Schulung · OpenAI Codex · Python-Entwicklung

OpenAI Codex für Python-Entwickler:innen

Mit OpenAI Codex Entwicklungsaufgaben delegieren: CLI und Cloud-Agent, AGENTS.md, Sandboxing, Freigaben und PR-Workflows im Team.

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

„OpenAI Codex für Python-Entwickler:innen“ ist ein praxisorientiertes Training für Rollen wie Python-Backend-Entwickler:innen mit Django, Flask oder FastAPI, Automatisierungs- und Skripting-Spezialist:innen in IT und Fachbereichen und Data- und ML-Engineers, die produktiven Python-Code pflegen. Sie lernen OpenAI Codex nicht abstrakt, sondern an Aufgaben aus Ihrem Arbeitsalltag kennen – mit Beispielen, Übungen und Vorlagen aus dem Bereich Python-Entwicklung.

OpenAI Codex ist ein Coding-Agent, der sowohl lokal als Kommandozeilenwerkzeug und IDE-Erweiterung als auch als Cloud-Agent arbeitet. Lokal liest Codex Ihr Repository, schlägt Änderungen vor und führt Befehle in einer abgesicherten Umgebung aus. In der Cloud bearbeitet Codex delegierte Aufgaben parallel in isolierten Containern und liefert die Ergebnisse als nachvollziehbare Diffs oder Pull Requests. In diesem zweitägigen Training lernen Sie, beide Arbeitsweisen sinnvoll zu kombinieren und Aufgaben so zu schneiden, dass der Agent sie zuverlässig erledigt.

Zentrale Themen sind Steuerung und Sicherheit: Mit AGENTS.md geben Sie Codex Projektwissen, Build- und Testbefehle sowie Konventionen mit. Sie konfigurieren Freigabemodi und Sandboxing, damit der Agent nur das tut, was Sie erlauben, und richten Cloud-Umgebungen mit passenden Setup-Skripten ein. Außerdem binden Sie Codex in Ihre Pull-Request-Workflows ein, nutzen automatisierte Code-Reviews und entwickeln Regeln dafür, welche Aufgaben im Team delegiert werden und wie die Ergebnisse vor dem Merge geprüft werden.

Python ist die Sprache, in der viele Teams Web-Backends, Automatisierung, Datenpipelines und KI-Anwendungen gleichzeitig betreiben – entsprechend heterogen sind die Codebasen. KI-Coding-Assistenten und Agenten verändern den Alltag hier besonders spürbar: Sie schreiben pytest-Suiten auf Basis vorhandener Fixtures, ergänzen Type Hints bis mypy sauber durchläuft, migrieren Legacy-Skripte auf moderne Packaging-Standards mit pyproject.toml und erklären fremde Django- oder FastAPI-Projekte in Minuten statt Tagen. Entscheidend ist, die Werkzeuge mit klarem Kontext zu führen: Projektkonventionen, Linter-Regeln von Ruff, Testbefehle und Architekturentscheidungen gehören in Anweisungsdateien und Prompts. Wer das beherrscht, delegiert Routinearbeit verlässlich und konzentriert sich auf Design, Review und fachliche Logik.

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?

  • Python-Backend-Entwickler:innen mit Django, Flask oder FastAPI
  • Automatisierungs- und Skripting-Spezialist:innen in IT und Fachbereichen
  • Data- und ML-Engineers, die produktiven Python-Code pflegen
  • Tech Leads, die Code-Qualität und Review-Prozesse verantworten
  • Entwickler:innen, die Legacy-Python-Code modernisieren

Typische Herausforderungen, die wir adressieren

  • Gewachsene Codebasen ohne Type Hints und mit lückenhafter Testabdeckung
  • Abhängigkeitschaos zwischen requirements.txt, Poetry, uv und virtuellen Umgebungen
  • Zeitaufwändige Reviews und uneinheitlicher Stil trotz Linter und Formatter
  • Einarbeitung in fremde Projekte mit implizitem Wissen und fehlender Dokumentation

