Lead AI Engineer · Berlin
Faisal NaseerIch baue KI-Agenten, die Routinearbeit übernehmen — damit Menschen ihre beste Arbeit leisten können.
Agentic-AI-Engineer und technischer Gründer mit acht Jahren praktischer Engineering-Führung. Ich entwickle Multi-Agenten-Systeme, RAG-Plattformen und LLM-Evaluationspipelines für den Produktivbetrieb — messbar, sicher und mit Menschen am Steuer, wo es darauf ankommt.
- Niederlassungserlaubnis — kein Sponsoring nötig
- Englisch C1–C2 · Deutsch B2
- Offen für Rollen als Lead AI Engineer & AI Architect
Multi-Agenten-KI im Enterprise-Maßstab
Mein Lebenslauf in 22 Minuten (auf Englisch).
- 8+Jahre Teamleitung im Engineering, immer hands-on
- 50M+monatliche Nutzer auf Plattformen unter meiner Leitung
- 65%+der eingehenden Support-Anfragen von einem meiner Agenten bearbeitet
- ~30%weniger LLM-Kosten durch Context Engineering
- ~68%geringere Betriebskosten einer neu aufgebauten Markenplattform
- 2 Wo. → 2 Tagezur Anbindung eines neuen Agenten über einen MCP-Server
01 · Über mich
Engineer aus Überzeugung. Macher aus Gewohnheit. Immer Teamplayer.
Mein Fundament ist klassisches Software Engineering — verteilte Systeme, hochskalierende Plattformen und 0-to-1-Produkte für Marktplätze mit zig Millionen Nutzern. Heute setze ich dieses Wissen für agentische KI ein: Multi-Agenten-Orchestrierung, Retrieval-Augmented Generation und automatisierte LLM-Evaluation, die manuelle Arbeit in echten Unternehmen ersetzen.
Aktuell baue ich Vauris.ai auf, eine Plattform, die misst, wie Marken in KI-generierten Antworten von ChatGPT, Gemini und Perplexity erscheinen. Davor habe ich KI- und Plattform-Engineering bei MetaDesign (Publicis Groupe), Flaconi und iCarAsia geleitet.
Am wichtigsten ist mir, dass KI die Arbeit für die Menschen drumherum besser macht — neue Kolleg:innen, die in Tagen statt einem Monat produktiv sind, Support-Teams ohne repetitive Tickets und Engineers, die Mentoring und Raum zum Wachsen bekommen.
Was ich ins Team einbringe
- 01
Multi-Agenten-Orchestrierung
Systeme mit LangGraph, CrewAI und MCP — Automatisierung, wo sie sich bewährt, menschliche Freigaben, wo das Risiko hoch ist.
- 02
RAG & Wissenssysteme
pgvector, FAISS, Neo4j, GraphRAG, hybride Suche und multimodales Dokumentenverständnis — fundierte Antworten mit Quellenangaben.
- 03
Evaluationsgetriebene Entwicklung
Langfuse, DeepEval und RAGAS prüfen jedes Release auf Faithfulness, Groundedness, Latenz und Kosten.
- 04
Security by Design
Schutz vor Prompt Injection, Least-Privilege-Tool-Berechtigungen, Red-Team-Suites in der CI und strikte Mandantentrennung.
- 05
Plattform- & Cloud-Architektur
Event-getriebene Microservices, Kubernetes, Serverless und Terraform auf AWS und Azure — gebaut für Skalierung und Kosteneffizienz.
- 06
Führung mit Praxisbezug
Technische Strategie, Roadmaps und Teams mit bis zu acht Engineers — und dabei weiterhin Code schreiben, reviewen und Blocker lösen.
02 · Projekte
Ausgewählte Arbeiten — mit den Zahlen dahinter.
Einige Systeme, die ich entworfen und ausgeliefert habe. Jedes lief in Produktion und wurde an einer klaren Ausgangslage gemessen.
Angezeigte Projekte: 6
- Vauris.aiLangGraph · FastAPI · LLM-as-Judge
Deep-Research-Loop-Agent
~55%weniger manueller Rechercheaufwand- Herausforderung
- Recherchen kosteten Analyst:innen Stunden an manueller Suche, Lektüre und Quellenabgleich.
- Ansatz
- Ein Planer zerlegt die Frage, Retrieval- und Synthese-Agenten sammeln Belege, ein Kritik-Agent bewertet Konfidenz und Fundierung. Unter dem Schwellenwert wird neu recherchiert; nach drei erfolglosen Zyklen übernimmt ein Mensch.
