Founding AI Product Engineer

Parker AI

KI-Plattform für Kreativ-Strategie bei Marken mit hohem Meta Spend.

Zeitraum

06/2023 bis heute

Ort

Remote · Berlin, Deutschland

Stack

4 Bereiche · 20 Tools

Scope

5 Bereiche · 7 Highlights

Überblick

Parker AI ist eine KI-native Plattform für Kreativ-Strategie und Marketing-Intelligenz. Sie hilft Consumer Brands und DTC-Teams, aus Social- und Ad-Signalen umsetzbare Creatives zu machen.

Als Founding AI Product Engineer verantworte ich die Plattform Ende zu Ende: Daten-Ingestion im großen Maßstab, Retrieval- und Embedding-Pipelines, Agenten-Orchestrierung, KI-Tool-Calls, ein Slack-first-Produkt und die Analytics, mit denen Marken jeden Tag arbeiten.
Kunden geben bis zu 2 Mio Dollar im Monat für Meta Ads aus und verlassen sich auf Parker, wenn es darum geht, was sie als Nächstes bauen: Hooks, Skripte, Angles und komplette Creative Briefs.

Meine Rolle

KI-Pipelines von der Ingestion bis Retrieval, Generierung und menschlicher Freigabe entwerfen.
Multi-Agent-Workflows bauen, die planen, Tools aufrufen, in Memory schreiben und prüfbare Ergebnisse liefern.
Slack-first-Oberfläche und Next.js-Dashboard bauen, in denen Ops, Strategen und Brand-Teams täglich arbeiten.
Produktreife Evals und Observability für jeden Model-Call betreiben, damit Qualität messbar ist statt Bauchgefühl.
KI-Unit-Economics mit verantworten: Prompt-Budgets, Retrieval- und Caching-Strategie und Qualitäts-Gates, die vergeudete Inferenz reduzieren.

Stack

AI & Orchestration

MastraTemporalMCP-style toolsLangfuseOpenAI / Anthropic / Gemini

Backend & Data

Next.jsNode.js / TypeScriptSupabase PostgresQdrantRedis

Infra

GCPCloud RunCloud FunctionsCloud Storage

Integrations

Meta Marketing APITikTokInstagramRedditSlackPostmark

Highlights

Multi-Source-Ingestion-Pipeline für TikTok, Instagram, Facebook, Reddit, Konkurrenz-Seiten, Reviews und Meta Ad Performance gebaut, mit robusten Schedulern, Retries und Dead-Letter-Queues auf Temporal.
Hybrides Retrieval aus Qdrant-Vektorsuche plus relationalen Daten in Supabase Postgres entworfen, mit Chunking, Embedding-Serialisierung und Query-bewusstem Re-Ranking.
Agentische Ideen-Systeme auf Mastra ausgeliefert, die Hooks, Skripte, Angles, Briefs und eine wiederverwendbare Ideen-Bank erzeugen, mit Tool-Calls in Ads, Analytics, Konkurrenz-Recherche und Kreativ-Review.
Slack-first-Auslieferung gebaut: proaktive Alerts, Wochen-Reports für Strategen, Ad-Performance-Digests und Kreativ-Empfehlungen dort, wo Teams schon arbeiten.
Meta-Marketing-API-Integration mit erweiterten Berechtigungen (ads_management, pages_read_user_content), Token-Rotation und Fetchern umgesetzt, die Rate Limits einhalten.
Jeden LLM-Call mit Langfuse-Traces, Prompt-Versionen, Evals und Kosten- und Latenz-Dashboards instrumentiert, damit das Team Änderungen mit Vertrauen ausliefert.
Kosten- und Performance-Abwägung über Model-Routing und Cache-bewusstes Retrieval gesteuert, damit Teams Nutzung skalieren, ohne Antwortqualität zu verlieren.

Ergebnisse

Trägt die Kreativ-Strategie von Marken mit bis zu 2 Mio Dollar Meta Spend im Monat.
Ideen-Durchlauf von Tagen auf Minuten verkürzt, mit einer Ideen-Bank, die immer läuft.
Das Fundament gebaut, das andere Engineers heute erweitern: Pipelines, Agenten-Schienen und Eval-Harnische.

FAQ

Wie sieht der Stack Ende zu Ende aus?

Next.js für das Dashboard, Node.js-Services auf GCP Cloud Run, Temporal für stabile Workflows, Supabase Postgres plus Qdrant für hybrides Retrieval, Redis für heißen State, Mastra für Agenten-Orchestrierung mit Tool-Calls im MCP-Stil und Langfuse für Tracing, Evals und Prompt-Management.

Wie bleiben KI-Agenten in Produktion sicher und berechenbar?

Jeder Tool-Call ist typisiert, über Langfuse nachvollziehbar und durch feste Schienen begrenzt. Agenten haben explizites Memory, Budget-Limits und menschliche Checkpoints vor Aktionen mit Wirkung, zum Beispiel vor dem Versand von Strategen-Reports.