Offen für Full-Stack- und KI-Engineering-Rollen
Heidelberg · --:-- CET/CEST
Hallo, ich bin
Full-Stack- & KI-Entwickler · M.Sc. Künstliche Intelligenz · Heidelberg
Ich mache aus Geschäftsproblemen funktionierende Software.
Full-Stack-Entwickler mit über 3 Jahren Erfahrung und Masterstudent der Künstlichen Intelligenz. Ich starte gerne bei den Menschen, die ein Produkt nutzen werden, und arbeite zunehmend mit generativer und agentenbasierter KI.
Drei Projekte, vollständig umgesetzt, jeweils mit Quellcode und einer Möglichkeit, sie laufen zu sehen.
Eine Plattform für Gebrauchtwagenhändler: öffentlicher Katalog mit Volltextsuche und Anfrageformular sowie ein rollenbasiertes Backoffice, in dem Anfragen bearbeitet werden. TypeScript vom Frontend bis zur API.
Wandelt klinische Notizen in strukturierte Zusammenfassungen um, die eine Ärztin oder ein Arzt prüft und freigibt. Personenbezogene Daten werden entfernt, bevor das Modell etwas sieht, und jedes Feld nennt seine Textquelle. Nur Demo, synthetische Daten, kein Medizinprodukt.
Selbst ausführen: make up
Fragebeantwortung über technische Handbücher (PDF und DOCX, Deutsch und Englisch) mit Quellenangaben. Der Agent bewertet seine eigene Suche, formuliert schwache Anfragen um und prüft vor der Antwort, ob sie belegt ist; gemessen wird gegen eine naive Baseline.
Selbst ausführen: docker compose up
Der LangGraph-Graph aus meinem Agentic-RAG-Repository, mit den echten Knotennamen. Scrollen Sie durch einen Beispielweg: eine schwache erste Suche, eine umformulierte Anfrage, dann eine belegte Antwort mit Quellen.
01 · route_question
Geht es um die hochgeladenen Handbücher? Ja, also weiter zur Suche. Alles andere bekommt eine Antwort „außerhalb des Themas“.
02 · retrieve
Die passendsten Abschnitte aus dem Vektorspeicher holen.
03 · grade_documents
Jeden gefundenen Abschnitt bewerten. Diesmal sind zu wenige relevant.
04 · rewrite_query
Die Frage umformulieren und erneut suchen, höchstens zweimal.
05 · retrieve
Zweite Suche mit der umformulierten Anfrage.
06 · grade_documents
Jetzt sind genug Abschnitte relevant.
07 · generate
Die Antwort nur aus diesen Abschnitten schreiben.
08 · check_hallucination
Prüfen, ob die Antwort durch die Quellen gedeckt ist. Wenn nicht: einmal neu generieren, sonst ehrlich „nicht genug Informationen“.
09 · format_answer
Die Antwort mit ihren Quellenangaben zurückgeben.
Die Schleifen sind begrenzt: höchstens 2 Umformulierungen und 1 Neugenerierung, und ein Test beweist, dass der Graph terminiert.
Was die Projekte oben gemeinsam haben; jeder Punkt stammt aus den READMEs der Repositories.
Carvio läuft in einer CI mit 80-%-Coverage-Gate und Playwright-Browsertests. Clinical hat 247 automatisierte Prüfungen, mit 93 % Zeilenabdeckung in der API, 87 % im Worker und 90 % in der Web-App.
Carvio: Jede Route erfordert eine Anmeldung, sofern sie nicht als öffentlich markiert ist, Rollen werden serverseitig durchgesetzt, Refresh-Tokens sind einmalig. Clinical: Personenbezogene Daten werden vor dem Modell entfernt, strikte Content-Security-Policy, nur anhängbares Audit-Protokoll.
Clinical wird auf 33 synthetischen Notizen ausgewertet, das RAG-Projekt auf 43 Fragen gegen eine naive Baseline, auch dort, wo es verliert. Beide READMEs nennen ihre Grenzen.
Durchgehend Docker. Clinical ergänzt ein Helm-Chart, das auf einem lokalen Kubernetes-Cluster lief, sowie Terraform- und ArgoCD-Definitionen, die validiert, aber nicht auf AWS angewendet wurden; das steht dort offen.
Ich bin Masterstudent der Künstlichen Intelligenz an der BTU und lebe in Heidelberg. Davor habe ich Angewandte Informatik studiert und als Full-Stack-Entwickler in Indien und Deutschland gearbeitet, meist mit React, TypeScript, Java und Spring Boot.
Mir gefällt der Teil der Arbeit, der vor dem Code passiert: mit Stakeholdern sprechen, verstehen, wo es hakt, und daraus etwas bauen, das Menschen wirklich gern nutzen. Danach begleite ich es bis zum Deployment.
In letzter Zeit gehört dazu auch generative und agentenbasierte KI. Ich entwickle Proof-of-Concepts rund um semantische Suche, RAG und Workflow-Automatisierung und frage mich dabei immer, ob sie ein echtes Problem lösen.
Okt. 2023 – März 2025
EGENIE STORES · Remote
Aug. 2022 – Juli 2023
Kulturbrauerei Heidelberg · Heidelberg, Deutschland
Mai 2019 – Juli 2021
Adhaan Solution Pvt. Ltd. · Ahmedabad, Indien
M.Sc. Künstliche Intelligenz
Brandenburgische Technische Universität (BTU)
Künstliche Intelligenz, Machine Learning, Datenanalyse, Intelligente Systeme.
Seit Apr. 2025
M.Sc. Angewandte Informatik
SRH Hochschule Heidelberg
Enterprise Computing, Prozessmanagement, Datenstrategie, UI/UX. Erasmus+-Stipendiat in Österreich, 2023.
Okt. 2021 – Sep. 2023
B.Tech Informatik
Maharshi Dayanand University, Rohtak
Mai 2015 – Juni 2019
Auch das Portfolio ist ein Projekt. Das sind Fakten über den Code, den Sie gerade sehen.
Ich suche eine Rolle als Full-Stack- oder KI-Entwickler, in der ich Dinge bauen kann, die zählen. Wenn das nach Ihrem Team klingt, freue ich mich auf Ihre Nachricht.
© 2026 Vansh · Gestaltet und gebaut von Vansh mit Next.js, Tailwind CSS, Motion und three.js.
Nach oben ↑