No fluff.
Just what works.
Technical articles on building AI systems that run in production. Architecture decisions, code, lessons learned.
ML-Modelle schnell in LLM-Agenten integrieren: Das Predikit-Framework für LLM-abrufbare Modelle
von Denis Shokhirev, Enterprise AI Architect aus Erlangen. In den letzten sechs Monaten habe ich für DACH-B2B-Kunden 14 produktive LLM-Agenten mit einem Stack aus Claude, Supabase, n8n, Doppler und selbst gehostetem Postgres bereitgestellt. Die größte Hürde im Produktivbetrieb: Eigene ML-Modelle sicher, auditierbar und schnell in LLM-Agenten einzubinden – nicht als Demo, sondern für reale B2B-Prozesse. Das Problem: ML-Modelle in LLM-Agenten – Risiken und Reibungsverluste Gerade in regulierten
How to Quickly Integrate Any ML Model into LLM Agents: Predikit Framework for LLM-Callable Models
I'm Denis Shokhirev, enterprise AI architect in Erlangen. Over the past 6 months, I've shipped 14 production LLM agents for DACH B2B clients using a stack of Claude, Supabase, n8n, Doppler, and self-hosted Postgres. Fast, secure integration of my own ML models into agent workflows—not toy demos—is the single most recurring pain point in real-world deployments. The Real Pain: Connecting Custom ML Models to LLM Agents In regulated B2B projects—logistics, fintech, industrial automation—LLM agent
Как быстро интегрировать любую ML-модель в LLM-агентов: фреймворк Predikit для вызова моделей через LLM
Я — Денис Шохирев, архитект AI-решений в Erlangen. За последние полгода я внедрил 14 production LLM-агентов для клиентов DACH на стеке Claude, Supabase, n8n, Doppler и локальный Postgres. Главная боль: интеграция своих ML-моделей в пайплайн LLM-агентов для живых B2B-кейсов, а не демо. Почему интеграция ML-моделей в LLM-агентов — это всегда боль В реальных проектах, где LLM-агенты работают с чувствительными данными (финтех, логистика, индустриальная автоматизация), часто требуется встроить сво
Wie Sie Produktionsumgebungen vor LLM-bedingten Schwachstellen schützen: Automatisierte Sicherheitsprüfung von KI-Code
von Denis Shokhirev, Enterprise AI Architect aus Erlangen — Ich betreibe DennisCraft AI Studio und liefere produktive KI-Lösungen für DACH-B2B-Kunden. Mein Stack: Claude, Supabase, n8n, Doppler, Postgres (self-hosted). Im produktiven Einsatz stoße ich regelmäßig auf ein wiederkehrendes Problem: LLM-Integrationen führen zu Schwachstellen, die unbemerkt in die Produktionsumgebung gelangen — trotz DSGVO, BSI-Grundschutz und ISO 27001-Vorgaben. Typische Schwachstellen durch LLM-Code im Produktivbe
How to Prevent Vulnerabilities from LLM Integrations in Production: Automating AI Code Security Audits
I’m Denis Shokhirev, Enterprise AI Architect based in Erlangen, Germany, and founder of DennisCraft AI Studio. Over the last six months, I’ve shipped 14 production AI agents for DACH B2B clients using a stack of Claude, Supabase, n8n, Doppler, and self-hosted Postgres. In real deployments, I keep seeing one critical pain: LLM-generated code and integrations can introduce silent security vulnerabilities into production, especially as code generation pipelines scale up. LLM-Driven Vulnerabilitie
Как защитить прод от внедрения уязвимостей через LLM-интеграции: автоматизация аудита AI-кода
Я — Денис Шохирев, Enterprise AI архитектор из Эрлангена, Германия, веду DennisCraft AI Studio и внедряю LLM-агентов в проде для B2B-клиентов по DACH. Мой стек за последний год — Claude, Supabase, n8n, Doppler, self-hosted Postgres. На практике вижу одну и ту же боль: через интеграцию LLM в продовую цепочку реально пролетают уязвимости, особенно когда генерация кода автоматизирована или полуавтоматизирована. Типовые уязвимости через LLM: что реально встречается в проде Я лично поймал за после
Local-First Autonomous AI Coding Agents: Capabilities and Limitations
