Mein Weg zum AI-Agent Engineering begann nicht mit Sprachmodellen, sondern mit technischen Systemen, Sensoren und Messdaten. In der Messtechnik habe ich gelernt, dass Ergebnisse nur dann belastbar sind, wenn sich ihre Entstehung, ihre Bedingungen und ihre Grenzen nachvollziehen lassen. Heute übertrage ich diese Haltung auf KI-Agenten.
Die Mechatronik hat mir beigebracht, technische Systeme als Zusammenspiel zu sehen: Mechanik, Elektronik, Sensorik, Software und Regelung greifen ineinander, und ein Fehler zeigt sich selten genau dort, wo er entsteht. Aus dieser Zeit stammt mein Blick auf Schnittstellen, Signale und Zustände.
Wer Systeme baut, will ihre Signale verstehen. So kam ich zur Messtechnik.
In der Messtechnik und der angewandten Forschung wurde daraus ein Anspruch: Ein Ergebnis zählt erst, wenn seine Entstehung, seine Unsicherheiten und seine Gültigkeit geprüft sind. In meiner Master-Thesis habe ich Merkmale aus mikromagnetischen Sensordaten ausgewählt und validiert, mit sauber getrennten Trainings- und Testdaten, GroupKFold gegen Datenleckage und reproduzierbarer Auswertung.
Aus einzelnen Auswertungen wurden wiederkehrende Abläufe: Skripte, Notebooks und Datenpipelines übernahmen Schritte, die ich vorher von Hand wiederholt habe. Automatisierung war dabei nie Selbstzweck. Sie machte Auswertungen wiederholbar und Ergebnisse vergleichbar.
Anfang März 2026 habe ich angefangen, mit Coding-Agenten zu arbeiten: zunächst einzelne Code-Schnipsel aus Chats, die ich in Notebooks übernommen habe. Ich wollte vor allem schneller entwickeln. Mit der Zeit wurde wichtiger, welchen Kontext ein Agent kennt und was sich davon wiederverwenden lässt.
Recht früh zeigte sich, dass Geschwindigkeit allein das eigentliche Problem nicht löst. Zusammenhänge gingen zwischen Sitzungen verloren, Arbeitsschritte ließen sich später kaum rekonstruieren, und Wissen lag verstreut in Chatverläufen. Werkzeuge kannten keine Grenzen, Entscheidungen keinen Prüfpfad. Zweimal hat mir die eigene Test-Suite die lokale Arbeitsdatenbank meines eigenen Systems geleert: kein Angriff und kein fremdes Produktivsystem, nur zweimal derselbe stille Verlust.
Der Vorfall und die Grenze, die daraus wurde, im Werkstatt-Log
Aus diesen Verlusten sind die Systeme entstanden, die diese Website zeigt. Ein Orchestrator verbindet Eingaben, spezialisierte Skills, Wissensquellen und Freigaben zu einem durchgehenden Arbeitsfluss. Ein Gedächtnis hält Wissen über Sitzungen hinweg auffindbar. Eine Kontrollschicht macht Läufe nachvollziehbar: mit Traces, Audit-Logs und Prüfpunkten, die vor destruktiven Aktionen greifen. Ihre Werkzeuge sprechen die Agenten über MCP an, eine Schnittstelle, über die Agenten Werkzeuge aufrufen.
Was aus der Messtechnik geblieben ist, lässt sich am ehesten als Übersetzungstabelle lesen: Für die zentralen Begriffe der Messkette gibt es in der Arbeit mit Agenten eine direkte Entsprechung.
| Messtechnik | AI-Agent Engineering |
|---|---|
| Messkette | Agenten- und Tool-Kette |
| Sensorzustand | System- und Agentenzustand |
| Kalibrierung | Evaluation und Referenztests |
| Messunsicherheit | Modell- und Retrieval-Grenzen |
| Prüfprotokoll | Trace und Audit Log |
| zulässiger Betriebsbereich | Tool- und Berechtigungsgrenzen |
| reproduzierbare Messung | wiederholbarer Workflow |
| Fehlerdiagnose | Observability und Fehlerpfade |
Heute entwickle ich in meinem eigenen Lab Systeme für Orchestrierung, Memory, Retrieval, Tool-Nutzung und Kontrolle von KI-Agenten. Ich suche ein technisches Umfeld, in dem ich agentische Systeme, AI Adoption oder datenbasierte Engineering-Aufgaben praktisch weiterentwickeln kann: offen für Rollen in AI Engineering, AI Adoption, Data Science und Engineering mit AI-Fokus, in Saarbrücken oder remote.
Mein technischer Hintergrund ist kein früheres Kapitel neben meiner heutigen Arbeit. Er ist die Grundlage dafür, wie ich KI-Agenten denke, entwickle und beurteile.