Das können Sie nach dem Training

  • Sie setzen Codex lokal und in der Cloud gezielt für passende Entwicklungsaufgaben ein.
  • Sie schreiben eine AGENTS.md, die den Agenten zuverlässig durch Ihr Projekt führt.
  • Sie konfigurieren Freigabemodi und Sandboxing passend zu Ihren Sicherheitsanforderungen.
  • Sie delegieren Aufgaben an den Cloud-Agenten und prüfen die Ergebnisse systematisch.
  • Sie lassen KI-Agenten pytest-Suiten, Type Hints und Refactorings in Ihrer Python-Codebasis zuverlässig umsetzen.
  • Sie hinterlegen Projektkonventionen, Tooling wie Ruff, mypy und uv sowie Testbefehle so, dass der Assistent sie konsequent einhält.
  • Sie prüfen generierten Python-Code systematisch auf Korrektheit, Sicherheit und Wartbarkeit, bevor er gemergt wird.

Inhalte & Ablauf

Tag 1

Modul 1 Codex im Überblick: CLI, IDE und Cloud
  • Arbeitsweisen von Codex lokal und in der Cloud vergleichen
  • Codex CLI installieren, anmelden und im Repository starten
  • Interaktive Sitzungen, nicht-interaktive Ausführung und Modellwahl
  • Geeignete und ungeeignete Aufgaben für einen Coding-Agenten unterscheiden
Modul 2 Projektwissen mit AGENTS.md
  • AGENTS.md mit Build-, Test- und Lint-Befehlen aufbauen
  • Konventionen, Architekturhinweise und Verbote präzise formulieren
  • Verschachtelte AGENTS.md-Dateien für Monorepos und Teilprojekte nutzen
  • Wirksamkeit prüfen und Anweisungen iterativ verbessern
Modul 3 Sandboxing, Freigaben und Sicherheit
  • Freigabemodi von nur lesend bis weitgehend autonom bewusst wählen
  • Sandbox-Grenzen für Dateisystem und Netzwerkzugriff verstehen
  • Umgang mit Secrets, Abhängigkeiten aus dem Internet und Prompt Injection
  • Konfigurationsdateien für Team-Standards und sichere Voreinstellungen
Modul 4 Aufgaben an den Cloud-Agenten delegieren
  • Cloud-Umgebungen mit Setup-Skripten und Abhängigkeiten konfigurieren
  • Aufgaben mit klarem Ziel, Kontext und Abnahmekriterien formulieren
  • Mehrere Aufgaben parallel starten und Ergebnisse vergleichen
  • Logs und Testausgaben nutzen, um Lösungen nachzuvollziehen

Tag 2

Modul 5 PR-Workflows und Code-Review im Team
  • Ergebnisse als Pull Request übernehmen und nachbessern lassen
  • Automatisierte Code-Reviews durch Codex in GitHub einsetzen
  • Codex in Skripte und CI-Pipelines einbinden
  • Teamregeln für Delegation, Review-Pflichten und Verantwortlichkeiten festlegen
Modul 6 Praxislabor: Python-Entwicklung
  • pytest-Tests generieren
  • Type Hints und mypy-Bereinigung
  • Django-Migrationen und ORM-Refactoring
  • FastAPI-Endpunkte mit Pydantic
  • Legacy-Skripte modernisieren
  • Codebasis verstehen und dokumentieren
Modul 7 Datenschutz, Qualität & Transfer in den Alltag
  • Klären Sie, welcher Quellcode an Cloud-Modelle übertragen werden darf, schließen Sie Secrets aus .env-Dateien konsequent aus und prüfen Sie generierten Code auf Lizenzübernahmen sowie neu eingeführte PyPI-Abhängigkeiten (Typosquatting, Supply-Chain-Risiken). Für Produkte mit digitalen Elementen gewinnen zudem die Pflichten des Cyber Resilience Act an Bedeutung.
  • 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

pytest-Tests generieren

Der Assistent analysiert Funktionen und vorhandene Fixtures, schreibt parametrisierte pytest-Tests inklusive Edge Cases und Mocks für externe Dienste und führt sie iterativ aus, bis sie grün sind und die gewünschte Abdeckung erreichen.