I'm Denis Shokhirev, Enterprise AI architect based in Erlangen, Germany. At DennisCraft AI Studio, I ship production AI systems for DACH B2B clients using Claude, Supabase, n8n, Doppler, and self-hosted Postgres. Over the last six months, I've deployed 14 production AI agents, and every single one exposed hard limits and real risks around local autonomy versus cloud dependency. Why Local-First Matters in Regulated B2B Many European mid-market CTOs want autonomous AI coding agents that never l
Lokale autonome KI-Coding-Agenten: Möglichkeiten und Grenzen
von Denis Shokhirev, Enterprise AI Architect aus Erlangen. In meinem DennisCraft AI Studio setze ich produktive KI-Systeme für DACH-B2B-Kunden um, auf Basis von Claude, Supabase, n8n, Doppler und selbst gehostetem Postgres. In den letzten sechs Monaten habe ich 14 KI-Agenten in der Produktion ausgerollt – und immer wieder stoße ich auf die gleichen regulatorischen Hürden beim Thema Autonomie und DSGVO-konforme Architektur. Warum lokale KI-Agenten im DACH-Bereich zunehmend relevant sind Gerade
Локальные автономные AI-агенты для кодирования: возможности и ограничения
Я — Denis Shokhirev, архитектор AI-решений из Эрлангена. В DennisCraft AI Studio я вывожу в продакшн агентные системы на базе Claude, Supabase, n8n, Doppler и self-hosted Postgres для B2B-клиентов в DACH. За последние полгода я внедрил 14 production AI-агентов — и каждый раз вопрос автономии и безопасности критичен ещё на этапе прототипа. Почему локальные AI-агенты востребованы В российских и DACH-компаниях есть спрос на автономные AI-агенты, работающие в локальном контуре без передачи кода и
Recursive Self-Improvement Agents: Architektur und Herausforderungen der Implementierung
von Denis Shokhirev, Enterprise AI Architect aus Erlangen. Bei DennisCraft AI Studio habe ich in den letzten sechs Monaten 14 produktive AI-Agenten für DACH-B2B-Kunden auf Basis von Claude, Supabase, n8n, Doppler und selbstgehostetem Postgres entwickelt. Recursive Self-Improvement Agents sind im Produktivbetrieb kein Hype: Sie bringen konkrete Herausforderungen wie Endlosschleifen, unerwartete Pipeline-Degradationen und komplexe Audit-Anforderungen, insbesondere unter DSGVO und BaFin-Regulierung
Recursive Self-Improvement Agents: Architecture and Implementation Challenges
I'm Denis Shokhirev, an enterprise AI architect based in Erlangen, Germany. At DennisCraft AI Studio, I’ve shipped 14 production AI agents for DACH B2B clients on a stack that includes Claude, Supabase, n8n, Doppler, and self-hosted Postgres. Whenever I deploy recursive self-improvement agents in production, the same issues keep surfacing: infinite improvement loops, unpredictable regressions, and compliance audit headaches. Core Architecture of Recursive Self-Improvement Agents System Compo
Recursive Self-Improvement Agents: Архитектура и вызовы внедрения
Я — Денис Шохирев, архитектор AI из Эрлангена, Германия. В DennisCraft AI Studio за последние полгода внедрил 14 production AI-агентов для B2B-клиентов в DACH на стеке Claude, Supabase, n8n, Doppler, self-hosted Postgres. Внедрение recursive self-improvement агентов всегда упирается в реальные production-грабли: циклические ошибки, гонки изменений, compliance-контроль. Архитектура recursive self-improvement агента Общий паттерн Recursive self-improvement агент — это система, которая способн
Wie Sie Ausfälle reduzieren und die Zuverlässigkeit von KI-Agenten im Produktivbetrieb erhöhen: Kontrollpanel für 25+ LLMs mit Halluzinationserkennung
von Denis Shokhirev, Enterprise AI Architect aus Erlangen. In meinem Studio DennisCraft AI liefere ich KI-Agenten für B2B-Kunden im DACH-Raum aus — Logistik, Fintech, Industrieautomatisierung. Mein Stack: Claude, Supabase, n8n, Doppler, self-hosted Postgres. Nach jedem Go-Live melden Kunden dieselben Probleme: instabile Agenten, Fehler im Datenfluss, Halluzinationen. Keine Theorie, sondern Muster aus echten Produktivumgebungen. Typische Fehlerquellen: Warum LLM-Agenten im Betrieb scheitern So
Как уменьшить сбои и повысить надежность AI-агентов в проде: контрольная панель для 25+ LLM с защитой от галлюцинаций
