Schulung · Cursor · Data Engineering

Cursor für Data Engineers

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

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

In diesem Kurs verbinden wir Cursor mit den typischen Abläufen im Bereich Data Engineering. Die Teilnehmenden arbeiten an realistischen Szenarien und nehmen sofort einsetzbare Prompts, Workflows und Checklisten mit.

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 zweitägigen 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.

Data Engineers bauen und betreiben die Pipelines, auf denen Reporting, Analytics und KI-Anwendungen aufsetzen: Ingestion aus Quellsystemen, Transformationen in dbt oder Spark, Orchestrierung mit Airflow oder Dagster, Datenqualität und Governance im Data Warehouse oder Lakehouse. Ein großer Teil der Arbeit besteht aus SQL, Python, YAML und viel Detailwissen über Schemas und Abhängigkeiten. KI-Coding-Assistenten und Agenten beschleunigen diese Arbeit deutlich: Sie schreiben dbt-Modelle samt Tests und Dokumentation, optimieren langsame Abfragen, erstellen Airflow-DAGs, migrieren Legacy-ETL-Strecken und erklären komplexe Lineage. Weil Daten oft sensibel sind, gehört der verantwortungsvolle Umgang mit Schemas, Beispieldaten und Zugangsdaten zum Kern dieses Kurses.

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?

  • Data Engineers und Analytics Engineers
  • BI-Entwickler:innen mit ETL- und Data-Warehouse-Verantwortung
  • Plattform-Teams für Data Lakehouse und Streaming
  • Entwickler:innen, die Legacy-ETL-Prozesse modernisieren

Typische Herausforderungen, die wir adressieren

  • Gewachsene ETL-Strecken in gespeicherten Prozeduren oder proprietären Tools ohne Tests
  • Langsame, teure Abfragen und ineffiziente Spark-Jobs
  • Fehlende Datenqualitätsprüfungen und unklare Verantwortlichkeiten für Datensätze
  • Lückenhafte Dokumentation von Datenmodellen, Lineage und Geschäftslogik

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 setzen KI-Agenten für dbt-Modelle, Pipelines und SQL-Optimierung produktiv ein.
  • Sie modernisieren Legacy-ETL-Strecken mit KI-Unterstützung und sichern die Ergebnisse durch Abgleichstests ab.
  • Sie schützen sensible Daten, indem Sie mit Schemas, synthetischen Beispielen und minimalen Zugriffsrechten arbeiten.

Inhalte & Ablauf

Tag 1

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

Tag 2

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: Data Engineering
  • dbt-Modelle mit Tests
  • SQL-Abfragen optimieren
  • Airflow- und Dagster-Pipelines
  • Legacy-ETL migrieren
  • Datenqualität automatisieren
  • Spark-Jobs analysieren
Modul 7 Datenschutz, Qualität & Transfer in den Alltag
  • Data-Engineering-Prompts sollten Schemas und synthetische Beispieldaten statt echter personenbezogener Datensätze enthalten; Datenbank-Credentials und Connection Strings gehören nicht in den Kontext. Beachten Sie DSGVO-Grundsätze wie Zweckbindung und Datenminimierung, dokumentieren Sie Datenflüsse nachvollziehbar und prüfen Sie neue Python-Pakete und Konnektoren auf Lizenz und Supply-Chain-Risiken.
  • 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

dbt-Modelle mit Tests

Der Agent schreibt Staging-, Intermediate- und Mart-Modelle in dbt, ergänzt Schema-Tests, Quellendefinitionen und Beschreibungen und führt dbt build iterativ aus, bis Modelle und Tests erfolgreich durchlaufen.

SQL-Abfragen optimieren

Die KI analysiert Ausführungspläne, erkennt teure Joins, fehlende Partitionierung oder Clustering und schreibt Abfragen um, die weniger Daten scannen und reproduzierbar schneller laufen. Kostenersparnisse werden messbar belegt.

Airflow- und Dagster-Pipelines

Aus Anforderungen entstehen DAGs oder Assets mit sauberer Abhängigkeitsstruktur, Retries, Sensoren, Alerting und Backfill-Fähigkeit, inklusive Tests für Transformationslogik. Bestehende Namens- und Ordnerkonventionen werden dabei konsequent übernommen.

Legacy-ETL migrieren

Gespeicherte Prozeduren oder grafische ETL-Jobs werden analysiert, die Geschäftslogik dokumentiert und schrittweise in dbt- oder PySpark-Code überführt, abgesichert durch Abgleichsabfragen zwischen alt und neu. Abweichungen werden dokumentiert.

