Abgeschlossene Projekte

Cloud-Services, Control-Workflows, Operatoren und mandantenfähige Systeme - jedes in Produktion gebracht.

Projekte

Cloud-Services, Control-Workflows und die Systeme drumherum - entworfen und in Produktion gebracht. Code, Docs und Runbooks inklusive.

AI-Copilot

Contenox — Open-Source AI-Agent-Runtime

TL;DR: Local-first KI-Agenten-Runtime, die zu einem einzigen Go-Binary kompiliert wird und das Verhalten über versionierte YAML-Chains statt über proprietären Code definiert.

Das Problem: Der Betrieb von KI-Agenten erfordert meist komplexe Python/Node-Umgebungen, proprietäre API-Gateways und ein hohes Infrastruktur-Setup, was zu Latenz und hohem Betriebsaufwand führt.
Die Umsetzung: Konzeption und Implementierung einer modularen Go-Engine mit Policy-as-Config-Ausführungsketten. Integration nativer LLM-Schnittstellen (llama.cpp, OpenAI, Anthropic) sowie Model-Context-Protocol-Handler (MCP/ACP) direkt in-process.
Der Stack: Go, MCP/ACP-Spezifikationen, llama.cpp-API, SQLite, PostgreSQL.
Das Ergebnis: 26+ Open-Source-Releases unter Apache-2.0 veröffentlicht, Latenz für lokale Tool-Aufrufe auf unter 100 ms gesenkt und das Deployment auf ein einzelnes 30-MB-Binary reduziert.

AIAgentsGoMCPOpen Source

Contenox Teams — MCP-Server & Dokumenten-SaaS

TL;DR: Mandantenfähige SaaS-Plattform zur Erweiterung der Contenox-Runtime um Dokumentenspeicherung, Vektorsuche (RAG) und Model-Context-Protocol-Zugriff.

Das Problem: Teams benötigen ein zentrales, sicheres Repository, um interne Dokumente zu indizieren und über verschiedene lokale oder Cloud-basierte KI-Agenten abzufragen, ohne RAG-Pipelines pro Agent neu aufzubauen.
Die Umsetzung: Entwicklung eines mandantenfähigen RAG-Dienstes mit Dokumenten-Parsing und Vektorembeddings. Implementierung der SaaS-Verwaltung inklusive RBAC, Einladungs-Flows für Mitglieder, Audit-Logs und Stripe-Payment.
Der Stack: Go (RAG + MCP), Next.js, Postgres (pgvector), Stripe, GCP, Terraform, k3s.
Das Ergebnis: Bereitstellung einer produktionsbereiten SaaS-Control-Plane, die Dokumenten-Corpora indiziert und für externe Agenten via MCP mit einer Vektorsuchlatenz von unter 200 ms bereitstellt.

SaaSMulti-tenantRAGMCPNext.js

SaaS Product

TechCareer - SaaS

TL;DR: Full-Stack B2C SaaS-Produkt mit automatisiertem PDF-Parsing und KI-gestützter Content-Generierung.

Das Problem: Entwicklung einer skalierbaren Consumer-Anwendung, die sicheres PDF-Parsing, schnelle KI-Textgenerierung, Benutzer-Onboarding und Abonnementzahlungen ohne unnötigen Infrastruktur-Overhead erfordert.
Die Umsetzung: Implementierung der Web-Applikation auf Basis von Next.js Server Components und React. Entwurf der Datenbankschemata und Zeilen-Sicherheitsrichtlinien in Supabase sowie Integration der Stripe-Zahlungszyklen über Serverless Functions.
Der Stack: Next.js, React, Supabase (Postgres), Stripe, TailwindCSS.
Das Ergebnis: Bereitstellung einer produktionsreifen Web-App inklusive Stripe-Anbindung bei einer Entwicklungszeit von unter 3 Monaten.

SaaSNext.jsStripeSupabase

Direktiv — Kubernetes-Native Engine

TL;DR: Optimierung des Event-Bus und Überarbeitung des Monitoring-Systems einer Kubernetes-nativen Workflow-Engine.

Das Problem: Bei hoher Last traten in der Workflow-Engine Latenzspitzen und Paketverluste auf, während gleichzeitig die Transparenz zur Fehleranalyse laufender Workflows unzureichend war.
Die Umsetzung: Optimierung des internen Event-Routings, Entkopplung blockierender Datenbankabfragen in Go und Integration strukturierter Protokollierung (slog). Aufbau von Observability-Pipelines über OpenTelemetry, Fluent Bit und Prometheus.
Der Stack: Go, Kubernetes, Knative, PostgreSQL, OpenTelemetry, Prometheus, Grafana.
Das Ergebnis: Steigerung des Event-Durchsatzes um den Faktor 10 und Reduzierung der Ausführungslatenz auf kritischen Pfaden auf unter 5 ms.

KubernetesGoObservabilityEvent Streaming

Multi-Tenant ERPNext-Plattform — Operator & Control Panel

TL;DR: Kubernetes-native Plattform und Control Plane zur automatisierten Bereitstellung und Wartung isolierter ERPNext-Instanzen für B2B-Kunden.

Das Problem: Die manuelle Provisionierung und Administration von ERPNext-Instanzen für eine wachsende Kundenzahl führte zu Konfigurationsabweichungen und hohem operativen Wartungsaufwand.
Die Umsetzung: Entwicklung eines Kubernetes-Operators in Go zur Verwaltung des Lifecycles von Containern, Datenbanken und S3-Backups. Entwicklung eines Dashboards für Day-2-Operations (Datenbank-Migrationen, Backups, Updates) sowie Automatisierung der Infrastruktur mittels Terraform und Ansible.
Der Stack: Go, Python, Kubernetes (operator-sdk), Terraform, Ansible, Jenkins, IONOS Cloud.
Das Ergebnis: Reduzierung der Provisionierungszeit pro Tenant von mehreren Stunden auf unter 5 Minuten, wodurch der Betrieb von 50+ isolierten ERPNext-Instanzen durch einen einzigen Operator ermöglicht wurde.

IONOSTerraformKubernetesERPNextPlattform

Projekt besprechen?

Cloud-Architektur, IaC oder ein AI-native Produkt - ich helfe, produktive Systeme zu formen, die Ihr Team betreiben kann, mit Docs und Runbooks.

Projekt anfragen