Ich bin IT-Consultant, Senior Backend-Entwickler und KI-Spezialist aus Jena. Seit vielen Jahren unterstütze ich Unternehmen – insbesondere in stark regulierten Bereichen wie dem Finanz- und Logistiksektor – bei der Modernisierung von Altsystemen, der Leistungsoptimierung komplexer Datenflüsse und dem Aufbau zukunftssicherer Softwarearchitekturen.
Aktuell bin ich als Senior Consultant bei der CGI Deutschland im Test Center of Excellence (Team: Security & AI Testing) tätig, wo ich mich als KI-Spezialist auf die Verifikation und Absicherung von KI-Modellen sowie auf die Entwicklung KI-gestützter Softwarelösungen fokussiere.
Mich fasziniert die Schnittstelle zwischen robustem Software-Engineering (Java/Spring Boot, C++, Rust) und moderner Künstlicher Intelligenz. Mein methodischer Fokus liegt auf Context Engineering (Prompt-Optimierung, Prefix-Caching), Agentic-RAG-Systemen und semantischem Wissensmanagement. In meiner Freizeit entwickle ich performante Open-Source-Projekte wie meine in Rust geschriebene Schach-Engine.
Eine performante, von Grund auf in Rust entwickelte Schach-Engine. Sie basiert auf effizienten Bitboard-Datenstrukturen und implementiert fortgeschrittene Such- und Beschleunigungsalgorithmen (Iterative Deepening, Alpha-Beta-Pruning, Transpositionstabellen). Die Engine erreicht Spitzen-Suchgeschwindigkeiten von über 22 Millionen Stellungen pro Sekunde (NPS) und spielt auf einem geschätzten Niveau von 2200 Elo.
Eine voll funktionsfähige Webanwendung zur Aggregation und Analyse von fundamentalen Unternehmens- und Marktdaten. LalaStocks importiert täglich Rohdaten von Finanzprovidern, führt automatisierte Berechnungen durch und stellt die Kennzahlen in einem reaktiven React/PrimeReact-Frontend bereit. Enthält zudem eine Docker-Infrastruktur sowie Schnittstellen zur automatisierten Handelsausführung (Alpaca API) und qualitative KI-Nachrichtenanalyse.
Technische Neukonzeption und Migration geschäftskritischer Altsysteme (Legacy-Software) hin zu modernen Microservice-Architekturen im stark regulierten Banken- und Logistikumfeld. Zu den Aufgaben gehörten die Optimierung der Performance täglicher Batchläufe, die Absicherung von Schnittstellen mittels OAuth 2.0 / OIDC und die Umsetzung komplexer Risikomodelle zur Bestimmung des Counterparty-Ausfallrisikos unter Einbeziehung aktueller Marktdaten.
Klassische, manuell gepflegte Notizsysteme stoßen bei großen Datenmengen schnell an ihre Grenzen. Die Zukunft des Wissensmanagements in Unternehmen gehört modellunabhängigen RAG-Systemen. Wie wir Daten semantisch erschließen und Spezialwissen sichern.
In vielen Unternehmen schlummert wertvolles Spezialwissen in unstrukturierten Dokumenten, Mails und Notizen. Gehen erfahrene Mitarbeiter in den Ruhestand, droht oft ein erheblicher Wissensverlust. Herkömmliche Suchmechanismen auf Dateiverzeichnisebene scheitern hier, da sie nur stumpf nach exakten Schlüsselwörtern suchen.
Retrieval-Augmented Generation (RAG) löst dieses Problem, indem es Dokumente in hochdimensionale Vektoren (Embeddings) übersetzt. So kann eine KI nicht nur nach Worten, sondern nach der Bedeutung und dem Kontext einer Frage suchen.
"Wissen ist nur dann wertvoll, wenn es im richtigen Kontext, zur richtigen Zeit und modellunabhängig abrufbar ist. KI-Wissensmanagement macht genau das möglich."
Im modernen Context Engineering betrachten wir den Prompt als strukturierten Datenraum. Durch Prefix-Caching und semantisches Anchoring können Kosten um bis zu 90 % gesenkt und Latenzen drastisch reduziert werden, während "Context Rot" effektiv verhindert wird.
Moderne Sprachmodelle besitzen gigantische Kontextfenster, die ganze Codebases oder Dokumentenbände fassen. Doch blindes Befüllen führt zu zwei Problemen: exorbitanten Kosten und einem Qualitätsabfall in der Mitte des Kontexts („Context Rot“ / Lost in the Middle). Context Engineering löst diese Probleme systematisch.
Strukturiere deinen Prompt wie einen Programmcode. Verwende XML-Tags oder eindeutige Markdown-Trenner, um Instruktionen von den eigentlichen Daten abzugrenzen:
Um die Caching-Infrastruktur moderner LLM-Provider optimal zu nutzen, muss der Prompt-Anfang absolut statisch bleiben. Sobald sich auch nur ein einzelnes Zeichen (z. B. ein Zeitstempel oder eine wechselnde User-ID) am Anfang ändert, bricht der Cache und die vollen Kosten für die Verarbeitung des Kontexts fallen erneut an.
Um zu verhindern, dass die KI wichtige Fakten aus der Mitte des Kontexts ignoriert, instruieren wir das Modell zu striktem Zitationsverhalten (Citation Formatting). Durch die Aufforderung, jede Behauptung mit Zeilennummern oder direkten Quelltext-Zitaten zu belegen, wird die Aufmerksamkeit des Modells mathematisch auf die Daten gelenkt und Halluzinationen werden eliminiert.
| Modelltyp | Steuerungsstrategie | Best Practice |
|---|---|---|
| Native Reasoning (z. B. OpenAI o3, DeepSeek R1) |
Zielorientierte Zero-Shot-Instruktionen | Vermeide "Denke Schritt für Schritt". Diese Modelle strukturieren ihre Denkkette vollautomatisch intern. |
| Klassische Modelle (z. B. Anthropic Claude 3.7) |
Explizite logische Steuerung | Nutze strukturierte Tags wie <thinking>, um die Argumentationskette vor der Antwort gezielt zu steuern. |