Datenqualität automatisieren

Der Assistent definiert Prüfungen für Vollständigkeit, Eindeutigkeit, Wertebereiche und Aktualität, implementiert sie mit dbt-Tests oder Great Expectations und richtet Benachrichtigungen bei Verstößen ein. Verantwortliche werden direkt informiert.

Spark-Jobs analysieren

Spark-UI-Informationen und Logs werden ausgewertet, Skew, Shuffles und Speicherprobleme erkannt und Optimierungen wie Broadcast Joins, Repartitionierung oder Caching vorgeschlagen. Jede Optimierung wird durch Laufzeitvergleiche vor und nach der Änderung belegt.

Mögliche Praxisprojekte im Kurs

Datenqualitäts-Dashboard

Eine kleine Webanwendung, die Testergebnisse aus dbt oder Datenqualitäts-Checks einliest und Trends, Ausreißer und betroffene Tabellen übersichtlich darstellt. Verantwortliche Teams sehen so sofort, wo Handlungsbedarf besteht.

Ingestion-Pipeline für eine REST-API

Eine Python-Pipeline, die Daten inkrementell aus einer API lädt, Schemaänderungen erkennt und die Ergebnisse partitioniert im Lakehouse ablegt. Fehlerhafte Datensätze werden gesondert protokolliert.

Lineage-Explorer

Ein Tool, das das dbt-Manifest ausliest und Abhängigkeiten zwischen Quellen, Modellen und Dashboards als interaktiven Graphen darstellt. So werden Auswirkungen von Änderungen schnell sichtbar.

Voraussetzungen

Sie programmieren regelmäßig in mindestens einer Sprache und sind mit Git sowie einer IDE wie VS Code vertraut. Sicherer Umgang mit SQL und Python sowie praktische Erfahrung mit einem Data Warehouse, dbt, Spark oder einem Orchestrierungswerkzeug.

Technische Voraussetzungen

Eigener Laptop mit installiertem Cursor, Git und Ihrer gewohnten Entwicklungsumgebung; ein Cursor-Konto mit Zugriff auf Agent-Funktionen wird empfohlen.

Datenschutz & Compliance

Data-Engineering-Prompts sollten Schemas und synthetische Beispieldaten statt echter personenbezogener Datensätze enthalten; Datenbank-Credentials und Connection Strings gehören nicht in den Kontext. Beachten Sie DSGVO-Grundsätze wie Zweckbindung und Datenminimierung, dokumentieren Sie Datenflüsse nachvollziehbar und prüfen Sie neue Python-Pakete und Konnektoren auf Lizenz und Supply-Chain-Risiken.

Terminvorschläge

Alle Termine sind Vorschläge – Ihr Wunschtermin ist jederzeit möglich.

  • Mo, 23. November 2026 – Di, 24. November 2026 Online Anfragen
  • Mo, 30. November 2026 – Di, 1. Dezember 2026 Augsburg Anfragen
  • Mi, 16. Dezember 2026 – Do, 17. Dezember 2026 Online Anfragen
  • Mi, 13. Januar 2027 – Do, 14. Januar 2027 Online Anfragen
  • Mi, 27. Januar 2027 – Do, 28. Januar 2027 Kaiserslautern Anfragen
  • Mo, 1. Februar 2027 – Di, 2. Februar 2027 Online 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.

Muss die KI Zugriff auf unsere Produktionsdaten haben?

Nein, und das ist meist auch nicht sinnvoll. Für die allermeisten Aufgaben reichen Schemas, Metadaten, Ausführungspläne und synthetische Beispieldaten. Im Kurs lernen Sie, wie Sie dem Agenten genau diesen Kontext bereitstellen, Lesezugriffe auf Entwicklungsumgebungen begrenzen und dennoch belastbare Ergebnisse erhalten.

Funktioniert das mit unserem Data Warehouse?

Die Arbeitsweisen sind plattformunabhängig und funktionieren mit Snowflake, BigQuery, Databricks, Redshift, Synapse oder PostgreSQL gleichermaßen. Wichtig ist, dem Assistenten den SQL-Dialekt und plattformspezifische Besonderheiten wie Partitionierung oder Clustering mitzuteilen. Wir zeigen, wie Sie das in Anweisungsdateien festhalten. So passt der generierte Code zuverlässig zur Plattform.

Was kostet die Schulung „Cursor für Data 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 Data Engineers

Weitere Kurse zu Cursor

Alle 32 Kurse zu Cursor

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