Schulung · RAG & LLM-Apps · C/C++ & Embedded

RAG & LLM-Apps für C/C++- und Embedded-Entwickler:innen

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

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

„RAG & LLM-Apps für C/C++- und Embedded-Entwickler:innen“ ist ein praxisorientiertes Training für Rollen wie Embedded-Softwareentwickler:innen für Mikrocontroller und RTOS-Systeme, C++-Entwickler:innen in Systemsoftware, Automotive und Industrieautomation und Firmware- und Treiberentwickler:innen. Sie lernen RAG & LLM-Apps nicht abstrakt, sondern an Aufgaben aus Ihrem Arbeitsalltag kennen – mit Beispielen, Übungen und Vorlagen aus dem Bereich C/C++ & Embedded.

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 zweitägigen 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.

In der Embedded- und Systementwicklung zählen Determinismus, Speichersicherheit und Ressourcenknappheit mehr als in fast jedem anderen Bereich. KI-Coding-Assistenten und Agenten unterstützen hier beim Lesen von Datenblättern und Registerbeschreibungen, beim Schreiben von Treibern und Hardware-Abstraktionsschichten, beim Beheben von Compiler-Warnungen und Findings statischer Analyse sowie beim Aufbau von Unit-Tests mit Mocks für Hardware-Zugriffe. Gleichzeitig verlangt der Bereich besondere Sorgfalt: Undefined Behavior, Race Conditions in Interrupt-Routinen oder Verstöße gegen MISRA-Regeln entstehen schnell, wenn generierter Code unkritisch übernommen wird. Im Kurs lernen Sie, KI in Ihren Cross-Compile-Workflow mit CMake, Debugger und Hardware-in-the-Loop-Tests einzubinden und dabei die Qualitäts- und Sicherheitsanforderungen funktional sicherer Produkte einzuhalten.

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?

  • Embedded-Softwareentwickler:innen für Mikrocontroller und RTOS-Systeme
  • C++-Entwickler:innen in Systemsoftware, Automotive und Industrieautomation
  • Firmware- und Treiberentwickler:innen
  • Embedded-Linux- und Yocto-Entwickler:innen
  • Test- und Verifikationsingenieur:innen für eingebettete Systeme

Typische Herausforderungen, die wir adressieren

  • Speicherfehler, Undefined Behavior und Nebenläufigkeitsprobleme sind schwer zu finden und teuer im Feld
  • Gewachsene C-Codebasen mit globalen Zuständen, Makros und kaum Testabdeckung
  • Hoher Aufwand für Coding-Standards wie MISRA C/C++ oder AUTOSAR C++ und deren Nachweis
  • Wissen über Hardware-Details steckt in Datenblättern und in den Köpfen weniger Expert:innen

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 KI-Agenten für Treiberentwicklung, Refactoring und Fehlersuche in C und C++ gezielt und überprüfbar ein.
  • Sie erhöhen die Testabdeckung hardwarenaher Software mit generierten Unit-Tests und Mocks für die Host-Ausführung.
  • Sie verbinden KI-Unterstützung mit Coding-Standards, statischer Analyse und den Nachweispflichten sicherheitsrelevanter Entwicklung.

Inhalte & Ablauf

Tag 1

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

Tag 2

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: C/C++ & Embedded
  • Treiber aus Datenblättern ableiten
  • Statische Analyse auswerten
  • Unit-Tests mit Hardware-Mocks
  • Crash- und Speicheranalyse
  • Modernes C++ einführen
  • Build und Toolchain pflegen
Modul 7 Datenschutz, Qualität & Transfer in den Alltag
  • Firmware ist oft Kern des geistigen Eigentums und unterliegt Exportkontroll- oder Sicherheitsanforderungen: Sie lernen, wie Sie Quellcode schützen, Lizenzrisiken durch generierten Code bewerten und KI-Einsatz mit Cyber Resilience Act, IEC 62443 sowie funktionaler Sicherheit nach ISO 26262 oder IEC 61508 vereinbaren.
  • 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

Treiber aus Datenblättern ableiten

Registerbeschreibungen und Timing-Diagramme aus Datenblättern strukturieren lassen und daraus Header mit Bitfeld-Definitionen, Initialisierungsroutinen und eine schlanke Hardware-Abstraktionsschicht für SPI-, I²C- oder UART-Peripherie entwerfen. Jede Funktion verweist auf die zugehörige Datenblattstelle.

Statische Analyse auswerten

Findings von clang-tidy, cppcheck oder MISRA-Checkern erklären und priorisieren, regelkonforme Korrekturen vorschlagen und begründete Abweichungen für die Deviation-Dokumentation vorbereiten. So sinkt der Aufwand für Compliance-Nachweise spürbar, ohne die fachliche Prüfung zu ersetzen.

