Schulung – RAG & LLM-Apps – Go

RAG & LLM-Apps für Go-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

„RAG & LLM-Apps für Go-Entwickler:innen“ ist ein praxisorientiertes Training für Rollen wie Go-Entwickler:innen in Backend- und Plattformteams, Entwickler:innen von Cloud-native-Tools, Operatoren und CLIs und Site Reliability Engineers mit eigenem Go-Code. Sie lernen RAG & LLM-Apps nicht abstrakt, sondern an Aufgaben aus Ihrem Arbeitsalltag kennen – mit Beispielen, Übungen und Vorlagen aus dem Bereich Go.

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.

Go ist die Sprache vieler Cloud-native-Werkzeuge, Microservices, CLIs und Infrastruktur-Komponenten. Ihre Stärke liegt in Einfachheit, schneller Kompilierung und eingebauter Nebenläufigkeit – doch gerade Goroutines, Channels, Context-Handling und Fehlerbehandlung verlangen Disziplin. KI-Coding-Assistenten und Agenten passen gut zu dieser Sprache: Der Compiler, go vet und der Race Detector liefern schnelles, eindeutiges Feedback, mit dem Agenten iterativ arbeiten können. Typische Aufgaben sind tabellengetriebene Tests, gRPC- und HTTP-Handler aus Spezifikationen, das Aufspüren von Race Conditions oder Goroutine-Leaks sowie Refactorings hin zu klaren Interfaces. Im Kurs lernen Sie, idiomatisches Go von KI erzeugen zu lassen und die Ergebnisse mit Go-eigenen Werkzeugen abzusichern.

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?

  • Go-Entwickler:innen in Backend- und Plattformteams
  • Entwickler:innen von Cloud-native-Tools, Operatoren und CLIs
  • Site Reliability Engineers mit eigenem Go-Code
  • Software-Architekt:innen für hochperformante Microservices

Typische Herausforderungen, die wir adressieren

  • Subtile Nebenläufigkeitsfehler wie Race Conditions, Deadlocks und Goroutine-Leaks
  • Wiederholender Boilerplate-Code in Fehlerbehandlung, Handlern und Tests
  • Uneinheitliche Projektstrukturen und Interface-Schnitte in wachsenden Codebasen
  • Schwierige Performance-Analyse von Speicherallokationen und Latenzen

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 lassen KI-Agenten idiomatischen Go-Code, Tests und Services erzeugen, die Go-Konventionen folgen.
  • Sie nutzen KI gezielt zur Analyse von Nebenläufigkeits- und Performance-Problemen.
  • Sie sichern generierten Code mit Compiler, go vet, Race Detector, Linting und Benchmarks ab.

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: Go
  • Tabellengetriebene Tests schreiben
  • gRPC- und HTTP-Services implementieren
  • Nebenläufigkeitsfehler finden
  • Idiomatische Refactorings
  • Performance profilieren
  • CLIs und Tools bauen
Modul 7 Datenschutz, Qualität & Transfer in den Alltag
  • Go-Werkzeuge laufen oft tief in der Infrastruktur: Halten Sie Kubeconfigs, Tokens und Zertifikate strikt aus dem Kontext von KI-Assistenten heraus. Prüfen Sie neue Module auf Herkunft, Lizenz und bekannte Schwachstellen, etwa mit govulncheck, und dokumentieren Sie Abhängigkeiten in einer SBOM, wie sie der Cyber Resilience Act für Produkte mit digitalen Elementen fordert.
  • 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

Tabellengetriebene Tests schreiben

Der Agent erzeugt idiomatische Table-Driven-Tests mit Subtests, Testhelfern und Fakes für Interfaces, führt go test mit Race Detector aus und ergänzt fehlende Grenzfälle, bis die Abdeckung stimmt.

gRPC- und HTTP-Services implementieren

Aus Protobuf-Definitionen oder OpenAPI-Spezifikationen entstehen Handler, Middleware für Logging und Authentifizierung, Context-Weitergabe mit Timeouts und saubere Fehlerrückgaben. Integrationstests prüfen die Endpunkte gegen realistische Anfragen und Fehlerfälle.

