18.06.2026 aktualisiert
Premiumkunde
100 % verfügbarSenior Software Engineer für Agentic AI, RAG & LLM-Systeme.
München, Deutschland
Weltweit
Master of Science in Robotics, Cognition, IntelligenceÜber mich
Ich baue Multi-Agenten-Pipelines (LangGraph, MCP) und RAG-Systeme in Produktion – mit 8+ Jahren C/Embedded-Fundament für KI, die nicht nur in der Demo läuft. Ich baue, bis es läuft.
Skills
RAGLLMLangChainC (Programmiersprache)AutomatisierungLinuxPythonC-Basierte Programmiersprachen Machine LearningNatural Language ProcessingChatbotsLarge Language ModelsMulti-Agent SystemsGenerative AIHuggingFace
Schwerpunkt: LLM, RAG & Agentic AI
LangChain & LangGraph für Multi-Agenten-System, eigene MCP-Server, Tool Calling, Structured Output, RAG, Vektorsuche (pgvector), Context Engineering, OpenAI API, Azure OpenAI, Vision-Language-Modelle
LLM-Inferenz & Optimierung
vLLM, llama.cpp (Custom-Builds), Hugging Face (PEFT, TRL), Quantisierung (GPTQ, FP8, GGUF), LoRA, SFT, Speculative Decoding (EAGLE), CPU-Optimierung (AVX2, FMA, AVX_VNNI), Open WebUI
Fullstack & Backend
Python, FastAPI, REST-APIs, React, Next.js, TypeScript, Streamlit, PostgreSQL/pgvector, Pydantic, mypy
DevOps & Infrastruktur
Linux, Docker, Docker Compose, AWS, Azure, CI/CD (GitLab CI, GitHub Actions)
Programmiersprachen
Python, C++, C, TypeScript, Bash,
Embedded & Systems (Fundament)
Embedded Linux (Yocto), C/C++-Firmware, CAN-Bus (J1939, CANopen, SocketCAN), ARM, Raspberry Pi, ESP32, Sensorfusion, Echtzeitsysteme
Sprachen
DeutschMutterspracheEnglischverhandlungssicher
Projekthistorie
Kontext: Eigenfinanzierter Startup-Versuch (3-köpfiges Team)
Rolle: Technische Architektur & Co-Entwicklung
Tech-Stack: Python, TypeScript, Next.js, FastAPI, LangChain, LangGraph, MCP, OpenAI API, PostgreSQL/pgvector, Docker, AWS EC2, Pydantic, mypy
Produkt & Validierung: Konzeption und Entwicklung eines lauffähigen Fullstack-MVPs zur Automatisierung von Talent Sourcing, Dokumentenextraktion und HR-Workflows. Erfolgreiche Validierung des Marktes durch strukturierte Kundeninterviews.
Architektur & Deployment: Aufbau des einheitlichen Dashboards (Next.js, FastAPI) mit durchgängiger Typsicherheit und Datenvalidierung durch Pydantic und mypy. Containerisiertes Deployment via Docker Compose auf einer AWS-EC2-Instanz.
Multi-Agenten-Orchestrierung: Entwurf einer zustandsbehafteten, 4-stufigen Sourcing-Pipeline in LangGraph (Stellenprofilierung, iterative Vektorsuche via pgvector, Evaluierung und Outreach-Generierung) mit PostgreSQL-basiertem Checkpointing.
Dokumentenanalyse & Integration: Implementierung einer zuverlässigen PDF-Extraktionspipeline mittels Vision-Language-Modellen für unstrukturierte Lebensläufe. Entwicklung eigener MCP-Server zur autonomen Interaktion mit Slack, ClickUp und Google Sheets.
Human-in-the-Loop: Integration eines HITL-Prüfschritts am Ende der Pipeline zur manuellen Qualitätskontrolle der Shortlists und KI-generierten Ansprachen vor der externen Ausführung.
Tech-Stack: Python, Linux (Embedded), SocketCAN, J1939, React, TypeScript, Vite, Autodesk Fusion, Raspberry Pi
Umfang: Eine universelle Steuereinheit für Baggeranbaugeräte nach dem MiC-4.0-Standard.
Ergebnis: Funktionsfähiger PoC gebaut und demonstriert; Validierungsinterviews mit potenziellen industriellen Nutzern durchgeführt. Die Hardware-Richtung wurde zugunsten eines softwarefokussierten Folgeprojekts innerhalb desselben Startup-Versuchs eingestellt.
Embedded-System: Entwicklung eines funktionsfähigen PoC auf Basis von Embedded Linux. Der CAN-Stack wurde nativ in Python mit SocketCAN implementiert, mit eigenständiger Programmierung des J1939-Protokoll-Parsings (PGNs/SPNs).
HMI/Frontend: Entwicklung einer responsiven webbasierten GUI mit React und TypeScript (gebaut mit Vite), um Echtzeit-Monitoring der Maschinentelemetrie und Fernkonfiguration zu ermöglichen.
Sicherheit: Implementierung von Watchdog-Mechanismen, die sofort reagieren, wenn Kommunikationszyklen über einen definierten Zeitraum ausfallen, um einen sicheren Systemzustand zu gewährleisten.
Tech-Stack: Linux, Python, REST-API, Docker, RAG
Aufgabe: Automatisiertes Vorab-Screening von Merge Requests zur Entlastung der Entwickler, motiviert durch eine durch wiederkehrende Review-Zyklen ausgelastete Engineering-Kapazität.
Innovation & Eigeninitiative: Proaktive Identifikation dieses organisatorischen Engpasses und Entwicklung eines eigenen, hauseigenen KI-Review-Agenten von Grund auf, noch bevor kommerzielle KI-Code-Review-Tools (wie sie inzwischen nativ in GitHub und anderen Plattformen verfügbar sind) am Markt weit verbreitet oder zugänglich waren.
Deployment: Bereitstellung als CLI-Tool, das Entwicklern erlaubte, den Agenten lokal auf ihren eigenen Rechnern auszuführen. Der Workflow erforderte, dass Entwickler ihren Code zunächst in das Repository pushten, bevor sie das Tool zur Analyse des offenen Merge Requests aufriefen.
Ergebnisse: Neben der Durchsetzung der Coding-Richtlinien lieferte das Tool umsetzbares Feedback und schlug konkrete Verbesserungen an Logik und Struktur vor. Diese frühe, kontextbewusste Intervention fing Routineprobleme ab, hob die grundlegende Codequalität an und reduzierte die Review-Müdigkeit der Ingenieure vor dem manuellen Peer Review.