Baue Systeme, die denken – und laufen.

KI ist ein Problem der Systemarchitektur

KI wird wertvoll, wenn sie mit echten Daten, echten Anwendungen, echter Infrastruktur und echten Einschränkungen arbeiten kann. Das Modell ist nur eine Komponente. Der schwierige Teil besteht darin, alles darum herum so zu gestalten, dass das Gesamtsystem zuverlässig funktioniert.

Meine Arbeit konzentriert sich auf diese Architektur: wie Modelle auf Wissen zugreifen, Belege abrufen, Werkzeuge nutzen, mit Software interagieren, Daten austauschen und Teil von Systemen werden, die tatsächlich im Produktivbetrieb laufen können.

Das bedeutet, über KI-Architektur, Anwendungslogik, APIs, Datenbanken, Full-Stack-Plattformen, Infrastruktur, Deployment und Betrieb hinweg zu arbeiten, anstatt KI als isoliertes Feature zu behandeln.

Aktueller technischer Fokus

Meine aktuelle Arbeit konzentriert sich auf die Schicht zwischen Modellfähigkeit und zuverlässigem Systemverhalten: zu entscheiden, wann ein Modell sein eigenes Wissen nutzen kann, wann es externe Informationen abrufen muss, welche Belege ausreichend sind, wie Agenten Aktionen ausführen sollten und wo Systemgrenzen durchgesetzt werden müssen.

• Retrieval-Augmented Generation und Auslöser für den Abruf
• Agentensysteme, Werkzeugnutzung und Ausführungsschleifen
• Kontextgrenzen, Belege und Zuverlässigkeit von Antworten
• Modell-Routing und fähigkeitsbewusste Architekturen
• Private, lokale und selbst gehostete KI-Infrastruktur
• Integration von KI in echte Anwendungs- und Datenworkflows

Architektur von KI-Systemen

Moderne KI-Anwendungen werden nicht allein aus einem Sprachmodell gebaut. Zuverlässige Systeme erfordern Entscheidungen über Wissen, Abruf, Kontext, Werkzeuge, Anwendungszustand, Validierung, Modellauswahl und Fehlerbehandlung.

• RAG und Integration externen Wissens
• Entscheidungen zum Abruf und Auswahl von Belegen
• KI-Agenten und werkzeugbasierte Workflows
• Lokale und entfernte Modellarchitekturen
• Modell- und Fähigkeits-Routing
• Kontextdesign und Verwaltung von Kontextgrenzen
• Strukturierte Ausgaben und API-Integration
• Validierung, Observability und Fehlerbehandlung

Die zentrale architektonische Frage ist daher nicht einfach, welches Modell verwendet werden soll. Sie lautet, was das Modell weiß, was es nicht weiß, was es abrufen muss, welche Werkzeuge es verwenden darf, welche Belege ausreichend sind und wann das System aufhören muss, einer generierten Antwort zu vertrauen.

Plattformarchitektur

KI ist eine Schicht eines größeren Softwaresystems. Ich entwerfe Plattformen mit klaren Anwendungsgrenzen, wiederverwendbaren Diensten, strukturierten Datenmodellen und produktionsorientierter Architektur statt isolierter Features.

• Cloud-native und selbst gehostete Architekturen
• Multi-Tenant- und Multi-Instance-Plattformen
• Backend-Dienste und API-Architektur
• PostgreSQL und Anwendungsdatenmodellierung
• Authentifizierung, Autorisierung und rollenbasierter Zugriff
• Mehrsprachige und internationalisierte Systeme
• Headless-Content- und strukturierte Publishing-Plattformen
• In bestehende Anwendungslogik integrierte KI-Dienste

Full-Stack-Systementwicklung

Architektur ist am wichtigsten, wenn sie die Implementierung übersteht. Ich arbeite über Frontend, Backend, Daten und Infrastruktur hinweg, damit architektonische Entscheidungen von der Benutzeroberfläche bis hinunter zur Datenbank, Laufzeitumgebung und Deployment-Schicht kohärent bleiben.

Typische Systeme kombinieren Nuxt- und Vue-Frontends, Node.js- und TypeScript-Dienste, PostgreSQL- und Prisma-Datenschichten, Python, wo es die bessere technische Passung bietet, und Linux-basierte Produktionsinfrastruktur.

Produktionsengineering

Ein Prototyp demonstriert eine Idee. Ein Produktionssystem muss Deployment, echte Daten, sich ändernde Anforderungen, Nutzerverhalten, Traffic, Upgrades, Ausfälle und kontinuierliche Weiterentwicklung überstehen.

• Linux-Serverumgebungen
• NGINX und Anwendungs-Routing
• Anwendungs-Deployment und Laufzeitbetrieb
• Datenbankmigrationen und Datenlebenszyklus
• Build- und Release-Workflows
• Logging, Diagnose und technisches Monitoring
• Performance, Crawlbarkeit und Auslieferungsbeschränkungen
• Integration lokaler und gehosteter KI-Laufzeitumgebungen

In der Praxis entwickelte Systeme

Die hier beschriebene Architektur ist nicht theoretisch. Sie entsteht durch Systeme, die ich entwerfe, baue, betreibe und kontinuierlich erweitere.