Nebenläufigkeitsfehler finden

Die KI analysiert Ausgaben des Race Detectors, Goroutine-Dumps und Code mit Channels oder Mutexen, erklärt die Ursache von Deadlocks oder Leaks und schlägt Korrekturen mit errgroup oder Context-Abbruch vor.

Idiomatische Refactorings

Große Pakete werden entflochten, kleine konsumentenseitige Interfaces eingeführt, Fehler mit Wrapping und errors.Is aufbereitet und Code an Linter-Regeln von golangci-lint angepasst. Das Verhalten bleibt durch bestehende Tests abgesichert.

Performance profilieren

pprof-Profile und Benchmark-Ergebnisse werden ausgewertet, Hotspots und unnötige Allokationen identifiziert und Optimierungen mit Vorher-nachher-Benchmarks belegt. So werden Verbesserungen messbar statt nur vermutet, und Regressionen fallen früh auf.

CLIs und Tools bauen

Der Assistent erstellt Kommandozeilenwerkzeuge mit Cobra oder der Standardbibliothek, inklusive Konfiguration, strukturiertem Logging, Cross-Compilation und Release-Automatisierung. Ergänzt werden Tests, Hilfetexte und eine verständliche Dokumentation der Befehle.

Mögliche Praxisprojekte im Kurs

Health-Check-Aggregator

Ein Go-Dienst, der Health-Endpunkte vieler Services parallel abfragt, Ergebnisse zusammenführt und als JSON sowie Prometheus-Metriken bereitstellt. Zeitüberschreitungen und Fehler werden sauber behandelt und protokolliert.

Log-Shipper-CLI

Ein schlankes Kommandozeilentool, das Logdateien beobachtet, Einträge filtert und gebündelt an einen HTTP-Endpunkt sendet – mit Backoff und Graceful Shutdown.

Kubernetes-Ressourcenbericht

Ein CLI auf Basis von client-go, das Ressourcenanforderungen und Limits aller Deployments ausliest und Auffälligkeiten tabellarisch darstellt. Die Ausgabe ist auch als JSON verfügbar.

Voraussetzungen

Solide Programmierkenntnisse in Python (oder alternativ TypeScript), Grundkenntnisse in Datenbanken und REST-APIs sowie erste Erfahrungen mit LLM-APIs. Praktische Erfahrung mit Go einschließlich Goroutines, Interfaces und Modulen sowie Grundkenntnisse in Git und Containern.

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

Go-Werkzeuge laufen oft tief in der Infrastruktur: Halten Sie Kubeconfigs, Tokens und Zertifikate strikt aus dem Kontext von KI-Assistenten heraus. Prüfen Sie neue Module auf Herkunft, Lizenz und bekannte Schwachstellen, etwa mit govulncheck, und dokumentieren Sie Abhängigkeiten in einer SBOM, wie sie der Cyber Resilience Act für Produkte mit digitalen Elementen fordert.

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

Schreibt die KI wirklich idiomatisches Go?

Mit gutem Kontext ja. Ohne Vorgaben neigen Modelle manchmal zu Mustern aus anderen Sprachen, etwa zu großen Interfaces oder übermäßiger Abstraktion. Im Kurs hinterlegen Sie Ihre Go-Konventionen, Linter-Konfiguration und Beispielcode so, dass der Assistent einfachen, idiomatischen Code bevorzugt, und prüfen die Ergebnisse mit golangci-lint.

Kann die KI Race Conditions zuverlässig finden?

Die KI ist ein starkes Analysewerkzeug, ersetzt aber nicht den Race Detector. Am besten wirkt die Kombination: Der Agent führt Tests mit Race Detector aus, interpretiert die Berichte und schlägt Korrekturen vor. Sie lernen, diesen Ablauf aufzusetzen und vorgeschlagene Synchronisationsänderungen kritisch zu bewerten.

Was kostet die Schulung „RAG & LLM-Apps für Go-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 Go-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