Schulung · Agentic Coding · AI Engineering & LLM-Anwendungen

Agentic Coding für AI Engineers

Autonome Coding-Agenten wirksam einsetzen: Spezifikation statt Prompt, Aufgabenzerlegung, testgetriebene Loops, Multi-Agent-Setups und Governance.

Dauer
2 Tage (14 Std.)
Format
Online oder vor Ort
Sprache
Deutsch oder Englisch
Teilnehmende
offene Termine oder exklusiv für Ihr Team
Abschluss
Teilnahmebescheinigung

Überblick

Das Training „Agentic Coding für AI Engineers“ richtet sich an Rollen wie Softwareentwickler:innen, die LLM-Funktionen in Produkte integrieren, AI Engineers und Machine-Learning-Engineers und Data Scientists mit Fokus auf generative KI und zeigt Schritt für Schritt, wie Agentic Coding im Bereich AI Engineering & LLM-Anwendungen produktiv, sicher und nachvollziehbar eingesetzt wird – von den Grundlagen bis zu fortgeschrittenen Workflows.

Agentic Coding bezeichnet die Arbeit mit KI-Agenten, die Entwicklungsaufgaben weitgehend selbstständig erledigen: Sie lesen Code, planen Änderungen, führen Befehle und Tests aus und korrigieren sich anhand der Ergebnisse. Werkzeuge wie Claude Code, OpenAI Codex, der GitHub Copilot Coding Agent oder der Agent-Modus von Cursor machen diese Arbeitsweise alltagstauglich. Dieses herstellerneutrale Training vermittelt die Methodik dahinter, damit Sie unabhängig vom Werkzeug verlässliche Ergebnisse erzielen und die Rolle der Entwicklerin oder des Entwicklers neu definieren.

Im Zentrum steht der Wechsel vom spontanen Prompt zur belastbaren Spezifikation. Sie lernen, Aufgaben so zu zerlegen und zu beschreiben, dass Agenten sie zuverlässig lösen, testgetriebene Schleifen aufzusetzen, in denen Tests als objektives Abnahmekriterium dienen, und mehrere Agenten parallel oder arbeitsteilig einzusetzen. Darüber hinaus behandeln wir Review-Strategien für agentisch erzeugten Code sowie Governance im Team: Berechtigungen, Sicherheitsgrenzen, Verantwortlichkeiten, Kostenkontrolle und die schrittweise Einführung agentischer Workflows in bestehende Entwicklungsprozesse.

AI Engineering ist die Disziplin, aus Sprachmodellen verlässliche Produkte zu machen: Chat-Assistenten, Dokumentenanalyse, Retrieval-Augmented Generation, Agenten mit Werkzeugzugriff und KI-Funktionen in bestehenden Anwendungen. Der Code rund um das Modell ist dabei oft anspruchsvoller als der Modellaufruf selbst, denn Prompt-Versionierung, strukturierte Ausgaben, Evaluierung, Kostenkontrolle, Latenz, Observability und Schutz vor Prompt Injection entscheiden über den Erfolg in Produktion. KI-Coding-Assistenten und Agenten beschleunigen genau diese Arbeit, vom Aufbau von Evaluierungs-Pipelines über Tool-Definitionen und MCP-Server bis zur Fehleranalyse in Traces. Im Kurs lernen Sie, LLM-Anwendungen mit KI-Unterstützung systematisch zu entwickeln, ihre Qualität messbar zu machen und sie sicher, kosteneffizient und regelkonform zu betreiben.

Das Training findet live statt – wahlweise online im virtuellen Klassenraum oder vor Ort in unseren Trainingsräumen in München, Salzburg, Berlin, Augsburg, Hannover, Bremen, Stuttgart und Kaiserslautern. Auf Wunsch kommen wir auch exklusiv für Ihr Team zusammen.

Für wen ist das Training?

  • Softwareentwickler:innen, die LLM-Funktionen in Produkte integrieren
  • AI Engineers und Machine-Learning-Engineers
  • Data Scientists mit Fokus auf generative KI
  • Backend- und Platform-Teams, die KI-Infrastruktur bereitstellen
  • Technische Produktverantwortliche für KI-Features

Typische Herausforderungen, die wir adressieren

  • Prototypen funktionieren in Demos, liefern in Produktion aber schwankende Qualität
  • Fehlende systematische Evaluierung macht Änderungen an Prompts und Modellen riskant
  • Kosten, Latenz und Ratenlimits geraten bei steigender Nutzung außer Kontrolle
  • Neue Sicherheitsrisiken durch Prompt Injection, Datenabfluss und Agenten mit weitreichenden Rechten