Aaasaasa KI-Client

Eine Desktop-KI-Anwendung auf Basis von Electron und TypeScript mit Unterstützung lokaler und remote Modelle, Anbieter-Abstraktion, sicheren Anwendungsgrenzen und Integration externer KI-Laufzeitumgebungen.

Enterprise Aaasaasa

Eine unternehmensorientierte Plattformarchitektur, die Anwendungsdienste, strukturierte Daten, rollenbasierte Zugriffskontrolle, mehrsprachige Inhalte, KI-Fähigkeiten und modulare Geschäftsfunktionalität kombiniert.

stajic.de Plattform

Eine Produktionsplattform für strukturiertes Publizieren, mehrsprachige Auslieferung, KI-gestützte Workflows, technische Forschung und Experimente rund um Suche, Retrieval und KI-lesbares Wissen.

Unabhängige Produktionsplattformen

loving.rocks, figure.rocks und verwandte Systeme erweitern denselben Engineering-Ansatz in unabhängige Produktionsumgebungen mit eigenen Zielgruppen, Inhaltsmodellen, mehrsprachigen Strukturen, Suchanforderungen und betrieblichen Einschränkungen.

Technische Forschung & Publikationen

Ein wesentlicher Teil meiner aktuellen Arbeit untersucht die Grenze zwischen der Leistungsfähigkeit von Sprachmodellen und zuverlässigem Anwendungsverhalten. Das Ziel ist, komplexe KI-Architektur in Konzepte zu übersetzen, die erklärt, getestet, hinterfragt und implementiert werden können.

• Wie RAG Modelle mit externem Wissen verbindet
• Woher ein LLM seine Informationen bezieht und wo Retrieval beginnt
• Wann ein KI-System aufhören sollte, sich auf Modellwissen zu verlassen
• Wie Evidenz ausgewählt und validiert werden sollte
• Warum größere Kontextfenster nicht automatisch bessere Antworten liefern
• Wie sich Agent-Loops von verwalteter Agent-Infrastruktur unterscheiden
• Wie private KI-Architektur Infrastrukturentscheidungen verändert
• Wo die Antwortzuverlässigkeit zwischen Retrieval und Generierung zusammenbricht

Diese Themen bilden eine zusammenhängende technische Wissensbasis und keine Sammlung isolierter Artikel. Jedes behandelt eine andere Grenze innerhalb moderner KI-Systeme.

Ein System, keine Sammlung von Funktionen

Frontend, Backend, KI, Daten und Infrastruktur werden oft als getrennte Disziplinen diskutiert. In der Produktion beeinflussen sie sich kontinuierlich gegenseitig.

Eine Retrieval-Entscheidung verändert die Datenarchitektur. Die Datenarchitektur beeinflusst APIs. APIs beeinflussen den Anwendungszustand. Der Anwendungszustand beeinflusst das Agentenverhalten. Die Infrastruktur begrenzt die Modellauswahl. Die Sucharchitektur beeinflusst, wie Informationen sowohl von Menschen als auch von Maschinen entdeckt werden.

Mein Ansatz ist daher systemorientiert: die vollständige Kette verstehen, bevor eine einzelne Komponente optimiert wird.

Technische Grundlage

• TypeScript und JavaScript
• Nuxt und Vue
• Node.js und Nitro
• Python
• PostgreSQL und Prisma
• REST und Anwendungs-APIs
• Electron
• Linux und NGINX
• Docker und servicebasiertes Deployment
• OpenAI-APIs und Agenten-Tooling
• Lokale LLM-Laufzeitumgebungen einschließlich Ollama
• Strukturierte Inhalte und EditorJS

Architektur muss auch lieferbar sein

Technische Architektur existiert innerhalb von Produkten, Projekten, Budgets, Abhängigkeiten und Deadlines. Meine Arbeit verbindet daher Engineering mit strukturierter Lieferung, anstatt technische Entscheidungen von der Implementierungsverantwortung zu trennen.

Mehr als zwei Jahrzehnte praktischer IT-Arbeit werden durch formale Projekt- und Liefermethoden ergänzt, einschließlich IPMA- und Professional Scrum Master-Zertifizierung. Diese Methoden unterstützen die Engineering-Arbeit; sie ersetzen sie nicht.

Etwas bauen, das tatsächlich laufen kann

Das Ziel ist nicht, KI an alles anzuhängen. Es geht darum, zu identifizieren, wo KI echte Systemfähigkeiten bietet, die Architektur darum herum zu entwerfen und die umgebende Software stark genug zu bauen, damit diese Fähigkeit nützlich wird.

Von Retrieval und Modellverhalten bis hin zu APIs, Daten, Schnittstellen und Infrastruktur bleibt der Fokus derselbe: technisch kohärente Systeme, die von der Architektur in die Produktion übergehen.