Type Hints und mypy-Bereinigung

Untypisierter Code wird modulweise mit Type Hints, TypedDict und Protocols versehen. Der Agent startet mypy oder Pyright, interpretiert die Meldungen und behebt sie schrittweise, ohne das Laufzeitverhalten zu verändern.

Django-Migrationen und ORM-Refactoring

Modelländerungen werden samt Datenmigrationen geplant, makemigrations-Konflikte aufgelöst und N+1-Abfragen mit select_related oder prefetch_related optimiert. Die KI erklärt Risiken für bestehende Produktionsdaten vor dem Deployment. Auch Rückwärtsmigrationen werden mitgedacht.

FastAPI-Endpunkte mit Pydantic

Aus einer fachlichen Beschreibung oder einem OpenAPI-Entwurf entstehen Pydantic-Modelle, Router, Dependency Injection und Validierungslogik inklusive Fehlerbehandlung und passender Tests mit dem TestClient. Die Endpunkte folgen Ihren bestehenden Projektkonventionen.

Legacy-Skripte modernisieren

Alte Skripte werden in Pakete mit pyproject.toml überführt, globale Zustände entfernt, argparse- oder Click-CLIs ergänzt und Ruff-Regeln angewendet. Der Agent dokumentiert jede Änderung nachvollziehbar im Commit.

Codebasis verstehen und dokumentieren

Der Assistent erkundet ein unbekanntes Repository, erstellt Architekturübersichten, erklärt Datenflüsse zwischen Modulen und ergänzt fehlende Docstrings im Google- oder NumPy-Stil, sodass neue Teammitglieder schneller produktiv werden.

Mögliche Praxisprojekte im Kurs

CLI für Log-Analyse

Ein Typer-basiertes Kommandozeilentool, das Anwendungslogs einliest, Fehlermuster gruppiert und eine kompakte Zusammenfassung als Markdown oder JSON ausgibt – inklusive Tests und Packaging.

FastAPI-Microservice mit Datenbank

Ein kleiner REST-Service mit SQLAlchemy, Alembic-Migrationen, Pydantic-Validierung und Docker-Setup, der vollständig per KI-Agent geplant, implementiert und getestet wird. Ideal, um den kompletten Agenten-Workflow zu üben.

Dependency-Audit-Skript

Ein Skript, das alle Projektabhängigkeiten ausliest, veraltete oder verwundbare Pakete über öffentliche Advisory-Datenbanken prüft und einen priorisierten Update-Bericht erstellt. Der Bericht lässt sich in die CI-Pipeline einbinden.

Voraussetzungen

Sie haben praktische Programmiererfahrung, arbeiten sicher mit Git und der Kommandozeile und kennen Pull-Request-basierte Workflows. Solide Python-Kenntnisse, Erfahrung mit Git, virtuellen Umgebungen und mindestens einem Framework wie Django, Flask oder FastAPI.

Technische Voraussetzungen

Eigener Laptop mit Terminal, Git und Node.js-Laufzeit; ein ChatGPT-Plan mit Codex-Zugang oder ein OpenAI-API-Schlüssel sowie ein GitHub-Konto für die Cloud-Übungen.

Datenschutz & Compliance

Klären Sie, welcher Quellcode an Cloud-Modelle übertragen werden darf, schließen Sie Secrets aus .env-Dateien konsequent aus und prüfen Sie generierten Code auf Lizenzübernahmen sowie neu eingeführte PyPI-Abhängigkeiten (Typosquatting, Supply-Chain-Risiken). Für Produkte mit digitalen Elementen gewinnen zudem die Pflichten des Cyber Resilience Act an Bedeutung.

