Arbeiten
Open Source,in Betrieb,mit Tests belegt.
Öffentliche Repositories, selbst gebaute KI-Werkzeuge und ein Fullstack-Case. Nichts davon ist Demo — alles läuft, ist einsehbar und getestet.
Open Source & KI-Engineering.
2 öffentliche Werkzeuge, die ich für die eigene Arbeit gebaut habe: lore (auf PyPI, mit CI und Security-Scanning) und context-parachute (Agent-Handoff über Kontextgrenzen). Beide MIT-lizenziert.
Eigene Claude-Skills.
Selbst gebaut, täglich im eigenen Betrieb.
Kontext-Management
Sessions überleben Kontextgrenzen: Handoff-Artefakte, persistentes Gedächtnis, geordnete Übergaben zwischen Agenten.
Kostenbewusstes Modell-Routing
Jede Aufgabe geht ans günstigste Modell, das sie noch sauber löst — teure Modelle nur, wo sie den Unterschied machen.
Qualitäts-Gates
Nichts gilt als fertig ohne Beleg: Verifikation vor dem Abschluss, Review-Schritte, Leitplanken gegen stille Fehler.
Engineering-Case
Pridovo
Ein WM-Tippspiel, gebaut wie Produktionssoftware. Next.js 16 und React 19 im Frontend, Fastify 5 im Backend, PostgreSQL mit Prisma. Die API ist mit 273 Tests abgedeckt, die kritischen Abläufe zusätzlich mit Playwright-End-to-End-Tests. Deploy über Docker und Traefik auf eigenem Server — live und im Betrieb, kein Prototyp.
Es zeigt, wie ich Software baue: typsicher, getestet, sauber deploybar, nachvollziehbar betrieben. Wie derselbe Ansatz auf Kundenseite aussieht, steht im Beispiel.
Infrastruktur, die ich selbst betreibe.
Für Entwicklung und Agent-Workloads betreibe ich eigene Compute-Ressourcen, erreichbar über ein Mesh-VPN. Deployment läuft über Cloudflare Pages und GitHub Actions, Konfiguration als Code statt Klick-Betrieb — dieselbe Disziplin wie in Kundenprojekten.
Für ein konkretes Gespräch — [email protected]. Nebenprojekte und Website-Experimente liegen auf labs.semek.org.