> ls -la /whoami

Websites, Telegram-Services und AI-Tools für Unternehmen

Ich mache aus Ideen funktionierende Produkte: von Landingpage oder Bot bis zum internen Service mit Integrationen und AI-Funktionen.

Cases ansehen Was du beauftragen kannst Projekt besprechen

2006 weg begonnen

100+ projekte

∞ codezeilen

LLM forschung

Code ist eine Denkweise, nicht nur ein Beruf.

/leistungen

Was du beauftragen kannst

Wähle einen verständlichen Aufgabentyp — danach definieren wir Umfang, Timing und den kürzesten Weg zum Launch.

Websites und Web-Produkte

Landingpages, Portfolios, Kundenportale und Services mit durchdachtem Interface und zuverlässigem Backend.

Ähnliche Cases ansehen ↗ 02

Telegram-Bots und Mini Apps

Bots, Mini Apps, Zahlungen, Benachrichtigungen und Admin-Panel — ein kompletter Kundenflow in Telegram.

Ähnliche Cases ansehen ↗ 03

Business-Automatisierung

Interne Tools, Integrationen, operative Abläufe, Reports und Routinen, die nicht in Tabellen leben sollten.

Ähnliche Cases ansehen ↗ 04

AI-Funktionen und Assistenten

RAG, Support-Assistenten, Dokumentverarbeitung und AI-Funktionen mit Quellen, Evaluierung und menschlicher Kontrolle.

Ähnliche Cases ansehen ↗

/projects

Cases aus der Praxis

all telegram web-produkte automatisierung ai desktop

BotHub: Telegram-Marketplace

Laravel 12 React Telegram Bot API Telegram Mini App MoonShine MySQL Queue Payments

Eine Telegram-orientierte Plattform, die Link-/Bot-Aggregation, Shop und Checkout in einem Produkt ohne separate Registrierung zusammenführt.

↗

MoonShift: Schicht- und Lohnbetrieb in Telegram

Laravel 12 MoonShine Telegram Bot API Matrix Scheduler Queue MySQL

Ein Verwaltungssystem für Disponententeams, bei dem Operatoren über Telegram-Bots arbeiten und Admins Schichten, Attendance, Gehaltsabrechnung und Reports in einem Panel steuern.

↗

Support-AI-Assistent: Retrieval- + Moderations-Layer

LLM RAG Python OpenAI Moderation Queue PostgreSQL Observability

Ein Support-Workflow, der Retrieval, sichere Prompt-Constraints und Metriken kombiniert, um repetitive Support-Fälle zu reduzieren.

↗

> alle Projekte ansehen →

/timeline

20 Jahre Praxis: von ersten Websites bis zum AI/LLM-Lab.

2006 Begann Websites als Hobby zu bauen

2008 Universität und erste kommerzielle Projekte

2012 Desktop-Entwicklung und komplexe Systeme

2016 Web, Backend, Frontend und Architektur

2023 LLM, KI und neue Horizonte

2026 Lerne weiter und baue Neues...

still building →

/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

RAG-Pipeline ohne Magie

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

lab: rag-lab / retrieval / evals

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

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

Eine Aufgabe? Lass uns den Weg zum Launch klären.

Schreib über die Idee, das aktuelle Produkt oder den Prozess, den du automatisieren möchtest. Ich helfe bei der Lösung und einer ehrlichen Einschätzung des nächsten Schritts.