Schulung · RAG & LLM-Apps · Java & Spring

RAG & LLM-Apps für Java- und Spring-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

In diesem Kurs verbinden wir RAG & LLM-Apps mit den typischen Abläufen im Bereich Java & Spring. Die Teilnehmenden arbeiten an realistischen Szenarien und nehmen sofort einsetzbare Prompts, Workflows und Checklisten mit.

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.

Java und Spring tragen in vielen Unternehmen geschäftskritische Systeme: Banking-Backends, ERP-Integrationen, Behördenanwendungen und große Microservice-Landschaften. Diese Systeme sind oft über Jahre gewachsen, und Modernisierung ist Daueraufgabe. KI-Coding-Assistenten und Agenten verändern hier vor allem die aufwändigen Routinearbeiten: Spring-Boot-Major-Upgrades inklusive Umstellung von javax auf jakarta, JUnit- und Mockito-Tests für schlecht getesteten Code, Refactorings hin zu Records und modernen Sprachfeatures, Analyse von Stacktraces und Hibernate-Problemen. Entscheidend sind klare Leitplanken: Build-Tool, Modulstruktur, Architekturregeln und Teststrategie müssen im Kontext stehen. Im Kurs lernen Sie anhand realistischer Beispiele, Agenten in Maven- oder Gradle-Projekten produktiv und kontrolliert einzusetzen.

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?

  • Java-Backend-Entwickler:innen mit Spring Boot oder Jakarta EE
  • Teams, die Legacy-Java-Anwendungen modernisieren
  • Software-Architekt:innen für Enterprise- und Microservice-Landschaften
  • Entwickler:innen in Banken, Versicherungen und öffentlicher Verwaltung
  • Tech Leads mit Verantwortung für Upgrades und technische Schulden

Typische Herausforderungen, die wir adressieren

  • Aufwändige Framework- und JDK-Upgrades mit zahlreichen Breaking Changes
  • Große Legacy-Codebasen mit geringer Testabdeckung und starkem Kopplungsgrad
  • Schwer analysierbare Performance-Probleme in JPA, Hibernate und Transaktionen
  • Viel Boilerplate in Konfiguration, Mapping und Schnittstellencode

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 Spring-Boot-Upgrades, Refactorings und Testgenerierung in Maven- und Gradle-Projekten ein.
  • Sie analysieren Hibernate-, Performance- und Produktionsfehler schneller mit KI-Unterstützung.
  • Sie verankern Architekturregeln und Qualitätsstandards so, dass generierter Java-Code sie zuverlässig einhält.

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: Java & Spring
  • Spring-Boot-Upgrade begleiten
  • JUnit- und Mockito-Tests generieren
  • Legacy-Code refaktorisieren
  • JPA- und Hibernate-Probleme analysieren
  • REST-APIs und Schnittstellen
  • Stacktraces und Produktionsfehler verstehen
Modul 7 Datenschutz, Qualität & Transfer in den Alltag
  • Java-Systeme laufen häufig in regulierten Branchen: Klären Sie mit Informationssicherheit und Datenschutz, welcher Code an externe Modelle gehen darf, und berücksichtigen Sie Vorgaben wie DORA, NIS2 oder BAIT. Generierter Code und neue Maven-Abhängigkeiten sollten auf Lizenzen und bekannte Schwachstellen geprüft und in einer SBOM erfasst werden.
  • 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

Spring-Boot-Upgrade begleiten

Der Agent analysiert Abhängigkeiten, wendet OpenRewrite-Rezepte an, stellt javax- auf jakarta-Pakete um, passt veraltete Konfigurationen und Security-Setups an und iteriert über Build und Tests, bis die Anwendung wieder grün ist.

JUnit- und Mockito-Tests generieren

Für Services und Controller entstehen Unit-Tests mit JUnit und Mockito sowie Slice-Tests mit WebMvcTest oder DataJpaTest. Die KI erhöht gezielt die Abdeckung kritischer Pfade und dokumentiert Testannahmen.

Legacy-Code refaktorisieren

Große Klassen werden aufgeteilt, DTOs in Records überführt, null-Prüfungen durch Optional ersetzt und Streams sinnvoll eingesetzt. Bestehende Tests sichern das Verhalten bei jedem Schritt ab.

JPA- und Hibernate-Probleme analysieren

Die KI wertet SQL-Logs und Stacktraces aus, erkennt N+1-Abfragen, LazyInitializationExceptions und ungünstige Fetch-Strategien und schlägt Entity-Graphen, Projektionen oder Index-Änderungen vor. Jede Optimierung wird mit SQL-Logs vor und nach der Änderung belegt.

