Schulung – RAG & LLM-Apps – API-Entwicklung

RAG & LLM-Apps für API-Entwickler:innen

RAG und LLM-Anwendungen entwickeln: Embeddings, Vektordatenbanken, Chunking, Retrieval, Evaluierung, Kosten und Datenschutz.

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 „RAG & LLM-Apps für API-Entwickler:innen“ richtet sich an Rollen wie Backend-Entwickler:innen, die REST-, GraphQL- oder gRPC-Schnittstellen bauen, API-Architekt:innen und Verantwortliche für API-Governance und Integrationsentwickler:innen für Partner- und Plattformanbindungen und zeigt Schritt für Schritt, wie RAG & LLM-Apps im Bereich API-Entwicklung produktiv, sicher und nachvollziehbar eingesetzt wird – von den Grundlagen bis zu fortgeschrittenen Workflows.

Retrieval-Augmented Generation verbindet Sprachmodelle mit Ihrem eigenen Wissen: Handbücher, Verträge, Tickets, Wikis oder Produktdaten werden durchsuchbar gemacht und dem Modell zur Laufzeit als Kontext übergeben. So entstehen Assistenten, die fundiert mit Quellenangaben antworten, statt zu halluzinieren. In dieser kompakten Schulung bauen Sie eine vollständige RAG-Pipeline von der Dokumentaufbereitung über Embeddings und Vektordatenbank bis zur Antwortgenerierung und lernen anhand eigener Testdokumente, an welchen Stellschrauben die Qualität der Antworten tatsächlich entschieden wird.

Der zweite Tag führt vom Prototyp zur belastbaren Anwendung. Sie vergleichen Chunking-Strategien, kombinieren semantische und lexikalische Suche, setzen Reranking, Metadatenfilter und Query-Umformulierung ein und messen die Wirkung mit systematischen Evaluierungen. Hinzu kommen Prompt-Caching, Kostensteuerung, Latenzoptimierung, Berechtigungskonzepte auf Dokumentebene und datenschutzkonformer Betrieb mit Blick auf DSGVO und EU AI Act. Am Ende wissen Sie, wann klassisches RAG genügt, wann ein großes Kontextfenster oder ein agentisches Retrieval besser passt und wie Sie Ihre Architektur begründet auswählen.

APIs sind das Rückgrat moderner Softwarelandschaften und zunehmend auch die Schnittstelle, über die KI-Agenten mit Systemen interagieren. KI-Coding-Assistenten beschleunigen den gesamten API-Lebenszyklus: vom Entwurf einer OpenAPI- oder AsyncAPI-Spezifikation über die Generierung von Server-Stubs, Clients und Contract-Tests bis zur Dokumentation und Versionierung. Gleichzeitig steigen die Anforderungen an Konsistenz, Sicherheit und Abwärtskompatibilität, denn APIs werden von vielen Teams, Partnern und automatisierten Agenten genutzt. Im Kurs lernen Sie, API-first-Entwicklung mit KI-Unterstützung umzusetzen, Design-Richtlinien automatisiert durchzusetzen, Breaking Changes früh zu erkennen und bestehende Schnittstellen über das Model Context Protocol oder Tool-Definitionen für KI-Agenten nutzbar zu machen.

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?

  • Backend-Entwickler:innen, die REST-, GraphQL- oder gRPC-Schnittstellen bauen
  • API-Architekt:innen und Verantwortliche für API-Governance
  • Integrationsentwickler:innen für Partner- und Plattformanbindungen
  • Platform-Engineering-Teams mit API-Gateways und Developer-Portalen
  • Entwickler:innen, die Unternehmensdaten für KI-Agenten zugänglich machen

Typische Herausforderungen, die wir adressieren

  • Uneinheitliches API-Design über Teams hinweg mit unterschiedlichen Konventionen für Fehler, Paginierung und Versionierung
  • Spezifikation, Implementierung und Dokumentation laufen auseinander
  • Breaking Changes werden erst bei Konsumenten bemerkt
  • Absicherung von Authentifizierung, Autorisierung und Rate Limiting für wachsende Nutzerzahlen und Agenten-Zugriffe