- Ergebnis
- Fundierte Antworten mit Quellenangaben — Menschen greifen nur ein, wenn das System wirklich unsicher ist.
- MetaDesignIntent-Klassifikation · RAG · Eskalations-Routing
Kundensupport-Agent
6 Std. → 3 Min.Lösungszeit, 65%+ der Anfragen automatisiert- Herausforderung
- Kund:innen warteten 5–6 Stunden auf Antworten zu Problemen, die das Team oft schon gelöst hatte.
- Ansatz
- Eine Intent-Klassifikation routet jede Anfrage, RAG stützt die Antwort auf die Dokumentation, und alles außerhalb der Konfidenz des Agenten wird an einen Menschen eskaliert.
- Ergebnis
- Die meisten Anfragen werden sofort beantwortet; das Team konzentriert sich auf Fälle, die menschliches Urteilsvermögen brauchen.
- MetaDesignMultimodales RAG · RAGAS · Golden Datasets
AI Buddy — Onboarding-Assistent
~1 Monat → TageEinarbeitungszeit- Herausforderung
- Neue Kolleg:innen und Teamwechsler brauchten rund einen Monat, um sich in der Projektdokumentation zurechtzufinden.
- Ansatz
- Eine Wissensbasis über alle Projektdokumente, mit multimodalem Verständnis von Diagrammen, Screenshots und gescannten PDFs. Vor dem Rollout mit RAGAS validiert, Releases an eine Faithfulness-Untergrenze gekoppelt.
- Ergebnis
- Menschen sind in wenigen Tagen produktiv; durch Context Budgeting sanken die Tokens pro Antwort um ~40%.
- MetaDesignMCP · Berechtigungen pro Tool · Versionierung
Gemeinsamer MCP-Server für KI-Fähigkeiten
2 Wo. → 2 Tagezur Anbindung eines neuen Agenten- Herausforderung
- Jeder neue Agent baute seine Integrationen für Retrieval, Ingestion und Log-Abfragen neu.
- Ansatz
- Ein interner MCP-Server stellt mandantenbezogenes Retrieval, Dokumenten-Ingestion sowie Log- und Ticket-Abfragen als versionierte Tools mit Berechtigungen pro Tool bereit.
- Ergebnis
- Von vier internen Agenten genutzt — und ein kompromittierter Prompt kann die Rechte eines Agenten nicht ausweiten.
- MetaDesignLog-Ingestion · Anomalieerkennung · mehrstufiges Reasoning
AI-Ops-Agent für Ursachenanalyse
~30 Min.bis zur Lösung statt Stunden oder Tage- Herausforderung
- Produktionsvorfälle zu diagnostizieren dauerte in verrauschten Log-Streams Stunden oder Tage.
- Ansatz
- Ein Agent verarbeitet strukturierte Logs, erkennt Anomalien und führt eine mehrstufige Ursachenanalyse durch — mit einem Bericht inklusive konkreter Lösungsschritte.
- Ergebnis
- Die Rufbereitschaft startet mit einer Diagnose statt mit einem leeren Blatt.
- Vauris.aiWiederverwendbare Agent Skills · Drift-Kontrolle · CI-Evals
Spec-Driven Development mit Agent Skills
55% → 80%Akzeptanz generierten Codes im ersten Durchlauf- Herausforderung
- Generierter Code driftete bei langen Agenten-Aufgaben ab und verursachte viel Review-Aufwand.
- Ansatz
- Spezifikationen und wiederverwendbare Agent Skills wurden zur Grundlage der Codegenerierung; Regressions-Evals in der CI blockieren Deployments bei schlechteren Scores.
- Ergebnis
- Bessere Ergebnisse und ~40% weniger Review-Zyklen pro Feature.
03 · Werdegang
Wo ich geliefert habe.
Gründer & Technical Lead · Vauris.ai
Plattform für KI-Markensichtbarkeit
Aufbau einer Plattform, die misst, wie Marken in KI-generierten Antworten von ChatGPT, Gemini und Perplexity dargestellt werden — eine neue Produktkategorie im Bereich KI-Suchsichtbarkeit.
- Architektur der Produktivplattform: drei parallele Retriever-Agenten speisen eine Syntheseschicht, die einheitliche Sichtbarkeits- und Sentiment-Scores liefert.