Terminvorschläge

Alle Termine sind Vorschläge – Ihr Wunschtermin ist jederzeit möglich.

  • Mi, 25. November 2026 – Do, 26. November 2026 Online Anfragen
  • Do, 10. Dezember 2026 – Fr, 11. Dezember 2026 Bremen Anfragen
  • Mo, 11. Januar 2027 – Di, 12. Januar 2027 Online Anfragen
  • Mi, 20. Januar 2027 – Do, 21. Januar 2027 Salzburg Anfragen
  • Di, 2. Februar 2027 – Mi, 3. Februar 2027 Online Anfragen
  • Mo, 8. Februar 2027 – Di, 9. Februar 2027 Kaiserslautern Anfragen

Häufige Fragen

Wann nutze ich Codex lokal und wann in der Cloud?

Lokal arbeiten Sie interaktiv und eng am Code, etwa beim Debugging oder bei explorativen Änderungen, bei denen Sie jeden Schritt verfolgen möchten. Der Cloud-Agent eignet sich für klar umrissene Aufgaben, die unabhängig ablaufen können, beispielsweise Tests ergänzen oder kleinere Fehler beheben. Mehrere solcher Aufgaben lassen sich parallel starten und anschließend als Pull Request prüfen.

Was gehört in eine gute AGENTS.md?

Eine gute AGENTS.md beschreibt, wie das Projekt gebaut, getestet und geprüft wird, welche Konventionen gelten und welche Bereiche nicht angefasst werden sollen. Sie ist knapp, konkret und aktuell. Hilfreich sind außerdem Hinweise zur Architektur und zu typischen Stolperfallen. Im Kurs entwickeln Sie eine AGENTS.md für ein eigenes Projekt und testen deren Wirkung.

Wie sicher ist es, Codex Befehle ausführen zu lassen?

Codex arbeitet standardmäßig in einer Sandbox mit eingeschränktem Datei- und Netzwerkzugriff und fragt vor riskanten Schritten nach Freigabe. Wie viel Autonomie Sie gewähren, legen Sie über Freigabemodi und Konfiguration fest. Im Kurs lernen Sie, diese Einstellungen bewusst zu wählen und Risiken wie Prompt Injection oder das Ausführen unbekannter Abhängigkeiten zu begrenzen.

Funktioniert KI-gestütztes Coding auch in großen Django-Monolithen?

Ja, sofern der Agent den richtigen Kontext erhält. Im Kurs lernen Sie, Anweisungsdateien mit Architekturregeln, App-Struktur und Testbefehlen anzulegen und Aufgaben so zu schneiden, dass der Assistent gezielt einzelne Apps oder Module bearbeitet. So bleiben Änderungen überschaubar und reviewbar, auch wenn das Gesamtprojekt sehr umfangreich ist.

Ersetzt die KI meine Code-Reviews?

Nein. KI-Assistenten beschleunigen das Schreiben von Code und können Reviews vorbereiten, etwa durch Hinweise auf fehlende Tests oder riskante Stellen. Die fachliche und sicherheitsrelevante Verantwortung bleibt beim Team. Wir zeigen, wie Sie Review-Checklisten, statische Analyse und Tests kombinieren, damit generierter Code denselben Qualitätsmaßstäben genügt wie handgeschriebener.

Was kostet die Schulung „OpenAI Codex für Python-Entwickler:innen“?

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 Python-Entwickler:innen

Weitere Kurse zu OpenAI Codex

Alle 32 Kurse zu OpenAI Codex

OpenAI Codex · MünchenOpenAI Codex · SalzburgOpenAI Codex · BerlinOpenAI Codex · AugsburgOpenAI Codex · HannoverOpenAI Codex · BremenOpenAI Codex · StuttgartOpenAI Codex · KaiserslauternOpenAI Codex · Online