Das können Sie nach dem Training

  • Sie bauen eine vollständige RAG-Pipeline von der Dokumentaufbereitung bis zur Antwort mit Quellenangaben.
  • Sie wählen Embedding-Modell, Chunking-Strategie und Vektordatenbank begründet aus.
  • Sie verbessern die Trefferqualität mit hybrider Suche, Reranking und Metadatenfiltern.
  • Sie messen die Qualität Ihrer Anwendung mit systematischen Evaluierungen und erkennen Regressionen.
  • Sie setzen API-first-Entwicklung mit KI-Unterstützung um, von der Spezifikation bis zu Clients, Tests und Dokumentation.
  • Sie automatisieren Design-Governance, Contract-Tests und die Erkennung von Breaking Changes in Ihrer Pipeline.
  • Sie machen bestehende APIs sicher und kontrolliert für KI-Agenten nutzbar, etwa über das Model Context Protocol.

Inhalte & Ablauf

Modul 1 Grundlagen von RAG und LLM-Anwendungen
  • Architektur einer RAG-Pipeline: Ingestion, Indexierung, Retrieval, Generierung
  • Embeddings verstehen: semantische Ähnlichkeit, Dimensionen, Modellauswahl
  • RAG, Fine-Tuning und lange Kontextfenster sinnvoll gegeneinander abwägen
  • Strukturierte Ausgaben, Quellenangaben und Umgang mit Halluzinationen
Modul 2 Dokumentaufbereitung und Chunking
  • PDF, Office-Dokumente, HTML und Tabellen zuverlässig extrahieren
  • Chunking-Strategien: feste Größe, strukturbasiert, semantisch, mit Überlappung
  • Metadaten anreichern und kontextuelle Zusammenfassungen pro Chunk erzeugen
  • Inkrementelle Aktualisierung und Löschung von Dokumenten im Index
Modul 3 Vektordatenbanken und Retrieval-Strategien
  • Vektordatenbanken und -erweiterungen im Vergleich, etwa pgvector, Qdrant, Weaviate oder OpenSearch
  • Hybride Suche aus Vektor- und Volltextsuche mit BM25
  • Reranking, Metadatenfilter und Query-Umformulierung
  • Agentisches Retrieval: das Modell entscheidet selbst über Suchschritte und Werkzeuge
Modul 4 Evaluierung und Qualitätssicherung
  • Testdatensätze aus echten Fragen aufbauen und pflegen
  • Retrieval-Metriken wie Recall und Precision sowie Antwortmetriken wie Faithfulness
  • LLM-as-a-Judge sinnvoll einsetzen und kalibrieren
  • Regressionstests bei Änderungen an Chunking, Modell oder Prompt
Modul 5 Betrieb, Kosten und Datenschutz
  • Prompt-Caching, Batch-Verarbeitung und Modellwahl zur Kostensenkung
  • Latenz optimieren und Antworten streamen
  • Berechtigungen auf Dokumentebene, Mandantentrennung und Schutz vor Prompt Injection
  • Datenschutz: Datenresidenz, Auftragsverarbeitung, Löschkonzepte, DSGVO und EU AI Act
Modul 6 Praxislabor: API-Entwicklung
  • OpenAPI-Specs generieren
  • Server und Clients erzeugen
  • Contract-Tests aufbauen
  • Breaking Changes erkennen
  • API-Sicherheit prüfen
  • APIs für KI-Agenten öffnen
Modul 7 Datenschutz, Qualität & Transfer in den Alltag
  • APIs transportieren häufig personenbezogene und vertrauliche Daten: Sie lernen, Spezifikationen und Beispieldaten ohne echte Kundendaten zu erstellen, API-Schlüssel und Tokens aus dem KI-Kontext fernzuhalten und Datenschutz durch Technikgestaltung nach DSGVO sowie Anforderungen aus NIS2 umzusetzen.
  • 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

OpenAPI-Specs generieren

Aus fachlichen Anforderungen, Domänenmodellen oder bestehendem Code vollständige OpenAPI-Spezifikationen mit Schemas, Beispielen, Fehlerobjekten und Sicherheitsschemata entwerfen und gegen Ihre Styleguide-Regeln prüfen. Inkonsistenzen fallen so vor der Implementierung auf.

