Agentische Entwicklungsprozesse durch Context Engineering, klare Specs, modulare Skills und Workflows, spezialisierte Subagents sowie automatisierte Validierungsschleifen belastbar gestalten.
01 / Profil
Agent-first mit Engineering-Fundament.
Autonome Umsetzung braucht fachliche Kontrolle über Architektur, Codequalität und technische Risiken. Diese Kontrolle stützt sich auf ein mathematisches Fundament und acht Jahre Erfahrung in der Software- und Systementwicklung für sicherheitskritische Anwendungen. So entstehen verlässliche, praxistaugliche KI-Lösungen.
Kernkompetenzen
Software für datengetriebene, Embedded- und Full-Stack-Systeme entwickeln, Architekturen, Datenflüsse und Schnittstellen entwerfen sowie Qualität durch Typsicherheit, automatisierte Tests und CI/CD absichern.
Belegt durch
Lokale LLM-Infrastruktur, Offline-RAG und abgesicherte Schnittstellen aufbauen, um sensible Unternehmensdaten zu schützen und KI-Workloads datensouverän im eigenen Netzwerk zu betreiben.
Belegt durch
Einsatzpotenziale und Grenzen von KI-Modellen fundiert bewerten, Aufgaben durch präzises Context- und Prompt-Design strukturieren und Ergebnisse anhand definierter Kriterien systematisch evaluieren.
Belegt durch
Entwicklungsumgebungen und Toolchains bewerten, Best Practices für Agentic Engineering im Team verankern und Kollegen zur produktiven Nutzung KI-gestützter Entwicklungswerkzeuge befähigen.
Belegt durch
02 / Systeme
Systeme statt Schlagworte.
Entwickelt und orchestriert mit Claude Code, Codex, GitHub Copilot und Antigravity.
Fokusprojekte
Company Brain
Toolagnostischer Agent-Harness für Entwicklungsteams zur Strukturierung globaler Standards, privater Workspaces und Repositories mit Skills, Workflows und MCP-Anbindungen.
Tech-Stack & Architektur
Agent Harness · Context Engineering · Skills, Workflows & Hooks · MCP · Tool-Agnostik
Lokales RAG-System
Containerisiertes Offline-RAG-System für unternehmensweite Dokumenten-Chats mit lokalen Open-Source-Modellen auf eigener GPU-Infrastruktur unter voller Datensouveränität.
Tech-Stack & Architektur
RAG · Lokale LLMs · HuggingFace · GPU-Infrastruktur · vLLM · Docker · Kubernetes · Helm · Datensouveränität
GiftFlow
Agentisch entwickelte Full-Stack-Webanwendung für Gruß- und Gutscheinkarten mit Supabase RLS, Stripe- und Tremendous-Integration, 3D-Canvas und Playwright E2E-Tests.
Tech-Stack & Architektur
Next.js · TypeScript · Supabase RLS · Stripe API · Tremendous API · Three.js · Playwright
Entwicklungssysteme
Persönlicher Agent-Workspace
Persönlicher Agent-Harness und Wissensarchitektur: Strukturiert privates Projektwissen, Specs und Session-Handoffs mit automatisierter Verwaltung von Learnings.
Tech-Stack & Architektur
Agent Harness · Context Engineering · Wissensarchitektur · Obsidian · Feedback-Loops
Home Assistant
Automatisierte Steuerung vernetzter Smart-Home-Geräte basierend auf internen und externen Sensordaten (Präsenz, Raumklima, Wetterdaten) im Rahmen eines agentisch gepflegten IoT-Systems.
Tech-Stack & Architektur
YAML · Jinja2 · Zigbee2MQTT · ESP32 · Automations-Engine
Angewandte KI
KI-Voice-Agent
Event-getriebener Echtzeit-Sprachagent für autonome Bewerbungsinterviews mit Webhook-basierter Nachbereitung, strukturierter Transkript-Auswertung und automatisiertem Slack-Reporting.
Tech-Stack & Architektur
Voice Agents · Vapi · n8n · Webhooks · Structured Outputs
ML-gestütztes CRM
Full-Stack-Anwendung zur Lead-Verwaltung mit FastAPI REST-Schnittstelle, React-Dashboard, Docker-Setup und ML-Modellen (PyTorch, TensorFlow) zur Lead-Statusvorhersage.
Tech-Stack & Architektur
Python · FastAPI · React · Machine Learning · PyTorch · Docker
AI Enablement & Automatisierung
GitHub Copilot Enablement
GitHub Copilot im Team eingeführt, Best Practices für KI-gestützte Entwicklung etabliert und Kollegen für die produktive Nutzung geschult.
Tech-Stack & Architektur
GitHub Copilot · Enablement · KI-Tooling
Prozessautomatisierung
Wiederkehrende Entwicklungs-, Simulations- und Auswerteprozesse durch Python-basierte Tooling-Pipelines und CI/CD-Anbindungen systematisch automatisiert.
Tech-Stack & Architektur
Python · CI/CD Automation · Developer Tooling · Daten-Pipelines
03 / Arbeitsmodell
Kontext und Agents steuern. Ergebnisse verantworten.
- Spec vor Code.Ziel und Akzeptanzkriterien stehen vorab fest.
- Autonomie ist begrenzt.Befugnisse und Stop-Kriterien sind eindeutig geregelt.
- Evidenz entscheidet.Tests und unabhängige Prüfung belegen Qualität.