Das können Sie nach dem Training

  • Sie verstehen die Funktionsweise von Coding-Agenten und wählen das passende Werkzeug und den passenden Autonomiegrad.
  • Sie schreiben Spezifikationen und Projektkontext, mit denen Agenten verlässlich arbeiten.
  • Sie zerlegen Vorhaben in überprüfbare Teilaufgaben und steuern Agenten über testgetriebene Loops.
  • Sie setzen Multi-Agent-Setups und parallele Arbeit kontrolliert ein.
  • Sie entwickeln RAG-Anwendungen, Agenten und LLM-Funktionen mit KI-Coding-Werkzeugen systematisch und produktionsreif.
  • Sie machen die Qualität von LLM-Anwendungen mit automatisierten Evaluierungen messbar und steuerbar.
  • Sie betreiben LLM-Anwendungen sicher und kosteneffizient, mit Observability, Schutz vor Prompt Injection und klaren Berechtigungen.

Inhalte & Ablauf

Tag 1

Modul 1 Grundlagen agentischer Entwicklung
  • Funktionsweise von Coding-Agenten: Werkzeugaufrufe, Kontextfenster und Feedback-Schleifen
  • Werkzeuge im Vergleich: Terminal-Agenten, IDE-Agenten und Cloud-Agenten
  • Geeignete Aufgaben erkennen und Autonomiegrade bewusst wählen
  • Die neue Rolle im Team: von der Umsetzung zur Steuerung und Abnahme
Modul 2 Spezifikation statt Prompt
  • Aufgaben mit Ziel, Kontext, Randbedingungen und Abnahmekriterien beschreiben
  • Projektkontext dauerhaft in Dateien wie CLAUDE.md, AGENTS.md oder Rules hinterlegen
  • Plan-First-Vorgehen: Lösungsweg vom Agenten entwerfen und vor der Umsetzung prüfen
  • Spezifikationen versionieren und als Teil des Repositorys pflegen
Modul 3 Aufgabenzerlegung und testgetriebene Agenten-Loops
  • Große Vorhaben in unabhängige, überprüfbare Teilaufgaben zerlegen
  • Tests zuerst schreiben lassen und als objektives Abbruchkriterium nutzen
  • Linter, Typprüfungen und Builds als automatische Rückmeldung einsetzen
  • Festgefahrene Loops erkennen und mit neuer Strategie neu starten
Modul 4 Multi-Agent-Setups und Parallelisierung
  • Spezialisierte Subagents für Recherche, Implementierung, Tests und Review definieren
  • Parallele Arbeit mit Branches, Worktrees und isolierten Umgebungen organisieren
  • Orchestrierung: Ergebnisse zusammenführen und Konflikte auflösen
  • Werkzeuge und Datenquellen über MCP gemeinsam nutzbar machen

Tag 2

Modul 5 Review, Sicherheit und Governance im Team
  • Review-Strategien für große, agentisch erzeugte Änderungen
  • Berechtigungen, Sandboxing und Schutz vor Prompt Injection festlegen
  • Agenten in CI-Pipelines und Pull-Request-Prozesse einbinden
  • Teamrichtlinien, Verantwortlichkeiten, Kosten und schrittweise Einführung planen
Modul 6 Praxislabor: AI Engineering & LLM-Anwendungen
  • RAG-Pipelines aufbauen
  • Evaluierung automatisieren
  • Agenten und Tools entwickeln
  • Strukturierte Ausgaben absichern
  • Observability und Kosten
  • Prompt Injection abwehren
Modul 7 Datenschutz, Qualität & Transfer in den Alltag
  • LLM-Anwendungen verarbeiten häufig personenbezogene und vertrauliche Daten: Sie lernen, Anforderungen des EU AI Act an Transparenz und Risikoklassen einzuordnen, DSGVO-konforme Datenflüsse mit Auftragsverarbeitung und Löschkonzepten zu gestalten, API-Schlüssel sicher zu verwalten und Lizenzbedingungen von Modellen und Datensätzen zu beachten.
  • Spielregeln für den sicheren KI-Einsatz im Team
  • Ergebnisse prüfen: Fakten, Quellen, Tests und Vier-Augen-Prinzip
  • Persönlicher Umsetzungsplan für die nächsten 30 Tage
  • Offene Fragen, Ausblick und Ressourcen zum Weiterlernen

Praxisszenarien aus Ihrem Bereich

RAG-Pipelines aufbauen

Ingestion, Chunking, Embeddings, Vektorsuche, hybrides Retrieval und Reranking implementieren und Antworten mit Quellenangaben erzeugen, wobei Berechtigungen der Originaldokumente beim Abruf berücksichtigt werden. Die Qualität wird laufend gemessen.

