Ich baue produktive KI-Systeme,für die echte Nutzer zahlen.
Retrieval, Multi-Agent-Orchestrierung und Echtzeit-Sprache, als Produkte ausgeliefert und nicht als Demos. Ich habe BrandVox gegründet und größtenteils allein auf 1.000+ Nutzer und 30+ zahlende Kunden gebracht, über fünf Services auf AWS. Davor war ich zwei Jahre bei Amazon im Checkout und in der Steuer, wo das Geld jedes Mal stimmen muss.
- GitHub
- github.com/egehakan
- linkedin.com/in/egehakankar
Was ich baue
Keine Schlagwortwolke. Fünf Dinge, die ich tatsächlich vor zahlende Nutzer gestellt habe, jedes mit dem Projekt, das es belegt.
- § 01.1
Retrieval & RAG
Qdrant Dense Vectors und BM25 Sparse, live fusioniert durch ein gewichtetes Ensemble (0.7/0.3) mit einem umschaltbaren, eigenen Reciprocal Rank Fusion Ranker, alles in meiner geforkten Flowise-Engine auf OpenAI text-embedding-3-small.
BrandVox - § 01.2
Multi-Agent-Orchestrierung
~8,7K LOC eigener Nodes auf einer geforkten Flowise-Engine, mit einem Multi-Provider-Antwortpfad, der über OpenAI, Anthropic, Gemini und Grok kaskadiert, 2 Retries pro Modell und ein Timeout von 60s pro Aufruf.
BrandVox - § 01.3
Echtzeit-Sprache
eine Browser-zu-OpenAI-Realtime-Pipeline über WebSockets, PCM16 mit 24kHz und Server-VAD, Dual-Path-Barge-in und Exactly-once-Turn-Persistenz trotz eines bekannten Concurrency-Race.
BrandVox - § 01.4
Evals & Kostenkontrolle
eine zweiphasige Scoring-Engine plus ein Token-tauschender Anthropic-Proxy, der die USD-Kosten pro Modell aus den Streaming-SSE-Deltas misst und eine Session bei ihrem Budget mit einem HTTP 402 abschneidet.
Kodwai - § 01.5
Verteilte Systeme im großen Maßstab
eine Migration von 5M+ Nutzerdatensätzen nach DynamoDB ohne Ausfallzeit, Dual-Write dann Backfill, Validierung und ein progressiver Read-Cutover, der in etwa einer Stunde abgeschlossen war.
Amazon
Ausgewählte Arbeiten
Drei Systeme, die ich selbst entworfen, gebaut und bis heute selbst betreibe. Echte Stacks, echte Nutzer, ehrliche Zahlen.
Mandantenfähiges KI-SaaS für die kundennahe Fleißarbeit, die ein kleines Team sonst von Hand erledigen würde.
Ich habe BrandVox von null an als dominanter Autor konzipiert und ausgeliefert, rund 1.557 Commits über fünf Services. Es antwortet per Chat und Sprache aus den eigenen Inhalten jedes Kunden, verfasst Inhalte und bringt Leads zum Vorschein. Der Beweis ist keine Demo, sondern dass die Leute jeden Monat verlängern.
- 1.000+
- Nutzer
- 30+
- zahlend 59–449 $/Monat
- 5 Services
- ein Engineer
Jeder Mandant bekommt einen isolierten Workspace; das Retrieval lebt in meiner geforkten Flowise-Engine, wo Qdrant Dense und BM25 Sparse live durch ein gewichtetes Ensemble (0.7/0.3) fusioniert werden, mit einem umschaltbaren, eigenen Reciprocal Rank Fusion Ranker und einem LRU-Cache pro Chatbot; die Ingestion läuft über eine asynchrone, Redis-gestützte Queue mit begrenzter Nebenläufigkeit und einem 30-Minuten-Watchdog, und die Kosten laufen über ein credit-basiertes Abrechnungssystem pro Modell mit Tracking pro Request, überwacht über Sentry, Grafana und PostHog.
Bewertet, wie gut ein Engineer KI-Coding-Agents dirigiert, nicht wie schnell er tippt.
Ich habe Kodwai von Anfang bis Ende gebaut: ein veröffentlichtes npm-CLI, das Claude Code oder Cursor startet und den Trace erfasst, ein FastAPI-Backend, das die Einreichung bewertet, und einen Next.js-Client. Es übergibt den repetitiven Teil des technischen Recruitings der KI, während ein Mensch das Gespräch führt.
