online

> ls -la /whoami

Hi, ich bin Fullstack-Entwickler mit Erfahrung seit 2006

Ich entwickle Web, Desktop, Automatisierung und LLM-Systeme. Wichtig sind mir sauberer Code, anspruchsvolle Aufgaben und Werkzeuge, die Entwickler produktiver machen.

2006 weg begonnen
100+ projekte
codezeilen
LLM forschung

Code ist eine Denkweise, nicht nur ein Beruf.

/projects

Ausgewählte Arbeiten

alle web desktop llm experimente

NeuralFlow

LLM Python FastAPI

Eine Plattform für die Arbeit mit LLM-Modellen und eigenen Daten.

DataBridge

Web TS Next.js

Ein System für Monitoring und Analytics in Echtzeit.

DevStudio

Desktop C# WPF

Eine plattformübergreifende Studio-App für Entwicklung, Automatisierung und interne Engineering-Prozesse.

/lab

Experimente und Forschung

Das Lab ist ein Arbeitsstand für LLM, RAG, AI Planning, Code Intelligence und Admin-Workflows. Ich dokumentiere überprüfbare Hypothesen statt schöner Versprechen: was automatisierbar ist, wo Menschen die Kontrolle behalten müssen und wie man es production-ready macht.

> llm-playground

in Arbeit

Ein gemeinsamer Stand für schnelle Checks: Prompts, Systemanweisungen, Tool Calling, JSON-Antworten, Streaming und Modellverhalten auf denselben Eingaben.

ai-agent code-miner prompt-studio rag-lab
> run experiment.py loading model... gpt-4o building context... ok generating... ███████████ 78% result: brauchbar
// principle

Ich suche keine magischen Tools. Ich baue funktionierende Systeme.

/notes research log

Feldnotizen aus dem AI Lab

LIVE BUILD NOTES
01

RAG-Pipeline ohne Magie

Wie ich einen Retrieval-Layer baue: Quellen, Chunking, pgvector, Eval-Sets, Tracing und ehrliche Qualitätsprüfung.

lab: rag-lab / retrieval / evals
02

AI-Factory Task-Planning-Loop

Wie ein Planer funktionieren sollte: Ziel, Zerlegung, Skill-Auswahl, Checkpoints, Execution Trace und manuelle Freigabe riskanter Aktionen.

lab: ai-factory-planner / skills / execution trace
03

Context Mining für große Codebases

Wie man aus einem Repository nicht nur Dateien holt, sondern ein nützliches Context Pack: Entrypoints, Abhängigkeiten, Risikozonen und Entscheidungshistorie.

lab: code-miner / repo context / LLM handoff

/about :: senior fullstack operator

Ich baue Produkte, in denen Interface, Daten und AI-Modell als ein System funktionieren müssen.

Ich begleite den ganzen Zyklus: Architektur, Prototyp, Production-Infrastruktur, Observability und saubere UX. Ich mag komplexe Domänen, in denen Hypothesen schnell geprüft werden müssen, ohne Engineering-Disziplin zu verlieren.

TypeScript React Next.js Node.js Python Postgres Redis OpenAI API RAG Queues CI/CD Telemetry
INPUTcontext.md
VECTORpgvector index
MODELreasoning loop
TOOLSapi + workers
$ run senior-stack --mode=production
architecture: clean | telemetry: on | ai: assisted
output: systems that survive real users

/contact :: open channel

Brauchst du einen Engineer, der ein AI-Produkt bis in Production bringt?

Schreib mir, wenn du einen Fullstack-Lead für MVP, internes Tool, AI-Integration oder Architektur-Audit brauchst. Ich steige schnell in den Kontext ein, spreche klar und hinterlasse ein System, das das Team versteht.

E-Mail schreiben