REST-APIs und Schnittstellen

Aus OpenAPI-Spezifikationen entstehen Controller, DTOs, MapStruct-Mapper und Validierung mit Bean Validation, inklusive einheitlicher Fehlerbehandlung über ControllerAdvice und Integrationstests. Bestehende Paket- und Namenskonventionen werden dabei konsequent eingehalten.

Stacktraces und Produktionsfehler verstehen

Lange Stacktraces, Thread Dumps und Logauszüge werden zusammengefasst, die wahrscheinliche Ursache eingegrenzt und ein reproduzierender Testfall plus Fix vorgeschlagen. So verkürzt sich die Zeit bis zur Fehlerbehebung deutlich.

Mögliche Praxisprojekte im Kurs

Spring-Boot-Microservice

Ein REST-Service mit Spring Data JPA, Flyway-Migrationen, Bean Validation, Actuator-Endpunkten und Testcontainers-Tests, vollständig per KI-Agent aus einer Spezifikation entwickelt. Ideal, um den vollständigen Agenten-Workflow zu üben.

Dependency-Report für Maven und Gradle

Ein Kommandozeilentool, das Build-Dateien analysiert, veraltete und verwundbare Bibliotheken auflistet und Upgrade-Pfade mit erwarteten Breaking Changes beschreibt. Die Ergebnisse dienen als Grundlage für die Upgrade-Planung.

Architektur-Regelprüfung

Ein ArchUnit-Testpaket, das Schichtenregeln, Paketabhängigkeiten und Namenskonventionen Ihres Projekts automatisiert prüft und in die CI-Pipeline eingebunden wird. Verstöße fallen so bereits im Pull Request auf.

Voraussetzungen

Solide Programmierkenntnisse in Python (oder alternativ TypeScript), Grundkenntnisse in Datenbanken und REST-APIs sowie erste Erfahrungen mit LLM-APIs. Fundierte Java-Kenntnisse, praktische Erfahrung mit Spring Boot oder Jakarta EE sowie mit Maven oder Gradle und Git.

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

Java-Systeme laufen häufig in regulierten Branchen: Klären Sie mit Informationssicherheit und Datenschutz, welcher Code an externe Modelle gehen darf, und berücksichtigen Sie Vorgaben wie DORA, NIS2 oder BAIT. Generierter Code und neue Maven-Abhängigkeiten sollten auf Lizenzen und bekannte Schwachstellen geprüft und in einer SBOM erfasst werden.

Terminvorschläge

Alle Termine sind Vorschläge – Ihr Wunschtermin ist jederzeit möglich.

  • Mo, 23. November 2026 – Di, 24. November 2026 Online Anfragen
  • Di, 1. Dezember 2026 – Mi, 2. Dezember 2026 Kaiserslautern Anfragen
  • Mi, 9. Dezember 2026 – Do, 10. Dezember 2026 Online Anfragen
  • Di, 15. Dezember 2026 – Mi, 16. Dezember 2026 Bremen Anfragen
  • Do, 14. Januar 2027 – Fr, 15. Januar 2027 Online Anfragen
  • Di, 19. Januar 2027 – Mi, 20. Januar 2027 Salzburg 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.

Kann ein KI-Agent ein Spring-Boot-Major-Upgrade allein durchführen?

Ein Agent kann einen Großteil der mechanischen Arbeit übernehmen, etwa Paketumstellungen, Konfigurationsanpassungen und das iterative Beheben von Compile- und Testfehlern, besonders in Kombination mit OpenRewrite. Architekturentscheidungen, fachliche Abnahme und Tests in realistischen Umgebungen bleiben jedoch Aufgabe des Teams. Im Kurs üben Sie diesen Ablauf an einem Beispielprojekt.

Ist KI-gestütztes Coding in regulierten Umgebungen erlaubt?

Grundsätzlich ja, aber mit klaren Regeln. Entscheidend sind die Wahl des Anbieters und Betriebsmodells, vertragliche Zusagen zur Datenverwendung, Freigabeprozesse und nachvollziehbare Reviews. Wir besprechen, wie Banken, Versicherungen und Behörden typischerweise vorgehen und welche Fragen Sie mit Ihrer Informationssicherheit klären sollten.

Was kostet die Schulung „RAG & LLM-Apps für Java- und Spring-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 Java- und Spring-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