Schulung – Lovable – AI Engineering & LLM-Anwendungen

Lovable für AI Engineers

Web-Apps per Prompt bauen: mit Lovable vom Prompt zur lauffähigen React-App mit Supabase-Backend, GitHub-Sync und Deployment.

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 Lovable 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.

Lovable erzeugt aus natürlichsprachlichen Beschreibungen vollständige Web-Anwendungen auf Basis von React, TypeScript, Tailwind CSS und Vite. In dieser eintägigen Schulung lernen Sie, wie Sie Anforderungen so formulieren, dass Lovable sauberen, wartbaren Code liefert, wie Sie über die Supabase-Integration Datenbank, Authentifizierung und Storage anbinden und wie Sie Änderungen iterativ steuern, statt bei jedem Fehler von vorn zu beginnen. Im Mittelpunkt stehen echte Workflows: vom ersten Prompt über Datenmodell und Rechtekonzept bis zur veröffentlichten Anwendung unter eigener Domain.

Für Entwicklerinnen und Entwickler ist Lovable vor allem dann interessant, wenn der generierte Code nicht im Tool gefangen bleibt. Deshalb arbeiten Sie intensiv mit der bidirektionalen GitHub-Synchronisation, prüfen den erzeugten Code im eigenen Editor, ergänzen Tests und übernehmen das Projekt bei Bedarf in Ihre bestehende Toolchain. Sie lernen außerdem die Grenzen kennen: Row Level Security, Edge Functions, Secrets, Performance und Wartbarkeit größerer Codebasen. So entscheiden Sie fundiert, wann Lovable der schnellste Weg ist und wann klassische Entwicklung oder ein Agentic-Coding-Werkzeug besser passt.

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 formulieren Prompts, mit denen Lovable strukturierte und wartbare React-Anwendungen erzeugt.
  • Sie binden Supabase für Datenbank, Authentifizierung und Storage an und prüfen die Row Level Security.
  • Sie iterieren gezielt am Design, ohne funktionierende Teile der Anwendung zu beschädigen.
  • Sie synchronisieren Projekte mit GitHub und bearbeiten den Code in Ihrer gewohnten Entwicklungsumgebung weiter.
  • 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 Prompt-Strategie
  • Funktionsweise von Lovable: generierter Stack aus React, TypeScript, Tailwind CSS und shadcn/ui
  • Anforderungen strukturiert beschreiben: Zielgruppe, Seiten, Datenobjekte, Rollen
  • Chat-Modus versus direkte Änderungen: wann planen, wann bauen
  • Wissensbasis und Projektanweisungen für konsistente Ergebnisse nutzen
Modul 2 Backend mit Supabase
  • Supabase-Projekt verbinden und Tabellen aus dem Prompt ableiten lassen
  • Authentifizierung mit E-Mail, Magic Link und OAuth-Anbietern einrichten
  • Row Level Security Policies verstehen, prüfen und gezielt nachschärfen
  • Edge Functions, Storage-Buckets und Secrets für externe APIs einsetzen
Modul 3 Design-Iteration und UI-Qualität
  • Visuelles Bearbeiten einzelner Elemente und gezielte Layout-Prompts
  • Screenshots und Figma-Entwürfe als Vorlage verwenden
  • Responsives Verhalten, Barrierefreiheit und Designsystem-Konsistenz sicherstellen
  • Fehler mit Konsolenausgaben und Rücksprung auf frühere Versionen beheben
Modul 4 GitHub-Sync und professioneller Workflow
  • Bidirektionale Synchronisation mit einem GitHub-Repository einrichten
  • Code lokal in VS Code, Cursor oder Claude Code weiterbearbeiten
  • Branches, Code-Reviews und Tests für generierten Code etablieren
  • Abhängigkeiten, Umgebungsvariablen und Projektstruktur sauber halten
Modul 5 Deployment, Betrieb und Grenzen
  • Veröffentlichen mit Lovable-Hosting und eigener Domain
  • Alternative Deployments über Vercel, Netlify oder eigene Infrastruktur
  • Credit-Verbrauch, Projektgröße und typische Sackgassen realistisch einschätzen
  • Sicherheits- und Datenschutzcheck vor dem Go-live, inklusive DSGVO-Fragen
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

Grundkenntnisse in Webentwicklung (HTML, CSS, JavaScript) und erste Erfahrungen mit Git sind hilfreich. React- oder Supabase-Kenntnisse werden nicht vorausgesetzt. 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

Laptop mit aktuellem Browser, ein Lovable-Account (ein kostenpflichtiger Plan wird für intensives Arbeiten empfohlen) sowie kostenlose Accounts bei GitHub und Supabase.

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

Häufige Fragen

Gehört mir der Code, den Lovable erzeugt?

Ja, der generierte Code ist regulärer React- und TypeScript-Code, den Sie über die GitHub-Synchronisation in ein eigenes Repository übertragen können. Dort lässt er sich unabhängig von Lovable weiterentwickeln, testen und deployen. Im Kurs zeigen wir, wie Sie diesen Weg von Anfang an sauber einrichten, damit kein Lock-in entsteht.

Ist Lovable für produktive Anwendungen geeignet?

Für Prototypen, MVPs, interne Tools und überschaubare Kundenanwendungen ja, sofern Sie Sicherheit und Datenmodell bewusst prüfen. Besonders die Row Level Security in Supabase, der Umgang mit Secrets und die Wartbarkeit wachsender Codebasen erfordern Aufmerksamkeit. Wir behandeln im Kurs konkret, welche Prüfungen vor einem Go-live sinnvoll sind.

Worin unterscheidet sich Lovable von Cursor oder Claude Code?

Lovable ist ein browserbasierter App-Builder mit vorgegebenem Stack, integriertem Hosting und Supabase-Anbindung und eignet sich besonders für den schnellen Start. Cursor und Claude Code arbeiten dagegen in beliebigen bestehenden Codebasen und Technologien. In der Praxis kombinieren viele Teams beides: Start in Lovable, Weiterentwicklung im Editor über GitHub.

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 „Lovable 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 Lovable

Alle 61 Kurse zu Lovable

Lovable – MünchenLovable – SalzburgLovable – BerlinLovable – AugsburgLovable – HannoverLovable – BremenLovable – StuttgartLovable – KaiserslauternLovable – Online