Agenten und Pipelines, die ohne mich weiterlaufen.

Ich bin Data Scientist im ÖPNV und mache nebenher einen Master in Data Science. Hier steht, was bei mir in Production läuft: autonome Claude-Agenten, eine Bahn-Wetter-Pipeline mit über einer Million beobachteter Halte, ein dbt-Stack mit selbstgebautem Field-Level-Lineage.

Pünktlichkeit, letzte 30 Tage

aus meiner Pipeline · Stand 19.06.2026
50%60%70%23.05.30.05.06.06.13.06.

Linie: Anteil Halte mit unter 6 Minuten Verspätung pro Tag. Balken: beobachtete Halte — der Sprung Ende Mai ist der Ausbau von 11 auf 73 Stationen. Quelle: meine RailCast-Pipeline (DB IRIS-TTS minütlich, DWD-Wetter stündlich), kein externes Dashboard. Mehr unter railcast.de.

1.054.632beobachtete Zughalte
11,3 MioWetter-Samples auf Strecken
57dbt-Tests, alle grün
14valide Bug-Bounty-Funde
20gemergte Feature-Branches (Agent)
01

Lab

Zeile aufklappen für Details
RailCast Bahn-Verspätungen plus Wetter, minütlich gesammelt seit März. Über eine Million Halte, 73 Stationen, eigenes DWH. +
  • Python
  • SQLite WAL
  • DWD ICON-D2
  • dbt

Collector-Daemon auf einer kleinen VPS, fragt DB IRIS-TTS minütlich ab. Wetter kommt zweigleisig: Open-Meteo live plus eine DWD-Pipeline, die ICON-D2-GRIB2-Dateien parst und Stationswetter auf 5.888 Strecken-Samplepunkte interpoliert — 11,3 Millionen Zeilen Streckenwetter.

Erster belastbarer Befund aus den Marts: bei Starkregen sind 27 % der Halte pünktlich, bei normalem Regen 71 %.

railcast.de · Writeup 384.000 Züge, eine SQLite

Recon Autonome Bug-Bounty-Audits. 14 valide Funde, darunter eine Critical-RCE (CVSS 9.6) in einer F500-OSS-Plattform. +
  • Claude Code
  • Bash-Queue
  • HackerOne

Audits laufen als Queue: pro Target ein frischer CLI-Prozess mit Sentinel-Recovery, Refusal-Detection und Usage-Limit-Handling. Jede vielversprechende Hypothese geht an einen separaten Sub-Agent mit dem Auftrag, sie zu falsifizieren. Läuft inzwischen auf Claude Code statt der ersten Eigenbau-Pipeline.

Reports im H1-Format mit Source-Refs und CVSS-Begründung; Disclosure koordiniert mit dem Vendor.

→ Writeups CVSS 9.6 und Refusals abfangen

Pixel LLM-Co-Maintainer von puzzlekreis.de (FastAPI + Next.js + React Native). 20 gemergte Feature-Branches mit Tests. +
  • claude-opus-4-8
  • Production
  • seit April

Pixel pusht Feature-Branches direkt ins Repo — Ergebnis eines Runs ist ein feat/…-Branch mit Tests, kein Diff in einer Chat-Antwort. Beigetragen u. a.: FTS-Migration mit Postgres-IMMUTABLE-Wrapper, Photo-Lightbox, Sentry-CSP, Analytics-Hooks, Pre-Launch-Bugfixes.

Die Site ist seit dem Soft-Launch live: puzzlekreis.de.

→ Writeup Pixel — ein LLM als Co-Maintainer in Production

Nova Ops-Agent fürs Heimnetz. Pflegt Infrastruktur-Doku, Backups und diese Seite. +
  • claude-opus-4-8
  • Telegram
  • 24/7

Alles zwischen „halt das Heimnetz am Laufen" und „schreib einen Writeup zu X". Führt ein lebendes Ops-Wiki (Hosts, Services, Domains, Risiken), überwacht drei Hosts und meldet sich von selbst, wenn etwas kippt.

Diese Site ist von Nova erstgeschrieben, mit redaktioneller Schicht von mir.

03

Setup

drei Hosts, kein Kubernetes
paradecentralMini-PC, Wohnzimmer
MSI Cubi 5 · i3-1215U · 32 GB · Ubuntu 24.04 · ~10 W idle. Vier Claude-Agenten, Git-Forge, Foto- und Dokumenten-Pipeline, Monitoring für alle drei Hosts, 7,3-TB-Storage. Backups nach 3-2-1: lokal, offsite, Cold-Disk. Kein offener Port — Zugriff nur via Tailscale.
zoopaAWS t3.small, us-east-1
2 vCPU · 2 GB · nginx + systemd-Units. Acht Python-Services unter api.zoopa.org, ein Discord-Agent für die VPS-Wartung, der RailCast-Collector — und diese Site.
puzzlekreis prodHetzner CX33, Helsinki
4 vCPU · 8 GB. FastAPI + Postgres 16 + Redis + Next.js-PWA + React-Native-App. Co-maintained von Pixel, nightly Dumps offsite.
04

Kontakt

isufi.petrit@protonmail.com

Mail ist am sichersten. Antworten kann etwas dauern.