Kontextsystem aufsetzen
VorgehenAufgabenbezogene Workspaces einrichten und Memory Files auf das universelle Minimum reduzieren. Projektregeln, Konventionen und Toolchains klar hierarchisch strukturieren, während fachspezifische Abläufe erst bei Bedarf über Skills und MCP-Integrationen in den Kontext geladen werden.
QualitätsgateDer Harness bleibt schlank, der Token-Kontext fokussiert und jede Session startet mit exakt den benötigten Befugnissen.
Ziel und Grenzen festlegen
VorgehenVor komplexen Aufgaben und Architekturentscheidungen den Agent im Plan Mode isoliert analysieren und recherchieren lassen, ohne Code zu verändern. Ziel, zulässige Autonomie, freigabepflichtige Aktionen und Stop-Kriterien klären, um Kontextverschmutzung durch unüberlegte Versuche zu verhindern.
QualitätsgateDas Vorgehen ist vor der ersten Zeile Code verstanden, die Grenzen der Autonomie sind definiert und kritische Aktionen erfordern explizite Bestätigung.
Spec und Prüfplan ableiten
VorgehenPlanen und Bauen sauber trennen, indem vor jeder Umsetzung eine versionierte Feature-Spec entsteht. Auf Basis des dokumentierten Projektgedächtnisses werden Ziel, technische Randbedingungen und messbare Akzeptanzkriterien inklusive Prüfpfad vorab verbindlich definiert.
QualitätsgatePlanen und Bauen sind entkoppelt, die Spec ist eindeutig und die Prüfmethodik für alle Akzeptanzkriterien steht verbindlich fest.
Umsetzung orchestrieren
VorgehenDie Spec in kleine, unabhängig prüfbare Arbeitspakete zerlegen und die Umsetzung an spezialisierte Subagents delegieren. Als Orchestrator steuert der Entwickler Schnittstellen, Kontext und Abhängigkeiten, während Agents inkrementell bauen und zügig integrieren.
QualitätsgateArbeitspakete sind klar abgegrenzt, Abhängigkeiten sauber entkoppelt und jedes Inkrement ist unmittelbar lauffähig sowie integrierbar.
Unabhängig validieren
VorgehenDas Arbeitsergebnis in frischem Kontext gegen die Akzeptanzkriterien der Spec prüfen, um Bestätigungsfehler des implementierenden Agenten auszuschließen. Automatisierte Testsuiten, Typprüfungen und gezielte Edge-Case-Checks liefern reproduzierbare Evidenz für die finale Abnahme.
QualitätsgateAlle Kriterien der Spec sind mit harten Fakten belegt, Nebeneffekte sind ausgeschlossen und die Freigabe basiert auf messbarer Qualität.
Wissen verankern
VorgehenArchitekturentscheidungen und Konzepte im Projektgedächtnis dauerhaft festhalten. Gewonnene Erkenntnisse fließen direkt in Regeln oder automatisierte Tests ein, während temporäre Spezifikationen archiviert werden, um Kontextdrift und Altlasten zu verhindern.
QualitätsgateCode und Dokumentation sind synchron, das System lernt aus Fehlern und der Projekt-Harness bleibt für zukünftige Sessions aufgeräumt.
04 / Berufserfahrung
Engineering für den produktiven Einsatz.
AI / ML Software Engineer Video / Image
M4Com SYSTEM GmbH
Python-Softwareentwicklung für Video- und Bildsysteme mit Fokus auf lokale KI-Infrastruktur, RAG-Systeme und Coding-Agents.
- Lokale KI-Infrastruktur und Hardware-Sizing (NVIDIA H200) konzipiert sowie Coding-Agent-Workflows aufgebaut
- Datensouveräne KI-Workloads von der Evaluation bis zum produktiven Betrieb vorangetrieben
F&E-Ingenieur SW-Entwicklung
ZF Group
Modulare Software für Motorregelungen sowie systematische Automatisierung von Entwicklungs- und Validierungsprozessen.
- Entwicklungs- und Simulationsprozesse mit Python systematisch automatisiert
- KI-gestützte Entwicklung im Team etabliert und Wissen weitergegeben
- CI/CD-Pipelines in Azure DevOps für automatisierte Builds und Tests implementiert
F&E-Ingenieur SW- und Funktionsentwicklung
FERCHAU · Einsatz bei ZF Group
Software- und Funktionsentwicklung für intelligente Getriebediagnose.
- Diagnosefunktionen für PKW-Automatikgetriebe entwickelt und datenbasiert abgestimmt
- Mit SIL-, HIL- und Fahrzeugtests validiert
05 / Fundament
Analytische Tiefe, praxiserprobter Stack.
Erfahrung in datengetriebenen, Embedded- und sicherheitsrelevanten Systemen: Architektur, Full-Stack, Datenverarbeitung, Schnittstellen, Tests und CI/CD.
- Python
- TypeScript
- FastAPI
- React
- PyTorch
- vLLM
- SQL
- Supabase
- MATLAB & Simulink
- Azure
- Docker
- Linux
- CI/CD
- Git
- C
Ausbildung & Weiterbildung
- M.Sc. TechnomathematikTechnische Universität Berlin · 04.2015–04.2018
- B.Sc. WirtschaftsmathematikUniversität Ulm · 10.2011–04.2015
- KI-ManagerEverlast AI · Zertifikat ↗
- Claude Code MasterclassEverlast AI · Zertifikat ↗
- Agentic Coding MasterclassEverlast AI · laufend