Schulung – Claude Code – AI Engineering & LLM-Anwendungen

Claude Code für AI Engineers

Agentisches Coding mit Claude Code im Terminal und in der IDE: von CLAUDE.md über Subagents und Hooks bis zu CI und sicheren Berechtigungen.

Dauer
6 Stunden, ein Termin
Format
Online oder vor Ort
Sprache
Deutsch oder Englisch
Teilnehmende
offene Termine oder exklusiv für Ihr Team
Abschluss
Teilnahmebescheinigung

Überblick

In diesem Kurs verbinden wir Claude Code mit den typischen Abläufen im Bereich AI Engineering & LLM-Anwendungen. Die Teilnehmenden arbeiten an realistischen Szenarien und nehmen sofort einsetzbare Prompts, Workflows und Checklisten mit.

Claude Code ist der agentische Coding-Assistent von Anthropic, der direkt im Terminal und in gängigen IDEs arbeitet. Statt einzelne Codezeilen zu vervollständigen, liest Claude Code Ihr Repository, plant Änderungen über mehrere Dateien hinweg, führt Befehle aus, startet Tests und erstellt Commits. In diesem kompakten Training lernen Sie, wie Sie dieses Werkzeug kontrolliert einsetzen: mit klaren Projektanweisungen in CLAUDE.md, bewusstem Kontextmanagement und einem Workflow, bei dem Sie als Entwicklerin oder Entwickler die Richtung vorgeben und jede Änderung nachvollziehen können.

Im Mittelpunkt stehen reale Entwicklungsaufgaben: Bugs analysieren, Features umsetzen, Legacy-Code refaktorieren und Tests ergänzen. Sie konfigurieren Subagents für spezialisierte Aufgaben, automatisieren Qualitätsprüfungen mit Hooks, binden externe Systeme über das Model Context Protocol (MCP) an und bündeln Teamwissen in Skills. Abschließend bringen Sie Claude Code headless in CI-Pipelines und legen Berechtigungen, Sandboxing und Freigaberegeln so fest, dass der Einsatz auch in sicherheitskritischen Umgebungen, etwa mit regulatorischen Vorgaben oder sensiblen Kundendaten, vertretbar bleibt.

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 setzen Claude Code für mehrstufige Entwicklungsaufgaben ein und behalten dabei die Kontrolle über jede Änderung.
  • Sie pflegen eine CLAUDE.md, die Projektkonventionen, Befehle und Architekturhinweise wirksam an den Agenten übergibt.
  • Sie erweitern Claude Code mit Subagents, Hooks, MCP-Servern und Skills passend zu Ihrem Team.
  • Sie integrieren Claude Code in Git-Workflows und CI-Pipelines mit nachvollziehbaren, testgesicherten Ergebnissen.
  • 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

Modul 1 Grundlagen und Arbeitsweise von Claude Code
  • Installation, Anmeldung und Einsatz im Terminal sowie in VS Code und JetBrains-IDEs
  • Agentische Schleife verstehen: Lesen, Planen, Ausführen, Prüfen
  • Plan-Modus nutzen, um Lösungswege vor der Umsetzung abzustimmen
  • Wirksame Aufgabenbeschreibungen mit Ziel, Kontext und Abnahmekriterien formulieren
Modul 2 Projektkontext mit CLAUDE.md und Kontextmanagement
  • CLAUDE.md auf Projekt-, Verzeichnis- und Benutzerebene strukturieren
  • Build-, Test- und Stilkonventionen so dokumentieren, dass der Agent sie zuverlässig befolgt
  • Kontextfenster steuern mit gezielten Dateiverweisen, Kompaktieren und frischen Sitzungen
  • Sitzungen fortsetzen und lange Aufgaben in überschaubare Etappen teilen
Modul 3 Erweitern mit Subagents, Hooks, MCP und Skills
  • Subagents für Code-Review, Recherche oder Testgenerierung definieren
  • Hooks einsetzen, um Formatierung, Linting oder Prüfungen vor und nach Tool-Aufrufen zu erzwingen
  • MCP-Server für Ticketsysteme, Datenbanken oder interne Dokumentation anbinden
  • Eigene Slash-Commands und Skills für wiederkehrende Team-Workflows erstellen
Modul 4 Git-Workflows, Tests und Qualitätssicherung
  • Branches, aussagekräftige Commits und Pull Requests mit Claude Code erstellen
  • Testgetriebenes Arbeiten: erst Tests schreiben lassen, dann implementieren
  • Diffs systematisch prüfen und Änderungen gezielt zurückweisen oder nachschärfen
  • Parallele Arbeit mit Git-Worktrees und mehreren Sitzungen organisieren
Modul 5 Headless-Betrieb, CI und Sicherheit
  • Claude Code nicht-interaktiv in Skripten und CI-Pipelines ausführen
  • Automatisierte Reviews und Issue-Bearbeitung in GitHub- oder GitLab-Workflows
  • Berechtigungsmodi, Allow- und Deny-Regeln sowie Sandboxing konfigurieren
  • Umgang mit Secrets, Prompt-Injection-Risiken und unternehmensweiten Richtlinien
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 verfügen über praktische Programmiererfahrung in mindestens einer Sprache und arbeiten sicher mit Git und der Kommandozeile. 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 Administratorrechten, Git, Node.js-Laufzeit und einem aktuellen Editor; ein Claude-Abonnement oder ein Anthropic-API-Zugang wird für die Übungen benötigt.