Server und Clients erzeugen

Aus einer Spezifikation Controller-Gerüste, Validierungslogik und typsichere Client-SDKs für mehrere Sprachen ableiten und die generierten Teile sauber von handgeschriebener Geschäftslogik trennen. Bei Spec-Änderungen wird einfach neu generiert.

Contract-Tests aufbauen

Consumer-Driven Contracts definieren, Testfälle für Grenzwerte, Fehlerpfade und Authentifizierung generieren und in der CI-Pipeline automatisch gegen Spezifikation und laufende Implementierung ausführen. Abweichungen blockieren das Deployment frühzeitig.

Breaking Changes erkennen

Zwei Versionen einer Spezifikation vergleichen, inkompatible Änderungen identifizieren, Migrationshinweise für Konsumenten formulieren und Deprecation-Strategien mit Versionierung und Sunset-Headern planen. Die Prüfung läuft automatisch bei jedem Pull Request mit.

API-Sicherheit prüfen

Endpunkte auf typische Schwachstellen aus den OWASP API Security Top 10 analysieren, etwa fehlerhafte Objekt-Autorisierung, Mass Assignment oder fehlendes Rate Limiting, und Korrekturen vorschlagen. Jede Empfehlung wird begründet.

APIs für KI-Agenten öffnen

Bestehende Schnittstellen als MCP-Server oder Tool-Definitionen bereitstellen, Beschreibungen und Parameter agententauglich formulieren und Berechtigungen so zuschneiden, dass Agenten nur freigegebene Aktionen ausführen. Alle Aufrufe werden protokolliert.

Mögliche Praxisprojekte im Kurs

API-Linter mit Hausregeln

Ein Kommandozeilenwerkzeug, das OpenAPI-Dateien gegen Ihre Design-Richtlinien prüft und verständliche Verbesserungsvorschläge direkt im Pull Request ausgibt. So wird API-Governance Teil des normalen Entwicklungsalltags.

Mock-Server aus Spec

Ein kleiner Dienst, der aus einer Spezifikation realistische Beispielantworten erzeugt, damit Frontend-Teams parallel zur Backend-Entwicklung arbeiten können. Er lässt sich lokal oder in der CI starten.

MCP-Server für interne API

Ein MCP-Server, der ausgewählte Endpunkte einer internen REST-API als Werkzeuge für KI-Assistenten bereitstellt, mit Authentifizierung und Protokollierung. Schreibende Aktionen erfordern eine explizite Freigabe.

Voraussetzungen

Solide Programmierkenntnisse in Python (oder alternativ TypeScript), Grundkenntnisse in Datenbanken und REST-APIs sowie erste Erfahrungen mit LLM-APIs. Sie entwickeln Backend-Anwendungen in einer gängigen Sprache wie Java, C#, TypeScript, Python oder Go und kennen HTTP, JSON und REST-Grundlagen.

Technische Voraussetzungen

Laptop mit Python, Git, Docker und Code-Editor sowie API-Zugang zu mindestens einem LLM- und Embedding-Anbieter. Zugangsdaten für die Übungen können bei Bedarf gestellt werden.

Datenschutz & Compliance

APIs transportieren häufig personenbezogene und vertrauliche Daten: Sie lernen, Spezifikationen und Beispieldaten ohne echte Kundendaten zu erstellen, API-Schlüssel und Tokens aus dem KI-Kontext fernzuhalten und Datenschutz durch Technikgestaltung nach DSGVO sowie Anforderungen aus NIS2 umzusetzen.

