Schulung · RAG & LLM-Apps · Python-Entwicklung

RAG & LLM-Apps für Python-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 Python-Entwicklung. 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.

Python ist die Sprache, in der viele Teams Web-Backends, Automatisierung, Datenpipelines und KI-Anwendungen gleichzeitig betreiben – entsprechend heterogen sind die Codebasen. KI-Coding-Assistenten und Agenten verändern den Alltag hier besonders spürbar: Sie schreiben pytest-Suiten auf Basis vorhandener Fixtures, ergänzen Type Hints bis mypy sauber durchläuft, migrieren Legacy-Skripte auf moderne Packaging-Standards mit pyproject.toml und erklären fremde Django- oder FastAPI-Projekte in Minuten statt Tagen. Entscheidend ist, die Werkzeuge mit klarem Kontext zu führen: Projektkonventionen, Linter-Regeln von Ruff, Testbefehle und Architekturentscheidungen gehören in Anweisungsdateien und Prompts. Wer das beherrscht, delegiert Routinearbeit verlässlich und konzentriert sich auf Design, Review und fachliche Logik.

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?

  • Python-Backend-Entwickler:innen mit Django, Flask oder FastAPI
  • Automatisierungs- und Skripting-Spezialist:innen in IT und Fachbereichen
  • Data- und ML-Engineers, die produktiven Python-Code pflegen
  • Tech Leads, die Code-Qualität und Review-Prozesse verantworten
  • Entwickler:innen, die Legacy-Python-Code modernisieren

Typische Herausforderungen, die wir adressieren

  • Gewachsene Codebasen ohne Type Hints und mit lückenhafter Testabdeckung
  • Abhängigkeitschaos zwischen requirements.txt, Poetry, uv und virtuellen Umgebungen
  • Zeitaufwändige Reviews und uneinheitlicher Stil trotz Linter und Formatter
  • Einarbeitung in fremde Projekte mit implizitem Wissen und fehlender Dokumentation

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 pytest-Suiten, Type Hints und Refactorings in Ihrer Python-Codebasis zuverlässig umsetzen.
  • Sie hinterlegen Projektkonventionen, Tooling wie Ruff, mypy und uv sowie Testbefehle so, dass der Assistent sie konsequent einhält.
  • Sie prüfen generierten Python-Code systematisch auf Korrektheit, Sicherheit und Wartbarkeit, bevor er gemergt wird.

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: Python-Entwicklung
  • pytest-Tests generieren
  • Type Hints und mypy-Bereinigung
  • Django-Migrationen und ORM-Refactoring
  • FastAPI-Endpunkte mit Pydantic
  • Legacy-Skripte modernisieren
  • Codebasis verstehen und dokumentieren
Modul 7 Datenschutz, Qualität & Transfer in den Alltag
  • Klären Sie, welcher Quellcode an Cloud-Modelle übertragen werden darf, schließen Sie Secrets aus .env-Dateien konsequent aus und prüfen Sie generierten Code auf Lizenzübernahmen sowie neu eingeführte PyPI-Abhängigkeiten (Typosquatting, Supply-Chain-Risiken). Für Produkte mit digitalen Elementen gewinnen zudem die Pflichten des Cyber Resilience Act an Bedeutung.
  • 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

pytest-Tests generieren

Der Assistent analysiert Funktionen und vorhandene Fixtures, schreibt parametrisierte pytest-Tests inklusive Edge Cases und Mocks für externe Dienste und führt sie iterativ aus, bis sie grün sind und die gewünschte Abdeckung erreichen.

Type Hints und mypy-Bereinigung

Untypisierter Code wird modulweise mit Type Hints, TypedDict und Protocols versehen. Der Agent startet mypy oder Pyright, interpretiert die Meldungen und behebt sie schrittweise, ohne das Laufzeitverhalten zu verändern.

Django-Migrationen und ORM-Refactoring

Modelländerungen werden samt Datenmigrationen geplant, makemigrations-Konflikte aufgelöst und N+1-Abfragen mit select_related oder prefetch_related optimiert. Die KI erklärt Risiken für bestehende Produktionsdaten vor dem Deployment. Auch Rückwärtsmigrationen werden mitgedacht.

