Schulung – Cursor – AI Engineering & LLM-Anwendungen

Cursor für AI Engineers

Produktiv entwickeln mit dem KI-Code-Editor Cursor: Agent-Modus, Rules, Codebase-Kontext, Tab-Completion, Background Agents und Review.

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

Das Training „Cursor 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 Cursor im Bereich AI Engineering & LLM-Anwendungen produktiv, sicher und nachvollziehbar eingesetzt wird – von den Grundlagen bis zu fortgeschrittenen Workflows.

Cursor ist ein KI-Code-Editor auf Basis von VS Code, der Sprachmodelle tief in den Entwicklungsalltag integriert. Neben einer kontextbewussten Tab-Completion bietet Cursor einen Agent-Modus, der selbstständig Dateien durchsucht, Änderungen über das gesamte Projekt plant, Terminalbefehle ausführt und Fehler iterativ behebt. In diesem kompakten Training lernen Sie, Cursor gezielt einzusetzen: Sie wählen den passenden Interaktionsmodus, steuern den Kontext bewusst und kombinieren KI-Unterstützung mit Ihrem bestehenden Workflow aus Versionskontrolle, Tests und Code-Review.

Ein Schwerpunkt liegt auf der Teamtauglichkeit: Mit Projekt-Rules halten Sie Architekturvorgaben, Namenskonventionen und Teststrategien fest, damit der Agent konsistente Ergebnisse liefert. Sie lernen, die Codebase-Indizierung, gezielte Referenzen auf Dateien, Dokumentation und Symbole sowie MCP-Integrationen sinnvoll zu nutzen. Zudem delegieren Sie Aufgaben an Background Agents, prüfen deren Ergebnisse als Pull Requests und etablieren einen Review-Prozess, der Qualität, Sicherheit und Datenschutz im Unternehmen gleichermaßen berücksichtigt und auch für größere Teams mit mehreren Repositories tragfähig 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 wählen für jede Aufgabe den passenden Cursor-Modus und setzen ihn effizient ein.
  • Sie steuern den Codebase-Kontext gezielt und erhalten dadurch präzisere Vorschläge.
  • Sie formulieren Projekt-Rules, die Konventionen Ihres Teams zuverlässig durchsetzen.
  • Sie setzen den Agent-Modus und Background Agents für Features und Refactorings mit überprüfbaren Ergebnissen 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

Modul 1 Cursor einrichten und die Arbeitsmodi verstehen
  • Installation, Migration von VS-Code-Einstellungen und Erweiterungen
  • Unterschiede zwischen Tab-Completion, Inline-Bearbeitung, Ask- und Agent-Modus
  • Modellauswahl je nach Aufgabe: Geschwindigkeit, Tiefe und Kosten abwägen
  • Datenschutzmodus und Unternehmenseinstellungen kennen
Modul 2 Codebase-Kontext gezielt steuern
  • Wie die Codebase-Indizierung funktioniert und wo ihre Grenzen liegen
  • Dateien, Ordner, Symbole, Dokumentation und Webquellen gezielt referenzieren
  • Ignore-Dateien nutzen, um sensible oder irrelevante Inhalte auszuschließen
  • Lange Chats vermeiden und Aufgaben mit frischem Kontext neu starten
Modul 3 Rules für konsistente Ergebnisse im Team
  • Projekt-Rules anlegen, versionieren und nach Dateimustern aktivieren
  • Architektur-, Stil- und Testkonventionen als wirksame Rules formulieren
  • Benutzer-Rules und Team-Rules sinnvoll voneinander abgrenzen
  • Rules anhand typischer Fehlgriffe des Agenten iterativ verbessern
Modul 4 Agent-Modus in der Praxis
  • Features schrittweise mit Plan, Umsetzung und Tests entwickeln
  • Refactorings über viele Dateien sicher durchführen und Checkpoints nutzen
  • Terminalbefehle kontrolliert freigeben und Fehlerausgaben zurückspielen
  • MCP-Server für Ticketsysteme, Datenbanken oder Browser-Tests anbinden
Modul 5 Background Agents, Review und Governance
  • Aufgaben an Background Agents delegieren und parallel bearbeiten lassen
  • Ergebnisse als Branch oder Pull Request prüfen und nachsteuern
  • KI-gestütztes Code-Review einsetzen und mit menschlichem Review kombinieren
  • Sicherheitsrisiken, Secrets und Lizenzfragen im Unternehmenseinsatz adressieren
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 programmieren regelmäßig in mindestens einer Sprache und sind mit Git sowie einer IDE wie VS Code vertraut. 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 installiertem Cursor, Git und Ihrer gewohnten Entwicklungsumgebung; ein Cursor-Konto mit Zugriff auf Agent-Funktionen wird empfohlen.

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

Häufige Fragen

Brauche ich Vorkenntnisse in VS Code, um Cursor zu nutzen?

Hilfreich, aber nicht zwingend. Cursor basiert auf VS Code, daher fühlen sich Bedienung, Tastenkürzel und Erweiterungen vertraut an, und bestehende Einstellungen lassen sich übernehmen. Wer bisher mit JetBrains-IDEs oder anderen Editoren arbeitet, findet sich nach einer kurzen Einführung im Kurs schnell zurecht und kann sich auf die KI-Funktionen konzentrieren.

Wie verhindere ich, dass vertraulicher Code an Dritte gelangt?

Cursor bietet einen Datenschutzmodus und Unternehmenseinstellungen, die die Speicherung von Code beim Anbieter einschränken. Zusätzlich schließen Sie über Ignore-Dateien sensible Bereiche von Indizierung und Kontext aus. Im Kurs besprechen wir, wie Sie diese Optionen mit internen Richtlinien, Datenschutzanforderungen und dem Umgang mit Secrets in Einklang bringen.

Was bringen Rules im Vergleich zu guten Prompts?

Prompts gelten nur für eine einzelne Anfrage, Rules dagegen dauerhaft und für das ganze Team. Sie halten darin Architekturentscheidungen, bevorzugte Bibliotheken, Teststrategien und Stilvorgaben fest. Dadurch muss niemand diese Informationen wiederholen, und der Agent erzeugt Code, der zu Ihrer Codebasis passt. Rules werden mit dem Projekt versioniert und gemeinsam weiterentwickelt.

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 „Cursor 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 Cursor

Alle 32 Kurse zu Cursor

Cursor – MünchenCursor – SalzburgCursor – BerlinCursor – AugsburgCursor – HannoverCursor – BremenCursor – StuttgartCursor – KaiserslauternCursor – Online