Schulung · RAG & LLM-Apps · JavaScript & TypeScript

RAG & LLM-Apps für JavaScript- und TypeScript-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 JavaScript & TypeScript. 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.

JavaScript und TypeScript laufen heute im Browser, auf dem Server, in Build-Pipelines und auf Edge-Plattformen. Diese Vielfalt bringt komplexe Toolchains mit sich: Bundler, Transpiler, Linter, Paketmanager und ein sich ständig bewegendes npm-Ökosystem. KI-Coding-Assistenten und Agenten nehmen hier viel Reibung heraus. Sie migrieren JavaScript-Module schrittweise nach TypeScript, leiten präzise Typen aus API-Antworten ab, beheben ESLint-Befunde, schreiben Vitest- oder Jest-Tests und erklären verschachtelte Generics verständlich. Damit die Ergebnisse zum Projekt passen, brauchen die Werkzeuge klare Leitplanken: tsconfig-Strenge, Modulsystem, Coding-Guidelines und Testbefehle. Im Kurs lernen Sie, diesen Kontext gezielt bereitzustellen und generierten Code kritisch zu prüfen.

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?

  • Frontend- und Fullstack-Entwickler:innen mit JavaScript oder TypeScript
  • Teams, die eine bestehende JavaScript-Codebasis nach TypeScript migrieren
  • Library- und SDK-Maintainer im npm-Ökosystem
  • Tech Leads, die Tooling, Linting und Build-Prozesse verantworten

Typische Herausforderungen, die wir adressieren

  • Schleichende Typ-Erosion durch any, Type Assertions und lockere tsconfig-Einstellungen
  • Komplexe Toolchains aus Bundler, Transpiler, ESM und CommonJS, die schwer zu debuggen sind
  • Riesige Abhängigkeitsbäume mit Sicherheits- und Wartungsrisiken
  • Asynchroner Code mit schwer reproduzierbaren Race Conditions und Fehlerbehandlungslücken

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 gezielt für TypeScript-Migrationen, Typisierung und Testgenerierung ein.
  • Sie versorgen Assistenten mit tsconfig, Lint-Regeln und Projektkonventionen, damit generierter Code zum bestehenden Stack passt.
  • Sie bewerten vorgeschlagene npm-Abhängigkeiten und generierten Code kritisch hinsichtlich Typsicherheit und Sicherheit.

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: JavaScript & TypeScript
  • Schrittweise TypeScript-Migration
  • Typen aus APIs und Schemas ableiten
  • Vitest- und Jest-Tests schreiben
  • ESLint-Befunde und Code-Smells beheben
  • Build- und Bundler-Probleme debuggen
  • Abhängigkeiten aktualisieren
Modul 7 Datenschutz, Qualität & Transfer in den Alltag
  • Das npm-Ökosystem ist ein häufiges Ziel von Supply-Chain-Angriffen; prüfen Sie jede von der KI vorgeschlagene Abhängigkeit auf Herkunft, Wartung und Lizenz (etwa Copyleft-Lizenzen). Halten Sie API-Keys und Tokens aus Prompts heraus und klären Sie vertraglich, ob Quellcode zum Training der Modelle verwendet werden darf.
  • 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

Schrittweise TypeScript-Migration

Der Agent konvertiert JavaScript-Dateien modulweise nach TypeScript, leitet Typen aus der Verwendung ab, ersetzt any durch präzise Typen und erhöht die tsconfig-Strenge kontrolliert, bis der Compiler ohne Fehler durchläuft.

Typen aus APIs und Schemas ableiten

Aus JSON-Beispielen, OpenAPI-Spezifikationen oder Datenbankschemas entstehen TypeScript-Interfaces und Zod-Schemas für die Laufzeitvalidierung, sodass Frontend und Backend auf einem konsistenten Vertrag arbeiten. Änderungen am Schema werden so sofort als Typfehler sichtbar.

Vitest- und Jest-Tests schreiben

Für Utility-Funktionen, Hooks und Services generiert die KI Unit-Tests mit sinnvollen Mocks, Fake-Timern und Snapshot-Strategien, führt sie aus und korrigiert fehlschlagende Fälle eigenständig. Bestehende Testkonventionen werden dabei übernommen.