- 22
- bewertete Challenges live
- v1.7.0
- @kodwai/cli auf npm
- 247
- Backend-Tests
Eine zweiphasige Scoring-Engine kombiniert deterministische Signale (Test-Pass-Rate, Lint- und Verschachtelungstiefe-Heuristiken, Iterationssignale) mit einem Claude Sonnet 4.6 als Judge und nimmt übersprungene Signale aus dem Nenner, sodass auch ein Lauf ohne Key noch ein Ergebnis liefert; ein Token-tauschender Anthropic-Proxy misst die USD-Kosten pro Modell aus den Streaming-SSE-Deltas und erzwingt ein Budget pro Session, sodass ein echter Key nie eine nicht vertrauenswürdige Maschine berührt, mit gespeicherten Keys unter AES-256-GCM.
Mandantenfähiges BYOK-Cold-Email-System. Ich habe es gebaut und dann mein eigenes Outbound darauf laufen lassen.
Ksenda ist der Weg, wie ich die zahlende Seite von BrandVox gefüllt habe. Es findet Unternehmen über ein echtes Signal, verfasst eine erste Nachricht, die an etwas Konkretes bei jedem einzelnen anknüpft, und verkettet Follow-ups, sodass niemand durchs Raster fällt. Ein Mensch gibt jeden Versand frei.
- 5.000+
- E-Mails versendet
- ~15 %
- Antwortrate vs. 1–5 % Norm
- 1
- menschlicher Reviewer
Follow-ups an Tag 3/7/14 verketten sich korrekt über Gmail mit RFC822 In-Reply-To- und References-Headern, ein gebündelter und gecachter Gemini-Klassifikator filtert Importe nach KI-Präsenz-Signal, und eine Inngest-Pipeline pro Zeile übersteht Serverless-Timeouts; eine Mandantenisolation auf Zeilenebene läuft über 73 API-Routen, und das Reply-Tracking wird von Hand gezählt, sodass die ~15 % eine Zahl sind, die ich selbst gezählt habe, und keine, die mir ein Dashboard schöngerechnet hat.
In Zahlen
Was die Arbeit zusammengerechnet ergibt, nichts schöngerechnet.
Werdegang
Von Korrektheit im großen Maßstab bei Amazon zu einem Produkt, das ich von Anfang bis Ende selbst besitze.
Founding EngineerDelaware, USA / remoteMeine eigene Firma. Ich habe ein mandantenfähiges KI-SaaS von null gebaut, dominanter Autor mit ~1.557 Commits, das heute 1.000+ Nutzer und 30+ zahlende Kunden bedient.
Backend EngineerIstanbul, TRLive-In-Game-Event-Services hinter einem umsatzstarken Mobile Game mit 6M+ Spielern, in Spring Boot und gRPC über MySQL, Cassandra, Redis und Elasticsearch. Fünf-Engineer-Team, Features von Anfang bis Ende verantwortet.
Software Development EngineerLuxemburg-Stadt, LUCheckout und Steuer für Schweden, Polen, die Niederlande und die Türkei, die Systeme, die Kundengeld bewegen und jedes Mal stimmen müssen. Ich habe die 5M-Datensätze-Migration nach DynamoDB ohne Ausfallzeit durchgeführt und Vendor Powered Coupons ausgeliefert.
Digital Tech Developer AnalystIstanbul, TRDas Backend für Roches Customer-Experience-Dashboard in Spring und Java auf AWS gebaut.
Produktionsprobleme über einen PHP- und React/TypeScript-Stack behoben und ein Praktikantenteam geleitet, das ein Kommentarsystem für einen Online-PDF-Editor gebaut hat.
Ausbildung
- 2017 – 2022Bilkent University, AnkaraBS, Computer Science
Algorithmen, Datenstrukturen, Rechnerorganisation, Betriebssysteme, Datenbanken, Programmiersprachen.
- 2021Trendyol (remote)Data Engineering Bootcamp
BigQuery, Scala, Apache Spark, Apache Kafka, Apache Flink.
Über mich
Ich bin AI Engineer und lebe in Istanbul. Zwei Jahre habe ich an Backend-Systemen bei Amazon und Dream Games gearbeitet, danach zwei Jahre allein ein KI-Produkt gebaut. Die Backend-Arbeit hat mir Produktionsdisziplin beigebracht; das Bauen im Alleingang, wie viel man ausliefern kann, wenn einem jede Schicht gehört.
Am meisten interessieren mich die Teile, die leicht übersprungen werden: Retrieval, das mit echten Kundendaten standhält, Agent-Orchestrierung, die unter Last stabil bleibt, und Kosten, die pro Request gemessen statt geschätzt werden. Ich baue die KI, dann betreibe ich sie, supporte sie und behalte die Zahlen im Blick.
Die KI ist das Produkt, kein angeschraubtes Feature. Alles andere ist Klempnerei, die ich gern selbst verantworte
Kontakt
Wenn Sie an etwas mit produktiver KI arbeiten oder einfach fachsimpeln möchten, schreiben Sie mir.
- GitHub
- github.com/egehakan
- linkedin.com/in/egehakankar
- Wo
- Istanbul, Türkei · UTC+03