- Zwei-Signal-Evaluationsschicht — Cross-LLM-Konsistenz plus NLI-Verifikation gegen Markenquellen — zur Erkennung von Halluzinationen und Messung der Positionierungsgenauigkeit.
- Autonomer SDLC-Agent als LangGraph-State-Machine, mit menschlichen Freigaben an risikoreichen Übergängen und automatischen Quality Gates.
- Deep-Research-Loop-Agent, der den manuellen Rechercheaufwand um ~55% senkt — mit fundierten, belegten Antworten.
Alle Highlights zeigen (+4)Weniger zeigen
- Absicherung des Agenten-Stacks gegen direkte und indirekte Prompt Injection; eine Red-Team-Suite mit ~60 Tests läuft in der CI und sichert Releases ab.
- ~30% geringere LLM-API-Kosten durch Context Engineering, ohne messbaren Verlust an Faithfulness.
- Migration des Produktivindex von FAISS zu pgvector mit optimierten HNSW-Parametern; Langfuse-Tracing und DeepEval-Regressionstests in der CI.
- Vom Konzept zur Kundendemo in ~2 Tagen statt ~2 Wochen durch Prototyping mit Lovable gegen FastAPI-Stubs.
- Python
- FastAPI
- LangGraph
- CrewAI
- pgvector
- FAISS
- Langfuse
- DeepEval
- n8n
- Next.js
- AWS
Software Development Lead · MetaDesign
Publicis Groupe
Technische Leitung eines crossfunktionalen Teams mit 8 Engineers sowie Aufbau der internen KI-Plattform und Agenten.
- Architektur und 0-to-1-Umsetzung eines mandantenfähigen Brand-Management-Systems — ~25% mehr Performance, ~68% geringere Betriebskosten.
- Mandantenfähige RAG-Plattform mit vollständig isolierten Wissensbasen pro Mandant und Antworten mit Quellenangaben.
- Interner MCP-Server, von vier Agenten genutzt — Anbindung neuer Agenten in ~2 Tagen statt ~2 Wochen.
- Kundensupport-Agent, der 65%+ der Anfragen bearbeitet; Lösungszeit von 5–6 Stunden auf 2–3 Minuten gesenkt.
Alle Highlights zeigen (+4)Weniger zeigen
- AI-Buddy-Onboarding-Assistent: Einarbeitung von rund einem Monat auf wenige Tage verkürzt, mit RAGAS validiert.
- AI-Ops-Agent senkt die Lösungszeit von Vorfällen auf ~30 Minuten; Cybersecurity-Agent reduziert Fehlalarme um ~40%.
- Brandcheck AI ausgeliefert, ein multimodales Kundentool — Beitrag zu 20% Umsatzwachstum gegenüber Vorjahr.
- Entwurf und Betrieb der KI-Workloads auf Azure gemäß Enterprise-Sicherheits- und Datenresidenzanforderungen.
- Python
- FastAPI
- TypeScript
- MCP
- Azure
- FAISS
- RAGAS
- Terraform
- Microservices
Tech Lead · Flaconi GmbH
Tech Lead für den Commerce-Kern einer stark frequentierten Plattform mit Millionen Nutzern — von Anforderungen über Architektur bis Code und Review.
- Event-getriebene Microservices für Self-Service-Retouren, Stornierungen und QR-Code-Retouren — 57% weniger Kundenservice-Aufwand, ~80% QR-Nutzung.
- Gutscheinsystem (+20% Umsatz) sowie Benachrichtigungen bei Verfügbarkeit und Preissenkung (+10% Conversion).
- TensorFlow-Modelle zur Churn-Vorhersage für proaktive Kundenbindung (+20%).
- Graphbasiertes Produktempfehlungssystem auf Neo4j.
Alle Highlights zeigen (+2)Weniger zeigen
- ~20% geringere Infrastrukturkosten durch Serverless-/arm64-Migration; Core Web Vitals von ~40% auf über 80% verbessert.
- Mentoring von Engineers in 1:1s und Performance-Reviews — zwei interne Beförderungen.
- Python
- TypeScript
- Node.js
- AWS
- Serverless
- Kubernetes
- DynamoDB
- Neo4j
- Redis
Lead Engineer · iCarAsia
Lead Engineer für Automobil-Marktplätze (carlist.my, mobil123.com, one2car.com) mit über 50 Mio. Nutzern pro Monat.
- End-to-End-Verantwortung auf einer serviceorientierten Architektur; TensorFlow-Modelle zur Fahrzeugpreisvorhersage in Produktion.
