Ausgewählte Projekte
AI Code Review for Azure DevOps
Selbst gehosteter, LLM-gestützter Pull-Request-Reviewer für Azure DevOps. Eine Python-CLI und ein wiederverwendbares Pipeline-Template prüfen den Diff mit einem selbst kontrollierten Modell und posten die Ergebnisse als Inline-PR-Kommentare.
Herausforderung: Automatisierte Reviews überfluten Reviewer oft mit Stilhinweisen und wiederholen sich bei jedem Push. Der Prompt zielt nur auf echte Fehler, Findings werden an geänderte Diff-Zeilen gebunden, versteckte Marker verhindern doppelte Kommentare, und Teams können repositoryspezifische Hinweise in Markdown ergänzen. Findings der Stufe HIGH und CRITICAL lassen den Build fehlschlagen, und Code geht nur an einen Endpunkt innerhalb der eigenen Cloud-Grenzen, hinter dem AI-Gateway.
RAG Chatbot
Full-Stack-AI-Chatbot mit Next.js, Vercel AI SDK und PostgreSQL mit pgvector. Er beantwortet Fragen aus einer eigenen Wissensbasis, streamt die Antworten und speichert Chats pro Nutzer.
Herausforderung: LLMs raten, wenn ihnen Fakten fehlen, und neues Wissen erfordert meist einen separaten Ingestion-Prozess. Hier entscheidet das Modell per Tool Calling selbst, wann es Wissen speichert oder abruft: Nutzer bringen ihm neue Fakten im normalen Gespräch bei und erhalten Antworten, die darauf basieren.
Auf GitHub ansehenPython Observability Decorators
Leichtgewichtige Python-Decorators und strukturierte Events für Datenpipelines in Microsoft Fabric, Databricks und PySpark. Die Events gehen an Azure Event Hubs oder einen Fabric Eventstream.
Herausforderung: Schlägt ein Schritt in einer Notebook-Pipeline fehl, erfährt man das oft spät und ohne zu wissen, welcher Lauf, welche Tabelle oder welche Parameter betroffen waren. Die Decorators hängen jedem Fehler-Event einen laufweiten Kontext an, ohne bestehende Funktionen zu verändern, und werfen die Exception erneut, sodass Orchestratoren den Fehler weiterhin sehen.
Auf GitHub ansehenLightweight Data Entry App
Web-App mit Vue 3 und Node.js zum Durchsuchen, Bearbeiten und Validieren von BigQuery-Tabellen, gesteuert über Metadatentabellen statt fest codierter Schemata.
Herausforderung: Fachanwender müssen Referenz- und Planungstabellen pflegen, sollen aber keinen direkten Datenbankzugriff erhalten. Das Backend prüft jedes Änderungspaket gegen die Tabellen-Metadaten, wendet es an und protokolliert jede Änderung in einem Audit-Log, sodass Änderungen kontrolliert und nachvollziehbar bleiben.
Auf GitHub ansehen