Schulung – RAG & LLM-Apps – Rust

RAG & LLM-Apps für Rust-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 Rust-Entwickler:innen“ ist ein praxisorientiertes Training für Rollen wie Rust-Entwickler:innen in System- und Backend-Projekten, C- und C++-Entwickler:innen, die auf Rust umsteigen oder Module portieren und Embedded- und IoT-Entwickler:innen mit Rust. Sie lernen RAG & LLM-Apps nicht abstrakt, sondern an Aufgaben aus Ihrem Arbeitsalltag kennen – mit Beispielen, Übungen und Vorlagen aus dem Bereich Rust.

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.

Rust gewinnt überall dort an Bedeutung, wo Speichersicherheit und Performance zusammenkommen müssen: in Systemsoftware, Embedded-Projekten, Netzwerkdiensten, WebAssembly und sicherheitskritischen Komponenten. Die Lernkurve ist steil – Ownership, Lifetimes, Traits und async-Laufzeiten fordern auch erfahrene Entwickler:innen. KI-Coding-Assistenten und Agenten erweisen sich hier als geduldige Sparringspartner: Sie erklären Borrow-Checker-Fehler, schlagen passende Ownership-Strukturen vor, schreiben Tests und Property-Based-Tests, portieren C- oder C++-Module schrittweise und arbeiten Clippy-Hinweise ab. Weil der Compiler sehr präzises Feedback liefert, können Agenten iterativ bis zu kompilierbarem, sicherem Code arbeiten. Im Kurs lernen Sie, diese Feedbackschleife gezielt zu nutzen und unsafe-Code besonders 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?

  • Rust-Entwickler:innen in System- und Backend-Projekten
  • C- und C++-Entwickler:innen, die auf Rust umsteigen oder Module portieren
  • Embedded- und IoT-Entwickler:innen mit Rust
  • Security- und Plattformteams mit Fokus auf Speichersicherheit

Typische Herausforderungen, die wir adressieren

  • Schwer verständliche Borrow-Checker- und Lifetime-Fehler
  • Komplexe Trait-Hierarchien, Generics und async-Code mit Tokio
  • Aufwändige Portierung bestehender C- oder C++-Codebasen und FFI-Grenzen
  • Verantwortungsvoller Umgang mit unsafe-Blöcken und deren Begründung

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 nutzen KI-Agenten als Sparringspartner für Ownership, Lifetimes, Traits und async-Rust.
  • Sie lassen Tests, Portierungen und Services erzeugen und mit Compiler, Clippy und Miri absichern.
  • Sie bewerten generierten unsafe- und FFI-Code systematisch hinsichtlich Speichersicherheit.

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: Rust
  • Compilerfehler verstehen und beheben
  • Tests und Property-Based-Tests
  • C- und C++-Module portieren
  • Async-Services mit Tokio
  • Clippy und Idiomatik
  • unsafe-Code prüfen
Modul 7 Datenschutz, Qualität & Transfer in den Alltag
  • Rust wird häufig in sicherheitskritischen Komponenten eingesetzt, für die der Cyber Resilience Act Anforderungen an Schwachstellenmanagement und SBOMs stellt. Prüfen Sie neue Crates mit cargo-audit oder cargo-deny auf Schwachstellen und Lizenzen, und behandeln Sie proprietären Systemcode bei der Nutzung von Cloud-Modellen als vertraulich.
  • 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

Compilerfehler verstehen und beheben

Der Assistent erklärt Borrow-Checker- und Lifetime-Fehler in verständlicher Sprache, schlägt alternative Ownership-Strukturen wie Referenzen, Rc oder Klonen bewusst vor und iteriert mit cargo check bis zum fehlerfreien Build.

Tests und Property-Based-Tests

Die KI schreibt Unit- und Integrationstests, Doc-Tests und Property-Based-Tests mit proptest, die Invarianten über viele generierte Eingaben prüfen und so Randfälle in Parsern oder Algorithmen aufdecken.