Evaluierung automatisieren

Testdatensätze mit erwarteten Antworten erstellen, Metriken für Relevanz, Faktentreue und Format definieren, LLM-as-a-Judge-Bewertungen kalibrieren und Evaluierungen bei jeder Prompt- oder Modelländerung in der CI ausführen.

Agenten und Tools entwickeln

Tool-Definitionen und MCP-Server entwerfen, Agentenschleifen mit Planung, Werkzeugaufrufen und Abbruchbedingungen umsetzen und Berechtigungen sowie menschliche Freigaben für folgenreiche Aktionen einbauen. Abbrüche und Fehlschläge werden dabei sauber behandelt und protokolliert.

Strukturierte Ausgaben absichern

JSON-Schemas für Modellantworten definieren, Ausgaben validieren, Wiederholungsstrategien bei Fehlern implementieren und Extraktionsaufgaben wie Rechnungs- oder Vertragsdaten robust gestalten. Fehlerhafte Antworten werden so automatisch erkannt, bevor sie nachgelagerte Systeme oder Datenbanken erreichen.

Observability und Kosten

Traces, Token-Verbrauch, Latenzen und Fehlerraten erfassen, problematische Konversationen analysieren und Kosten durch Caching, Modell-Routing und Kontextreduktion gezielt senken. Budgets und Warnschwellen pro Funktion verhindern dabei unangenehme Überraschungen auf der monatlichen Rechnung.

Prompt Injection abwehren

Angriffsszenarien über manipulierte Dokumente, Webseiten oder Tool-Ergebnisse testen, Eingaben und Ausgaben filtern, Rechte von Agenten begrenzen und Red-Teaming-Tests als festen Bestandteil der Pipeline etablieren. Funde fließen in Regressionstests ein.

Mögliche Praxisprojekte im Kurs

Wissensassistent mit Quellen

Ein RAG-Chat über interne Dokumente mit Zitaten, Feedback-Buttons und einer Evaluierungsseite, die Antwortqualität über Testfragen verfolgt. Berechtigungen der Quelldokumente werden beim Abruf berücksichtigt.

Evaluierungs-Harness

Ein Kommandozeilenwerkzeug, das Prompt-Varianten gegen einen Testdatensatz ausführt, Ergebnisse bewertet und Unterschiede zwischen Versionen übersichtlich darstellt. Es lässt sich als Qualitätsschranke in die CI einbinden.

Dokumenten-Extraktor

Ein Dienst, der PDFs entgegennimmt, strukturierte Daten nach einem JSON-Schema extrahiert, validiert und unsichere Fälle zur manuellen Prüfung markiert. Korrekturen fließen in Testdaten ein.

Voraussetzungen

Sie haben mehrjährige Entwicklungserfahrung, arbeiten sicher mit Git, Tests und CI und haben idealerweise bereits erste KI-Coding-Werkzeuge genutzt. Sie haben solide Programmierkenntnisse, idealerweise in Python oder TypeScript, und Erfahrung mit APIs; erste Berührung mit LLM-APIs ist hilfreich, aber nicht erforderlich.

Technische Voraussetzungen

Eigener Laptop mit Git, Terminal und Ihrer Entwicklungsumgebung sowie Zugang zu mindestens einem Coding-Agenten wie Claude Code, Codex, Copilot oder Cursor.

Datenschutz & Compliance

LLM-Anwendungen verarbeiten häufig personenbezogene und vertrauliche Daten: Sie lernen, Anforderungen des EU AI Act an Transparenz und Risikoklassen einzuordnen, DSGVO-konforme Datenflüsse mit Auftragsverarbeitung und Löschkonzepten zu gestalten, API-Schlüssel sicher zu verwalten und Lizenzbedingungen von Modellen und Datensätzen zu beachten.

Terminvorschläge

Alle Termine sind Vorschläge – Ihr Wunschtermin ist jederzeit möglich.