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 Do, 10. Dezember 2026 6 Std. Anfragen
  • Berlin Mo, 14. Dezember 2026 6 Std. Anfragen
  • Augsburg Di, 15. Dezember 2026 6 Std. Anfragen
  • Hannover Fr, 11. Dezember 2026 6 Std. Anfragen
  • Bremen Mi, 16. Dezember 2026 6 Std. Anfragen
  • Stuttgart Fr, 11. Dezember 2026 6 Std. Anfragen
  • Kaiserslautern Di, 15. Dezember 2026 6 Std. Anfragen
  • Online Di, 15. Dezember 2026 6 Std. Anfragen

Häufige Fragen

Wann ist RAG besser als Fine-Tuning?

RAG eignet sich, wenn ein Modell auf aktuelles, umfangreiches oder häufig wechselndes Wissen zugreifen und Quellen angeben soll. Fine-Tuning verändert eher Stil, Format oder spezialisiertes Verhalten. In vielen Projekten ist RAG der schnellere, günstigere und besser kontrollierbare Weg, gelegentlich ergänzt durch Fine-Tuning für Spezialaufgaben.

Welche Vektordatenbank sollten wir verwenden?

Das hängt von Datenmenge, bestehender Infrastruktur, Filteranforderungen und Betriebsmodell ab. Wer bereits PostgreSQL nutzt, kommt mit pgvector oft weit, spezialisierte Systeme punkten bei großen Datenmengen und hybrider Suche. Im Kurs vergleichen Sie mehrere Optionen praktisch und leiten Kriterien für Ihre Entscheidung ab.

Wie lässt sich RAG datenschutzkonform betreiben?

Wichtig sind die Wahl von Anbietern mit passender Datenresidenz und Auftragsverarbeitungsvertrag, Berechtigungsprüfungen auf Dokumentebene, ein Löschkonzept für Index und Logs sowie Datenminimierung bei personenbezogenen Inhalten. Für sensible Daten kommen auch selbst betriebene Modelle infrage. Wir behandeln diese Optionen anhand realistischer Architekturen.

Lohnt sich Spec-first, wenn KI ohnehin schnell Code schreibt?

Gerade dann. Eine präzise Spezifikation ist der beste Kontext für einen KI-Assistenten: Sie legt Datenstrukturen, Fehlerfälle und Sicherheitsanforderungen eindeutig fest und dient zugleich als Vertrag für Konsumenten und als Grundlage für Tests. Ohne Spezifikation erzeugt KI schnell inkonsistente Endpunkte. Im Kurs nutzen Sie die Spec als zentrale Quelle für Generierung und Prüfung.

Was ist der Unterschied zwischen einer REST-API und einem MCP-Server?

Eine REST-API richtet sich an Entwickler:innen und Anwendungen, ein MCP-Server stellt Funktionen in einem standardisierten Format für KI-Assistenten und Agenten bereit, inklusive Beschreibungen, die das Modell versteht. Häufig ist der MCP-Server eine schlanke Schicht über bestehenden APIs. Sie lernen, wann sich dieser Schritt lohnt und wie Sie ihn sicher umsetzen.

Was kostet die Schulung „RAG & LLM-Apps für API-Entwickler:innen“?

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 API-Entwickler:innen

Weitere Kurse zu RAG & LLM-Apps

Alle 29 Kurse zu RAG & LLM-Apps

RAG & LLM-Apps – MünchenRAG & LLM-Apps – SalzburgRAG & LLM-Apps – BerlinRAG & LLM-Apps – AugsburgRAG & LLM-Apps – HannoverRAG & LLM-Apps – BremenRAG & LLM-Apps – StuttgartRAG & LLM-Apps – KaiserslauternRAG & LLM-Apps – Online