Hallo, ich bin
Luis Miguel García Marín
Softwareentwickler, KI-Ingenieur, Full-Stack-Entwickler, Computer-Vision-Tüftler
Ich entwickle produktionsreife Software mit KI im Kern – LLM- und Generative-AI-Integrationen für Enterprise-Kunden, Computer-Vision-Systeme und die Full-Stack-Web- und Mobile-Apps drumherum.
Málaga, Spanien
KI-Assistent
Neugierig? Frag einfach.
Meine KI-Version kennt meine Erfahrung, Projekte und Skills, antwortet in deiner Sprache und bringt dich zur richtigen Seite.
4+
Jahre Softwareentwicklung
6
vorgestellte Projekte
18
Fächer mit Bestnote
7
Zertifikate
Erfahrung
Von Computer Vision zu generativer KI
Über 4 Jahre KI-gestützte Produkte – vom Praktikum in Deutschland bis zu Generative-AI-Projekten für Enterprise-Kunden in Spanien.
🏆3. Platz – Hackathon Data Challenge
Polo Digital de Málaga · IAT Metaverso (EDINT · FEMP & Ayuntamiento de Málaga)
Softwareentwickler · JCode Technologies
Apr. 2025 – Heute · 1 Jahr, 7 Monate
Málaga, SpanienRemoteAktuell
Full-Stack-Architektur und Generative-AI-Systeme für Enterprise-Kunden aus Versicherung, Immobilien, Fintech, Freizeit, Mode und Entertainment.
Softwareentwickler · EDAG Group
Dez. 2023 – Dez. 2024 · 1 Jahr, 1 Monat
Fulda, DeutschlandHybrid
Full-Stack-Entwicklung, Testing und DevOps für interne Tools und kritische Industriesysteme in einem internationalen Engineering-Unternehmen.
Praktikant Softwareentwicklung · EDAG Group
Sept. 2022 – Dez. 2023 · 1 Jahr, 4 Monate
Fulda, DeutschlandVor OrtPraktikum
Computer Vision und IoT für Smart-City- und Smart-Parking-Anwendungen.
Projekte
Ausgewählte Arbeiten
- Python
- TypeScript
- OpenAI
- LangChain
- TensorFlow
- PyTorch
- Keras
- OpenCV
- React
- Next.js
- Angular
- Flutter
- Tailwind CSS
- FastAPI
- Flask
- Spring Boot
- Java
- PostgreSQL
- Docker
- AWS
- Azure DevOps
- Vercel
- Unity
Unter der Haube
So funktioniert der Assistent
Eine kleine, produktionsreife LLM-App. Die vollständige Beschreibung mit allen Architekturentscheidungen steht im Repository.
Eine einzige Quelle der Wahrheit
Alle Inhalte liegen in typisierten TypeScript-Dateien, in drei Sprachen. Dieselben Daten rendern diese Seiten und werden zum Wissen des Assistenten – sie können also nie auseinanderlaufen.
Antworten mit vollem Kontext
Die gesamte Wissensbasis passt ins Kontextfenster des Modells. Statt einer RAG-Pipeline mit Vektordatenbank sieht das Modell einfach alles – einfacher und präziser.
Prompt Caching
Der große, statische Teil des Prompts steht vorne, damit der Anbieter ihn cachen kann: Folgefragen nutzen ihn zu einem Bruchteil der Kosten und antworten schneller.
Tool Calling & Generative UI
Das Modell kann typisierte Tools aufrufen, um Projekt- oder Kontaktkarten anzuzeigen – gerendert als React-Komponenten im Chat, während die Antwort hereinströmt.
Leitplanken
Eingabevalidierung, ein gleitendes Verlaufsfenster, Rate Limits pro IP und global, Ausgabelimits und ein gehärteter System-Prompt halten ihn sicher und günstig.
Evaluiert statt geschätzt
Eine Eval-Suite prüft Faktentreue, Sprache, Tool-Nutzung und Resistenz gegen Prompt Injection, bevor Änderungen live gehen.