Meine Projekte
Eine Sammlung meiner Arbeiten, die mit jedem neuen Projekt wächst.
Modulane
Full-Stack · SaaS · 2026
Jeder Teil deiner App, klar verantwortet. Modulane zeigt, wer woran arbeitet, wie stabil eine Komponente ist und was bis zur Veröffentlichung noch fehlt.
Gebaut mit React, TypeScript und Vite auf Basis von Supabase, das Authentifizierung, die Postgres-Datenbank, Row Level Security und Realtime-Updates übernimmt. Workspaces, Projekte, Komponenten, Anforderungen und Fortschrittsupdates liegen an einem Ort statt verstreut über Chats und Boards.
Der Kerngedanke ist die Trennung von Aufgabenfortschritt und technischer Reife, eine Komponente kann fertig entwickelt und trotzdem instabil sein. Rollen, Einladungen und private Projekte gehören zum Datenmodell, nicht als Nachtrag obendrauf.
React · TypeScript · Vite · Supabase
Verantwortung
Zugewiesene und tatsächlich aktive Personen bleiben getrennt, so ist immer klar, wer übernimmt.
Reife
Arbeitsstatus und technische Stabilität haben eigene Zustände, von frei bis production ready.
Code
Commits und Pull Requests hängen sich an eine Komponente, wenn sie Kontext liefern, nie als Pflicht.
Snusdex
Full-Stack · Herzensprojekt · 2026
Der Pokédex für Snus. Snusdex macht aus einer Alltagsgewohnheit ein Spiel, Dose scannen, Sammelkarte freischalten, im globalen Ranking aufsteigen. Das Projekt, auf das ich am stolzesten bin, gemeinsam mit Freunden gebaut.
Die Web-App ist mit reinem JavaScript und Tailwind CSS auf Basis von Supabase gebaut, das Authentifizierung, die Postgres-Datenbank, Storage und Realtime-Updates übernimmt. Das Barcode-Scanning läuft komplett im Browser über Html5-QrCode, so wird jede Handykamera zum Einstieg, ganz ohne Installation.
Um diesen Kern liegt eine komplette Spiel-Ebene: Sammelkarten nach Seltenheit, Erfolgs-Abzeichen, Freunde-Verknüpfungen, Aktivitäts-Heatmaps und ein Ranking, das zum Wiederkommen einlädt. Ein echtes Produkt mit echten Nutzern, kein Demo.
Scannen
Browserbasiertes Barcode-Scanning macht jede Dose zum Sammelobjekt.
Sammeln
Sammelkarten nach Seltenheit und Erfolgs-Abzeichen zum Jagen.
Messen
Ein globales Ranking und Freunde-Verknüpfungen.
Verfolgen
Realtime-Daten und Aktivitäts-Heatmaps, angetrieben von Supabase.
Snusdex Foundation
Die native iOS-Hülle für Snusdex, eine SwiftUI-Ummantelung der Web-App mit Start-Jingle, Offline-Bildschirm, haptischem Feedback und Homescreen-Widgets, die direkt zum Scanner springen. Web-App als Inhalt, dieses Projekt als native Schicht, auf der sie läuft.
Snusdex Debug
Kein Release-Kandidat, sondern eine Entwickler-Konsole direkt in der Hülle. Ein frei verschiebbarer In-App-Button öffnet einen Domain-Switcher, einen Live-Reload-Modus für Tests gegen einen lokalen Tunnel, einen Safari-Web-Inspector-Schalter, einen JavaScript-Runner und einen nativen Konsolen-Log-Viewer, damit sich die Web-App direkt auf dem Gerät debuggen lässt, ganz ohne Xcode.
JavaScript · Tailwind CSS · Supabase · Html5-QrCode
OweU
iOS-Entwicklung · 2026
Wer wem was schuldet, endlich klar. OweU ist eine iOS-App, um geteilte Ausgaben zwischen Freunden und Gruppen zu verfolgen, das Gegenmittel zum chaotischen Gruppenchat und der halbfertigen Tabelle.
Gebaut mit Expo und React Native in TypeScript, behält es über mehrere Währungen hinweg eine klare Echtzeit-Übersicht. Das Interface ist bewusst minimal, lesbar wie eine Finanz-App, schnell und fokussiert auf die eine Frage, die zählt: Wer zahlt als Nächstes.
Expo · React Native · TypeScript
Aufteilen
Jede Ausgabe auf eine Gruppe aufteilen und sofort jeden Anteil sehen.
Verfolgen
Ein laufender Echtzeit-Saldo, der über mehrere Währungen funktioniert.
Begleichen
Klare, minimale Übersichten, wer als Nächstes wem zahlt, ganz ohne Tabelle.
Kylix LM
Machine Learning · Sprachmodell · 2026
Ein GPT-ähnliches Sprachmodell mit rund 80 Millionen Parametern, von Grund auf in PyTorch gebaut und lokal auf Apple Silicon trainiert.
Die Architektur folgt einem modernen Llama-Stack: RoPE-Positionscodierung, RMSNorm, SwiGLU-Feedforward-Schichten, kausale Multi-Head-Attention und ein ungebundener Output-Head. Tokenisierung, Training und Textgenerierung laufen vollständig lokal, mit Unterstützung für MPS, CUDA und CPU.
Ein eigens entwickeltes Unsicherheits-Gate überwacht die Konfidenz des Modells während der Generierung und gibt statt einer selbstsicher klingenden Vermutung "Ich weiß es nicht" aus, sobald diese Konfidenz zu weit sinkt.
PyTorch · Python
Architektur
8 Schichten, 8 Attention-Heads und ein byte-basierter BPE-Tokenizer mit 32.000 Wörtern Vokabular.
Lokales Training
Läuft vollständig lokal auf Apple Silicon über MPS, mit CUDA und CPU als Fallback.
Unsicherheit
Ein Konfidenzwert entscheidet, wann das Modell lieber zugibt, es nicht zu wissen, statt zu raten.
Jedes meiner Projekte ist Open Source.
Die ganze Sammlung, inklusive allem, was noch in Arbeit ist, gibt's auf meinem GitHub.