Я — Денис Шохирев, Enterprise AI architect из Эрлангена, Германия. В DennisCraft AI Studio я внедряю AI-агентов для B2B клиентов DACH региона: логистика, финтех, автоматизация. За последние 6 месяцев я вывел в прод 14 AI-агентов на стеке Claude, Supabase, n8n, Doppler и self-hosted Postgres. Самый частый запрос после запуска — «Почему агент ведёт себя нестабильно? Почему галлюцинации?». Ни одной маркетинговой презентации — только реальный опыт продакшена. Почему LLM-агенты ломаются в проде: ре
How to Reduce Failures and Improve Reliability of AI Agents in Production: Control Plane for 25+ LLMs with Hallucination Detection
I’m Denis Shokhirev, Enterprise AI architect based in Erlangen, Germany. At DennisCraft AI Studio I ship production AI systems for DACH B2B clients—logistics, fintech, industrial automation—using a stack built around Claude, Supabase, n8n, Doppler, and self-hosted Postgres. The most common pain after launch: unpredictable agent failures and invisible LLM hallucinations that disrupt real-world business flows. This is not theory—these are patterns I see every week in deployed systems. Production
Moderne Methoden zur Erkennung und Analyse von Deepfakes: Werkzeuge für KI-Architektinnen und -Architekten
von Denis Shokhirev, Enterprise AI Architect aus Erlangen. Bei DennisCraft AI Studio liefern wir produktive KI-Systeme für DACH-B2B-Kunden mit Claude, Supabase, n8n, Doppler und selbst gehostetem Postgres. In der Praxis sind Deepfakes kein Randthema: In einem realen Mandat wurden binnen acht Wochen sechs gefälschte Video- und Audiodateien erst im späten Workflow-Stadium erkannt – eine direkte Bedrohung für Compliance nach DSGVO und die Prozesssicherheit. Warum Deepfake-Erkennung in regulierten
Modern Deepfake Detection and Analysis: Tools for AI Architects
I’m Denis Shokhirev, an enterprise AI architect based in Erlangen, Germany. At DennisCraft AI Studio, I ship AI systems for DACH B2B clients—usually in logistics, fintech, and industrial automation—using a stack of Claude, Supabase, n8n, Doppler, and self-hosted Postgres. Deepfakes aren’t a theoretical risk for me: in one real-world client deployment, three deepfake audio files slipped through initial moderation and almost triggered a payout event before being flagged by my custom pipeline. Wh
Современные методы обнаружения и анализа дипфейков: инструменты для архитекторов ИИ
Я — Денис Шохирев, архитектор AI из Эрлангена, Германия. В DennisCraft AI Studio я разрабатываю и внедряю AI-решения для B2B-клиентов DACH (логистика, финтех, промышленная автоматизация). За последние 6 месяцев я внедрил 14 production AI-агентов на стеке Claude, Supabase, n8n, Doppler, self-hosted Postgres. На практике сталкиваюсь с реальными дипфейками чаще, чем с “идеальными” лабораторными примерами: клиенты требуют защищать не демо, а реальные бизнес-процессы. Почему детекция дипфейков — эт
AI-Agentenplattform aus 300.000 Zeilen Code: Architektur und Praxis im regulierten DACH-Markt
von Denis Shokhirev, Enterprise AI Architect aus Erlangen. Bei DennisCraft AI Studio entwickle und betreibe ich AI-Systeme für DACH-B2B-Kunden – Logistik, Fintech, industrielle Automatisierung – mit einem Stack aus Claude, Supabase, n8n, Doppler und selbst gehostetem Postgres. Nach 14 produktiven AI-Agenten in sechs Monaten zeigt die Realität: DSGVO, Latenz, Race Conditions und LLM-Schwächen sind keine Folienprobleme. In diesem Beitrag analysiere ich die Architektur meiner 300.000-Zeilen-Code-Pl
Building a 24/7 AI Agent Platform from Scratch: Lessons from a 300K LOC System
I'm Denis Shokhirev, Enterprise AI architect based in Erlangen, Germany. At DennisCraft AI Studio, I ship AI systems to DACH B2B clients in logistics, fintech, and industrial automation, using a stack of Claude, Supabase, n8n, Doppler, and self-hosted Postgres. Shipping 14 production AI agents in six months exposed pain points that don't show up in demos: concurrency bugs, token exhaustion, and LLM code exposing real-world risk. This post breaks down the architecture of my 300K LOC platform—the