ESLint-Befunde und Code-Smells beheben

Der Assistent arbeitet Lint-Warnungen systematisch ab, ersetzt veraltete Muster wie Callback-Ketten durch async/await und erklärt bei jeder Regel, warum die Änderung sinnvoll ist. So lernt das Team die Regeln gleich mit.

Build- und Bundler-Probleme debuggen

Fehlermeldungen aus Vite, webpack oder esbuild werden analysiert, ESM-CommonJS-Konflikte aufgelöst und Konfigurationen für Path-Aliases, Tree Shaking oder Source Maps korrigiert. Der Agent prüft jede Korrektur durch einen erneuten Build.

Abhängigkeiten aktualisieren

Die KI prüft Changelogs bei Major-Updates von npm-Paketen, passt Breaking Changes im Code an, aktualisiert Lockfiles und verifiziert die Änderungen über Typecheck und Testlauf. Riskante Updates werden einzeln und nachvollziehbar umgesetzt.

Mögliche Praxisprojekte im Kurs

Typsicherer API-Client

Ein kleines TypeScript-Paket, das aus einer OpenAPI-Spezifikation einen typsicheren Fetch-Client mit Zod-Validierung erzeugt und als npm-Paket mit Tests veröffentlicht werden kann.

Browser-Erweiterung

Eine Browser-Extension in TypeScript, die Seiteninhalte analysiert und strukturiert in die Zwischenablage kopiert – inklusive Manifest, Content-Script und automatisiertem Build.

Monorepo-Health-Check

Ein Node-Skript, das Workspaces in einem Monorepo analysiert, doppelte oder inkonsistente Abhängigkeitsversionen findet und einen Bereinigungsplan vorschlägt. Die Änderungen setzt der Agent auf Wunsch direkt um.

Voraussetzungen

Solide Programmierkenntnisse in Python (oder alternativ TypeScript), Grundkenntnisse in Datenbanken und REST-APIs sowie erste Erfahrungen mit LLM-APIs. Gute Kenntnisse in modernem JavaScript, Grundlagen in TypeScript sowie Erfahrung mit npm, pnpm oder yarn 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

Das npm-Ökosystem ist ein häufiges Ziel von Supply-Chain-Angriffen; prüfen Sie jede von der KI vorgeschlagene Abhängigkeit auf Herkunft, Wartung und Lizenz (etwa Copyleft-Lizenzen). Halten Sie API-Keys und Tokens aus Prompts heraus und klären Sie vertraglich, ob Quellcode zum Training der Modelle verwendet werden darf.

Terminvorschläge

Alle Termine sind Vorschläge – Ihr Wunschtermin ist jederzeit möglich.

  • Di, 24. November 2026 – Mi, 25. November 2026 Online Anfragen
  • Mo, 30. November 2026 – Di, 1. Dezember 2026 Hannover Anfragen
  • Mi, 16. Dezember 2026 – Do, 17. Dezember 2026 Online Anfragen
  • Do, 14. Januar 2027 – Fr, 15. Januar 2027 Online Anfragen
  • Mo, 25. Januar 2027 – Di, 26. Januar 2027 München Anfragen
  • Mi, 3. Februar 2027 – Do, 4. 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.

Wie gut kommen KI-Assistenten mit komplexen TypeScript-Typen zurecht?

Moderne Modelle verstehen Generics, Conditional Types und Mapped Types sehr gut und können sie verständlich erklären. Bei sehr komplexen Typkonstruktionen ist der Compiler die entscheidende Kontrollinstanz. Im Kurs lernen Sie, den Agenten tsc iterativ ausführen zu lassen, damit Vorschläge nicht nur plausibel aussehen, sondern tatsächlich typkorrekt sind.

Ist der Kurs auch für reine Frontend-Entwickler:innen geeignet?

Ja. Der Fokus liegt auf der Sprache und ihrem Tooling, also Typisierung, Tests, Linting, Builds und Abhängigkeiten – Themen, die Frontend wie Backend gleichermaßen betreffen. Wer tiefer in React oder Node.js einsteigen möchte, findet dafür eigene spezialisierte Kursvarianten in unserem Katalog.

Was kostet die Schulung „RAG & LLM-Apps für JavaScript- und TypeScript-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 JavaScript- und TypeScript-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