FastAPI-Endpunkte mit Pydantic

Aus einer fachlichen Beschreibung oder einem OpenAPI-Entwurf entstehen Pydantic-Modelle, Router, Dependency Injection und Validierungslogik inklusive Fehlerbehandlung und passender Tests mit dem TestClient. Die Endpunkte folgen Ihren bestehenden Projektkonventionen.

Legacy-Skripte modernisieren

Alte Skripte werden in Pakete mit pyproject.toml überführt, globale Zustände entfernt, argparse- oder Click-CLIs ergänzt und Ruff-Regeln angewendet. Der Agent dokumentiert jede Änderung nachvollziehbar im Commit.

Codebasis verstehen und dokumentieren

Der Assistent erkundet ein unbekanntes Repository, erstellt Architekturübersichten, erklärt Datenflüsse zwischen Modulen und ergänzt fehlende Docstrings im Google- oder NumPy-Stil, sodass neue Teammitglieder schneller produktiv werden.

Mögliche Praxisprojekte im Kurs

CLI für Log-Analyse

Ein Typer-basiertes Kommandozeilentool, das Anwendungslogs einliest, Fehlermuster gruppiert und eine kompakte Zusammenfassung als Markdown oder JSON ausgibt – inklusive Tests und Packaging.

FastAPI-Microservice mit Datenbank

Ein kleiner REST-Service mit SQLAlchemy, Alembic-Migrationen, Pydantic-Validierung und Docker-Setup, der vollständig per KI-Agent geplant, implementiert und getestet wird. Ideal, um den kompletten Agenten-Workflow zu üben.

Dependency-Audit-Skript

Ein Skript, das alle Projektabhängigkeiten ausliest, veraltete oder verwundbare Pakete über öffentliche Advisory-Datenbanken prüft und einen priorisierten Update-Bericht erstellt. Der Bericht lässt sich in die CI-Pipeline einbinden.

Voraussetzungen

Solide Programmierkenntnisse in Python (oder alternativ TypeScript), Grundkenntnisse in Datenbanken und REST-APIs sowie erste Erfahrungen mit LLM-APIs. Solide Python-Kenntnisse, Erfahrung mit Git, virtuellen Umgebungen und mindestens einem Framework wie Django, Flask oder FastAPI.

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

Klären Sie, welcher Quellcode an Cloud-Modelle übertragen werden darf, schließen Sie Secrets aus .env-Dateien konsequent aus und prüfen Sie generierten Code auf Lizenzübernahmen sowie neu eingeführte PyPI-Abhängigkeiten (Typosquatting, Supply-Chain-Risiken). Für Produkte mit digitalen Elementen gewinnen zudem die Pflichten des Cyber Resilience Act an Bedeutung.

Terminvorschläge

Alle Termine sind Vorschläge – Ihr Wunschtermin ist jederzeit möglich.

  • Do, 26. November 2026 – Fr, 27. November 2026 Online Anfragen
  • Mo, 7. Dezember 2026 – Di, 8. Dezember 2026 Berlin Anfragen
  • Mi, 16. Dezember 2026 – Do, 17. Dezember 2026 Online Anfragen
  • Di, 12. Januar 2027 – Mi, 13. Januar 2027 Online Anfragen
  • Mo, 18. Januar 2027 – Di, 19. Januar 2027 Stuttgart Anfragen
  • Do, 28. Januar 2027 – Fr, 29. Januar 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.

Funktioniert KI-gestütztes Coding auch in großen Django-Monolithen?

Ja, sofern der Agent den richtigen Kontext erhält. Im Kurs lernen Sie, Anweisungsdateien mit Architekturregeln, App-Struktur und Testbefehlen anzulegen und Aufgaben so zu schneiden, dass der Assistent gezielt einzelne Apps oder Module bearbeitet. So bleiben Änderungen überschaubar und reviewbar, auch wenn das Gesamtprojekt sehr umfangreich ist.

Ersetzt die KI meine Code-Reviews?

Nein. KI-Assistenten beschleunigen das Schreiben von Code und können Reviews vorbereiten, etwa durch Hinweise auf fehlende Tests oder riskante Stellen. Die fachliche und sicherheitsrelevante Verantwortung bleibt beim Team. Wir zeigen, wie Sie Review-Checklisten, statische Analyse und Tests kombinieren, damit generierter Code denselben Qualitätsmaßstäben genügt wie handgeschriebener.

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