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.

Termine & Standorte

Pro Standort schlagen wir Ihnen einen Termin in rund vier Wochen vor. Ihr Wunschtermin ist jederzeit möglich.

  • München Di, 15. Dezember 2026 6 Std. Anfragen
  • Salzburg Mi, 16. Dezember 2026 6 Std. Anfragen
  • Berlin Mo, 14. Dezember 2026 6 Std. Anfragen
  • Augsburg Di, 15. Dezember 2026 6 Std. Anfragen
  • Hannover Mo, 14. Dezember 2026 6 Std. Anfragen
  • Bremen Di, 15. Dezember 2026 6 Std. Anfragen
  • Stuttgart Di, 15. Dezember 2026 6 Std. Anfragen
  • Kaiserslautern Do, 10. Dezember 2026 6 Std. Anfragen
  • Online Fr, 11. Dezember 2026 6 Std. Anfragen

Häufige Fragen

Worin unterscheidet sich Claude Code von klassischer Code-Vervollständigung?

Code-Vervollständigung schlägt die nächsten Zeilen vor, während Claude Code als Agent ganze Aufgaben bearbeitet: Es durchsucht das Repository, plant Änderungen über mehrere Dateien, führt Tests und Befehle aus und korrigiert sich anhand der Ergebnisse. Sie formulieren das Ziel und prüfen das Resultat, statt jede Zeile selbst zu steuern.

Ist Claude Code für den Einsatz im Unternehmen sicher genug?

Claude Code fragt standardmäßig vor Dateiänderungen und Befehlen nach Freigabe. Über Berechtigungsregeln, Sandboxing, verwaltete Einstellungen und Hooks lässt sich genau festlegen, was der Agent darf. Im Kurs lernen Sie, diese Mechanismen passend zu Ihren Sicherheits- und Datenschutzvorgaben zu konfigurieren und Risiken wie Prompt Injection einzuschätzen.

Funktioniert Claude Code mit meiner Programmiersprache und meinem Stack?

Ja. Claude Code arbeitet sprachunabhängig, weil es mit Dateien, Terminalbefehlen und Ihren vorhandenen Build- und Test-Tools arbeitet. Ob Python, Java, TypeScript, Go, ABAP-nahe Projekte oder Infrastruktur als Code: Entscheidend ist eine gute CLAUDE.md, die Ihre Befehle und Konventionen beschreibt. Den fachlichen Schwerpunkt setzt die jeweilige Kursvariante.

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 „Claude Code 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 6 Stunden Live-Training mit Trainer:in, Kursunterlagen, Übungsumgebung und Teilnahmebescheinigung.

Kann ich einen eigenen Wunschtermin angeben?

Ja. Für jeden Standort schlagen wir Ihnen einen Termin in rund vier Wochen vor. Im Anfrageformular können Sie aber jederzeit einen Wunschtermin oder Zeitraum im Freitext angeben – wir prüfen die Verfügbarkeit und melden uns 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 und Kaiserslautern. Auf Wunsch führen wir das Training auch exklusiv für Ihr Team durch.

Kann der Kurs auf unser Team zugeschnitten werden?

Ja. Maßgeschneiderte Kurse kosten ca. 4.500 € mehr, je nach Thema und nach Absprache. Wir stimmen Inhalte, Beispiele und Übungen vorab mit Ihnen ab.

Weitere Kurse für AI Engineers

Weitere Kurse zu Claude Code

Alle 77 Kurse zu Claude Code

Claude Code – MünchenClaude Code – SalzburgClaude Code – BerlinClaude Code – AugsburgClaude Code – HannoverClaude Code – BremenClaude Code – StuttgartClaude Code – KaiserslauternClaude Code – Online