C- und C++-Module portieren

Bestehender Code wird modulweise nach Rust übertragen, FFI-Schnittstellen mit bindgen oder cbindgen erstellt und das Verhalten über gemeinsame Tests zwischen alter und neuer Implementierung abgesichert.

Async-Services mit Tokio

Aus Spezifikationen entstehen HTTP- oder gRPC-Dienste mit Axum oder Tonic, inklusive strukturierter Fehlertypen, Graceful Shutdown, Tracing und sinnvoller Behandlung von Abbruch und Timeouts. Integrationstests prüfen das Verhalten unter Last.

Clippy und Idiomatik

Clippy-Hinweise werden systematisch abgearbeitet, Fehlerbehandlung mit thiserror oder anyhow vereinheitlicht und Iteratoren, Pattern Matching und Traits idiomatisch eingesetzt. Bestehende Tests sichern jede Änderung zuverlässig ab und verhindern Regressionen.

unsafe-Code prüfen

Der Agent inventarisiert unsafe-Blöcke, dokumentiert die jeweiligen Sicherheitsinvarianten, schlägt sichere Alternativen vor und führt Miri-Prüfungen aus, um undefiniertes Verhalten aufzuspüren. Jede Begründung wird als SAFETY-Kommentar im Code festgehalten.

Mögliche Praxisprojekte im Kurs

Schneller Log-Parser

Ein Rust-CLI, das große Logdateien per Streaming verarbeitet, Muster mit regulären Ausdrücken erkennt und Statistiken ausgibt – mit Benchmarks im Vergleich zu einem Skript.

Axum-Microservice

Ein kleiner REST-Dienst mit Axum, SQLx, strukturiertem Tracing und Integrationstests, vollständig per KI-Agent geplant und implementiert. Ideal, um den vollständigen Agenten-Workflow mit Compiler-Feedback zu üben.

WebAssembly-Modul

Eine rechenintensive Funktion, etwa Bildverarbeitung oder Validierung, als WebAssembly-Modul mit wasm-bindgen, eingebunden in eine einfache Webseite. Ein Benchmark vergleicht die Laufzeit mit einer reinen JavaScript-Variante.

Voraussetzungen

Solide Programmierkenntnisse in Python (oder alternativ TypeScript), Grundkenntnisse in Datenbanken und REST-APIs sowie erste Erfahrungen mit LLM-APIs. Grundlegende Rust-Erfahrung mit Cargo, Ownership und Traits sowie Erfahrung in mindestens einer weiteren systemnahen oder Backend-Sprache.

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

Rust wird häufig in sicherheitskritischen Komponenten eingesetzt, für die der Cyber Resilience Act Anforderungen an Schwachstellenmanagement und SBOMs stellt. Prüfen Sie neue Crates mit cargo-audit oder cargo-deny auf Schwachstellen und Lizenzen, und behandeln Sie proprietären Systemcode bei der Nutzung von Cloud-Modellen als vertraulich.

Termine & Standorte

Pro Standort schlagen wir Ihnen einen Termin in rund vier Wochen vor. Ihr Wunschtermin ist jederzeit möglich.

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

Kann KI beim Einstieg in Rust helfen?

Ja, sehr. KI-Assistenten erklären Compilerfehler geduldig und im Kontext Ihres Codes, zeigen alternative Lösungsansätze und begründen, warum der Borrow Checker eine Konstruktion ablehnt. Wichtig ist, die Erklärungen nachzuvollziehen statt Vorschläge blind zu übernehmen. Der Kurs setzt deshalb auf aktive Übungen, in denen Sie Lösungen mit der KI gemeinsam erarbeiten.

Wie zuverlässig sind KI-Portierungen von C++ nach Rust?

Für klar abgegrenzte Module funktionieren sie gut, wenn das Verhalten durch Tests abgesichert ist. Kritisch sind Stellen mit Zeigerarithmetik, gemeinsamem Zustand oder undefiniertem Verhalten im Original. Im Kurs lernen Sie, Portierungen inkrementell anzulegen, Differenztests gegen die alte Implementierung zu fahren und unsafe-Code gezielt zu minimieren.

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