- Leitung einer CRM-Migration sowie Aufbau von Händler- und Kundenportalen.
- Zerlegung eines Legacy-Monolithen in Services und Modernisierung der CI/CD-Pipeline.
- Führung eines Teams mit 6 Engineers inklusive Mentoring und Entwicklungsplänen.
- Python
- PHP
- TypeScript
- React
- AWS
- Docker
- Kubernetes
- TensorFlow
Ausbildung
- AI Software EngineeringDigital Leute School, Köln (remote)
- MSc Software EngineeringUniversiti Putra Malaysia2019 – 2021
- BSc (Hons) Information TechnologyUniversity of the Punjab, Lahore2006 – 2010
04 · Werte
Technologie soll Arbeit menschlicher machen, nicht weniger menschlich.
Die Prinzipien, nach denen ich baue und führe — jedes belegt durch etwas, das ich tatsächlich umgesetzt habe.
Menschen behalten die Kontrolle
Agenten eskalieren, wenn sie unsicher sind, und riskante Aktionen brauchen eine menschliche Freigabe. Automatisierung soll Urteilsvermögen unterstützen, nicht ersetzen.
Menschliche Freigaben und Eskalationspfade in meinen Produktiv-Agenten
Das Team stärken
Ich bleibe nah am Code, um Blocker zu lösen, und investiere in 1:1s, Entwicklungspläne und ehrliches Feedback.
2 interne Beförderungen von Engineers, die ich begleitet habe
Beweisen statt versprechen
Jedes System wird auf Faithfulness, Latenz und Kosten gemessen — und Releases werden gestoppt, wenn die Werte schlechter werden.
Eval-Suites als Release-Gate in der CI
Reibung für Menschen abbauen
Meine besten KI-Projekte haben Kolleg:innen und Kund:innen Zeit zurückgegeben — schnellere Einarbeitung, schnellere Antworten, schneller gelöste Vorfälle.
Einarbeitung von einem Monat auf Tage
Vertrauen durch Sicherheit
Daten bleiben, wo sie hingehören. Strikte Mandantentrennung, Least-Privilege-Tools und Red-Teaming gehören zum Design, nicht zur Nacharbeit.
~60 Red-Team-Tests bei jedem Release
Neugierig über Kulturen hinweg
Ich habe in Pakistan, Malaysia und Deutschland studiert und gearbeitet und schätze die Perspektiven, die ein vielfältiges Team mitbringt.
Drei Länder, ein kollaborativer Stil
05 · Skills
Der Werkzeugkasten.
Agentic & LLM
- LangGraph
- LangChain
- CrewAI
- MCP-Server
- Multi-Agenten-Orchestrierung
- Deep-Research-Agenten
- RAG
- pgvector
- FAISS
- Neo4j
- GraphRAG
- Hybride Suche
- Context Engineering
- Multimodal (VLMs)
- Human-in-the-Loop
Evaluation & Observability
- Langfuse
- DeepEval
- RAGAS
- LLM-as-Judge
- Faithfulness-Scoring
- NLI-Verifikation
- Golden Datasets
- Regressions-Evals in CI
- Distributed Tracing
- Kosten- & Latenz-Monitoring
Sicherheit & Governance
- Schutz vor Prompt Injection
- Schutz vor System-Prompt-Leaks
- Least-Privilege-Tool-Rechte
- Red-Team-Eval-Suites
- Mandantentrennung
- DSFA (DPIA)
- SCCs
- IdP-Integration
- SIEM
Sprachen & Frameworks
- Python
- FastAPI
- TypeScript
- Node.js
- Next.js
- Go
- PHP
Cloud & Infrastruktur
- AWS (Bedrock, Lambda, ECS, RDS, S3, DynamoDB)
- Azure
- Docker
- Kubernetes
- Terraform
- Serverless
- GitHub Actions
Arbeitsweise & Führung
- Spec-Driven Development
- Event-getriebene Architektur
- Microservices
- n8n
- Make
- Lovable
- 0-to-1-Produkte
- Technische Strategie
- Roadmaps
- Mentoring
06 · Kontakt
Sie haben ein agentisches Problem, das sich zu lösen lohnt?
Ich spreche gern über Rollen, Ideen oder ein kniffliges System, an dem Sie gerade arbeiten. Am schnellsten erreichen Sie mich per E-Mail.
faisal@vauris.ai