  • Do, 26. November 2026 – Fr, 27. November 2026 Online Anfragen
  • Mi, 9. Dezember 2026 – Do, 10. Dezember 2026 Berlin Anfragen
  • Do, 17. Dezember 2026 – Fr, 18. Dezember 2026 Online Anfragen
  • Mi, 13. Januar 2027 – Do, 14. Januar 2027 Stuttgart Anfragen
  • Do, 28. Januar 2027 – Fr, 29. Januar 2027 Online Anfragen
  • Mi, 3. Februar 2027 – Do, 4. Februar 2027 Hannover Anfragen

Häufige Fragen

Worin unterscheidet sich Agentic Coding von Vibe Coding?

Vibe Coding setzt auf schnelle, intuitive Iteration in natürlicher Sprache und eignet sich besonders für Prototypen. Agentic Coding ist ein ingenieurmäßiger Ansatz für professionelle Codebasen: Präzise Spezifikationen, Tests als Abnahmekriterium, klare Berechtigungen und strukturierte Reviews sorgen dafür, dass Agenten auch in komplexen, langlebigen Projekten verlässliche und wartbare Ergebnisse liefern.

Ist der Kurs an ein bestimmtes Werkzeug gebunden?

Nein. Der Kurs vermittelt Methoden, die mit Claude Code, OpenAI Codex, dem GitHub Copilot Coding Agent, Cursor und vergleichbaren Werkzeugen funktionieren. Die Übungen zeigen Unterschiede und Gemeinsamkeiten, etwa bei Kontextdateien, Berechtigungen und Subagents. Sie können mit dem Werkzeug arbeiten, das in Ihrem Unternehmen eingesetzt wird oder werden soll.

Wie behalten wir bei autonomen Agenten die Kontrolle über Qualität und Sicherheit?

Kontrolle entsteht durch mehrere Ebenen: eng gefasste Berechtigungen und Sandboxing, Tests und statische Analysen als automatische Prüfinstanz, verpflichtende menschliche Reviews vor dem Merge und klare Teamregeln zu Verantwortlichkeiten. Im Kurs entwickeln Sie ein Governance-Konzept, das zu Ihren Prozessen, Sicherheitsanforderungen und regulatorischen Vorgaben passt.

Worin unterscheidet sich AI Engineering von klassischem Machine Learning?

Beim klassischen Machine Learning trainieren Sie eigene Modelle auf eigenen Daten. Im AI Engineering nutzen Sie meist vortrainierte Sprachmodelle über APIs oder selbst betriebene Modelle und konzentrieren sich auf Kontext, Retrieval, Werkzeuge, Evaluierung und Betrieb. Statistik- und Trainingswissen ist weniger zentral, Software-Engineering-Kompetenz dafür umso wichtiger. Der Kurs setzt genau dort an.

Wie messen wir, ob unsere LLM-Anwendung gut genug ist?

Mit einem Evaluierungsdatensatz aus realistischen Fragen und erwarteten Ergebnissen, kombinierten Metriken aus regelbasierten Prüfungen, LLM-as-a-Judge und menschlicher Stichprobe sowie Monitoring im Betrieb. Wichtig ist, Evaluierungen bei jeder Änderung automatisch laufen zu lassen. Im Kurs bauen Sie ein solches Setup auf und lernen, Bewertungsmodelle zu kalibrieren.

Was kostet die Schulung „Agentic Coding für AI Engineers“?

Die Schulung kostet pauschal 949 € zzgl. gesetzl. MwSt. pro Teilnehmer:in – unabhängig davon, ob sie online oder vor Ort stattfindet. Enthalten sind 2 Trainingstag(e) mit Live-Trainer:in, Kursunterlagen, Übungsumgebung und Teilnahmebescheinigung.

Kann ich einen eigenen Wunschtermin angeben?

Ja. Unsere Terminvorschläge sind eine Orientierung. Im Anfrageformular können Sie jederzeit einen Wunschtermin oder Zeitraum im Freitext angeben – wir prüfen die Verfügbarkeit und bestätigen innerhalb eines Werktags.

Findet der Kurs online oder vor Ort statt?

Beides ist möglich: live online im virtuellen Klassenraum oder vor Ort in München, Salzburg, Berlin, Augsburg, Hannover, Bremen, Stuttgart oder Kaiserslautern. Auf Wunsch führen wir das Training auch exklusiv für Ihr Team durch.

Weitere Kurse für AI Engineers

Weitere Kurse zu Agentic Coding

Alle 32 Kurse zu Agentic Coding

Agentic Coding · MünchenAgentic Coding · SalzburgAgentic Coding · BerlinAgentic Coding · AugsburgAgentic Coding · HannoverAgentic Coding · BremenAgentic Coding · StuttgartAgentic Coding · KaiserslauternAgentic Coding · Online