Schulung · GitHub Copilot · AI Engineering & LLM-Anwendungen

GitHub Copilot für AI Engineers

GitHub Copilot professionell nutzen: Completion, Chat, Agent Mode, Coding Agent für Issues und PRs, Code Review und Enterprise-Policies.

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 GitHub Copilot 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.

GitHub Copilot hat sich von der reinen Code-Vervollständigung zu einer umfassenden KI-Plattform entwickelt, die den gesamten Entwicklungsprozess begleitet. Im Editor unterstützen Sie Inline-Vorschläge, Next Edit Suggestions und Copilot Chat; im Agent Mode bearbeitet Copilot Aufgaben über mehrere Dateien hinweg und führt Befehle aus. Auf GitHub selbst übernimmt der Coding Agent zugewiesene Issues und liefert Pull Requests. In diesem zweitägigen Training lernen Sie, diese Bausteine gezielt einzusetzen und in Ihren bestehenden Entwicklungsprozess sauber zu integrieren.

Neben der Praxis im Editor geht es um Steuerung und Qualität: Mit Custom Instructions und Prompt-Dateien geben Sie Copilot Projektwissen mit, über MCP binden Sie zusätzliche Werkzeuge an, und mit Copilot Code Review ergänzen Sie den menschlichen Review-Prozess. Für Verantwortliche in Teams und Organisationen behandeln wir Richtlinien auf Organisations- und Enterprise-Ebene, Content Exclusions, Modellfreigaben und Auswertungen der Nutzung. So schaffen Sie die Grundlage für einen sicheren, nachvollziehbaren und wirksamen Einsatz von Copilot im gesamten Unternehmen.

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 nutzen Completion, Chat und Agent Mode von Copilot zielgerichtet für Ihre täglichen Entwicklungsaufgaben.
  • Sie hinterlegen Projektwissen in Custom Instructions und Prompt-Dateien und verbessern damit die Ergebnisqualität.
  • Sie delegieren geeignete Issues an den Coding Agent und prüfen dessen Pull Requests sachgerecht.
  • Sie integrieren Copilot Code Review sinnvoll in Ihren bestehenden Review-Prozess.
  • 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 Copilot im Editor: Completion und Chat
  • Inline-Vorschläge und Next Edit Suggestions effizient annehmen, ablehnen und steuern
  • Copilot Chat für Erklärungen, Fehlersuche und Testgenerierung nutzen
  • Kontext gezielt über Dateien, Auswahl, Workspace und Chat-Variablen setzen
  • Modellauswahl und Unterschiede zwischen IDEs wie VS Code, Visual Studio und JetBrains
Modul 2 Agent Mode und Erweiterungen
  • Mehrstufige Aufgaben im Agent Mode planen und kontrolliert ausführen lassen
  • Terminalbefehle, Testläufe und Fehlerrückmeldungen in den Agenten-Loop einbinden
  • MCP-Server für zusätzliche Werkzeuge und Datenquellen anbinden
  • Änderungen prüfen, teilweise übernehmen oder zurücksetzen
Modul 3 Projektwissen mit Custom Instructions
  • Repository-weite Instructions für Architektur, Stil und Tests formulieren
  • Pfadspezifische Instructions und wiederverwendbare Prompt-Dateien anlegen
  • Persönliche und organisationsweite Vorgaben sinnvoll kombinieren
  • Instructions anhand der Ergebnisqualität laufend verbessern
Modul 4 Coding Agent und Code Review auf GitHub
  • Issues so formulieren, dass der Coding Agent sie zuverlässig umsetzen kann
  • Pull Requests des Agenten prüfen, kommentieren und iterieren lassen
  • Copilot Code Review als ergänzende Prüfinstanz im PR-Prozess einsetzen
  • Entwicklungsumgebung des Agenten über Setup-Schritte und Actions konfigurieren

Tag 2

Modul 5 Administration, Policies und Sicherheit
  • Lizenzzuweisung und Richtlinien auf Organisations- und Enterprise-Ebene
  • Content Exclusions, Modellfreigaben und Filter für öffentlichen Code
  • Audit-Logs und Nutzungsmetriken für Steuerung und Einführung auswerten
  • Sicherheitsrisiken, Secrets und Verantwortlichkeiten für KI-generierten Code klären
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 entwickeln regelmäßig Software, arbeiten mit Git und GitHub (Issues, Pull Requests) und nutzen eine moderne IDE. 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 VS Code oder einer JetBrains-IDE, installierter Copilot-Erweiterung und einem GitHub-Konto mit aktiver Copilot-Lizenz; für den Coding Agent wird ein passender Plan 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.

Terminvorschläge

Alle Termine sind Vorschläge – Ihr Wunschtermin ist jederzeit möglich.

  • Di, 24. November 2026 – Mi, 25. November 2026 Online Anfragen
  • Mo, 30. November 2026 – Di, 1. Dezember 2026 München Anfragen
  • Do, 10. Dezember 2026 – Fr, 11. Dezember 2026 Online Anfragen
  • Do, 7. Januar 2027 – Fr, 8. Januar 2027 Online Anfragen
  • Di, 12. Januar 2027 – Mi, 13. Januar 2027 Hannover Anfragen
  • Mi, 27. Januar 2027 – Do, 28. Januar 2027 Online Anfragen

Häufige Fragen

Was ist der Unterschied zwischen Agent Mode und Coding Agent?

Der Agent Mode läuft in Ihrer IDE: Sie arbeiten interaktiv mit Copilot, sehen jeden Schritt und geben Befehle frei. Der Coding Agent arbeitet dagegen eigenständig auf GitHub, sobald Sie ihm ein Issue zuweisen, nutzt eine eigene Ausführungsumgebung und legt einen Pull Request an, den Sie anschließend wie den Beitrag eines Teammitglieds prüfen.

Wie stellen wir sicher, dass Copilot unsere Unternehmensrichtlinien einhält?

Auf Organisations- und Enterprise-Ebene lassen sich Funktionen, Modelle und Erweiterungen gezielt freigeben oder sperren. Content Exclusions halten sensible Dateien aus dem Kontext heraus, und Audit-Logs machen die Nutzung nachvollziehbar. Im Kurs zeigen wir, wie Sie diese Hebel mit Datenschutz, Informationssicherheit und internen Coding-Standards zusammenbringen.

Lohnt sich der Kurs, wenn wir Copilot schon länger nutzen?

Ja, gerade dann. Viele Teams nutzen nur die Vervollständigung und lassen Chat, Agent Mode, Custom Instructions und den Coding Agent weitgehend ungenutzt. Der Kurs zeigt, wie Sie diese Funktionen strukturiert einsetzen, Ergebnisse durch Projektwissen verbessern und typische Fehlerquellen vermeiden. Erfahrene Nutzer profitieren besonders von den Abschnitten zu Review und Governance.

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 „GitHub Copilot 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 GitHub Copilot

Alle 32 Kurse zu GitHub Copilot

GitHub Copilot · MünchenGitHub Copilot · SalzburgGitHub Copilot · BerlinGitHub Copilot · AugsburgGitHub Copilot · HannoverGitHub Copilot · BremenGitHub Copilot · StuttgartGitHub Copilot · KaiserslauternGitHub Copilot · Online