!

Berlin
München