Unit-Tests mit Hardware-Mocks

Testbare Schnittstellen aus hardwarenahem Code herauslösen, Mocks für Register- und HAL-Zugriffe erzeugen und Unit-Tests mit GoogleTest, Unity oder CppUTest für die Ausführung auf dem Host generieren.

Crash- und Speicheranalyse

HardFault-Register, Stack-Traces, Core-Dumps und Sanitizer-Ausgaben interpretieren, wahrscheinliche Ursachen wie Stack-Überläufe oder Use-after-free eingrenzen und gezielte Debug-Schritte vorschlagen. Das verkürzt die Fehlersuche erheblich, besonders bei sporadischen Fehlern, die sich im Labor nur schwer reproduzieren lassen.

Modernes C++ einführen

Rohzeiger, manuelle Speicherverwaltung und Makros schrittweise durch RAII, constexpr, Smart Pointer und typsichere Abstraktionen ersetzen, ohne Echtzeitverhalten oder Speicherbudget zu verschlechtern. Jeder Schritt wird durch Tests abgesichert.

Build und Toolchain pflegen

CMake-Projekte für Cross-Compilation strukturieren, Toolchain-Dateien, Linker-Skripte und CI-Jobs für Firmware-Builds erstellen und Build-Fehler mit dem Kontext der Zielplattform analysieren. Reproduzierbare Builds lassen sich so in Containern für das ganze Team bereitstellen.

Mögliche Praxisprojekte im Kurs

Register-Header-Generator

Ein Skript, das Registertabellen aus einer SVD- oder CSV-Datei in typsichere C-Header mit Masken, Offsets und Zugriffsfunktionen umwandelt. Tippfehler bei Offsets gehören damit der Vergangenheit an.

Serieller Protokoll-Monitor

Ein Desktop-Tool, das Daten einer seriellen Schnittstelle mitliest, ein eigenes Binärprotokoll dekodiert und Telegramme filterbar sowie mit Zeitstempeln darstellt. Mitschnitte lassen sich exportieren.

MISRA-Report-Dashboard

Eine kleine Web-Ansicht, die Ergebnisse statischer Analyse aggregiert, Regelverstöße nach Modul gruppiert und den Fortschritt über Builds hinweg zeigt. Neue Verstöße werden hervorgehoben.

Voraussetzungen

Solide Programmierkenntnisse in Python (oder alternativ TypeScript), Grundkenntnisse in Datenbanken und REST-APIs sowie erste Erfahrungen mit LLM-APIs. Sie programmieren sicher in C oder C++ und haben Erfahrung mit Build-Systemen, Debugging und hardwarenaher oder systemnaher Entwicklung.

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

Firmware ist oft Kern des geistigen Eigentums und unterliegt Exportkontroll- oder Sicherheitsanforderungen: Sie lernen, wie Sie Quellcode schützen, Lizenzrisiken durch generierten Code bewerten und KI-Einsatz mit Cyber Resilience Act, IEC 62443 sowie funktionaler Sicherheit nach ISO 26262 oder IEC 61508 vereinbaren.

Terminvorschläge

Alle Termine sind Vorschläge – Ihr Wunschtermin ist jederzeit möglich.

  • Do, 26. November 2026 – Fr, 27. November 2026 Online Anfragen
  • Mi, 9. Dezember 2026 – Do, 10. Dezember 2026 Stuttgart Anfragen
  • Do, 7. Januar 2027 – Fr, 8. Januar 2027 Hannover Anfragen
  • Mi, 13. Januar 2027 – Do, 14. Januar 2027 Online Anfragen
  • Do, 28. Januar 2027 – Fr, 29. Januar 2027 Berlin Anfragen
  • Di, 2. Februar 2027 – Mi, 3. Februar 2027 Online 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.

Ist KI-generierter Code für sicherheitskritische Embedded-Systeme zulässig?

Normen wie ISO 26262 oder IEC 61508 verbieten KI-Werkzeuge nicht, verlangen aber nachvollziehbare Prozesse, Reviews, Tests und gegebenenfalls Tool-Qualifizierung. Generierter Code wird daher wie jeder andere Code behandelt: geprüft, getestet und gegen Coding-Standards verifiziert. Im Kurs entwickeln Sie Arbeitsweisen, die diese Nachweise unterstützen, statt sie zu umgehen.

Kann ein KI-Agent mit meiner Zielhardware arbeiten?

Agenten können Builds anstoßen, Flash-Vorgänge ausführen, serielle Ausgaben auswerten und Tests auf Host oder Hardware-in-the-Loop-Aufbau starten, sofern Sie entsprechende Kommandozeilenwerkzeuge bereitstellen. Wir zeigen, wie Sie solche Schleifen kontrolliert aufbauen, mit klaren Berechtigungen und ohne dass der Agent unbeaufsichtigt auf produktive Geräte zugreift.

Was kostet die Schulung „RAG & LLM-Apps für C/C++- und Embedded-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 C/C++- und Embedded-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