Schulung – Vibe Coding – AI Engineering & LLM-Anwendungen

Vibe Coding für AI Engineers

Software per natürlicher Sprache entwickeln: vom Prompt zur App, schnell iterieren, Qualität und Sicherheit sichern, Prototypen produktiv machen.

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

In diesem Kurs verbinden wir Vibe Coding mit den typischen Abläufen im Bereich AI Engineering & LLM-Anwendungen. Die Teilnehmenden arbeiten an realistischen Szenarien und nehmen sofort einsetzbare Prompts, Workflows und Checklisten mit.

Vibe Coding beschreibt einen neuen Entwicklungsstil: Sie formulieren in natürlicher Sprache, was eine Anwendung leisten soll, und KI-Werkzeuge erzeugen den Code dazu. Statt jede Zeile selbst zu schreiben, steuern Sie über Beschreibungen, Beispiele und Feedback, testen das Ergebnis und verfeinern es in kurzen Schleifen. Das beschleunigt Prototypen, interne Tools und Experimente erheblich. Dieses herstellerneutrale Training zeigt Ihnen, wie Sie Vibe Coding mit Werkzeugen wie Claude Code, Cursor, Copilot oder browserbasierten App-Generatoren produktiv nutzen.

Genauso wichtig wie die Geschwindigkeit sind die Grenzen. Unkontrolliert generierter Code kann unwartbar, unsicher oder schlicht falsch sein. Sie lernen deshalb, Anforderungen präzise zu formulieren, Ergebnisse mit Tests und Reviews abzusichern, typische Sicherheitslücken zu erkennen und die Architektur bewusst zu steuern. Abschließend erarbeiten Sie einen klaren Pfad vom schnellen Prototyp zur produktionsreifen Anwendung, inklusive Versionskontrolle, Deployment, Dokumentation und sauberer Übergabe an das Team, das die Lösung langfristig betreibt.

AI Engineering ist die Disziplin, aus Sprachmodellen verlässliche Produkte zu machen: Chat-Assistenten, Dokumentenanalyse, Retrieval-Augmented Generation, Agenten mit Werkzeugzugriff und KI-Funktionen in bestehenden Anwendungen. Der Code rund um das Modell ist dabei oft anspruchsvoller als der Modellaufruf selbst, denn Prompt-Versionierung, strukturierte Ausgaben, Evaluierung, Kostenkontrolle, Latenz, Observability und Schutz vor Prompt Injection entscheiden über den Erfolg in Produktion. KI-Coding-Assistenten und Agenten beschleunigen genau diese Arbeit, vom Aufbau von Evaluierungs-Pipelines über Tool-Definitionen und MCP-Server bis zur Fehleranalyse in Traces. Im Kurs lernen Sie, LLM-Anwendungen mit KI-Unterstützung systematisch zu entwickeln, ihre Qualität messbar zu machen und sie sicher, kosteneffizient und regelkonform zu betreiben.

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?

  • Softwareentwickler:innen, die LLM-Funktionen in Produkte integrieren
  • AI Engineers und Machine-Learning-Engineers
  • Data Scientists mit Fokus auf generative KI
  • Backend- und Platform-Teams, die KI-Infrastruktur bereitstellen
  • Technische Produktverantwortliche für KI-Features

Typische Herausforderungen, die wir adressieren

  • Prototypen funktionieren in Demos, liefern in Produktion aber schwankende Qualität
  • Fehlende systematische Evaluierung macht Änderungen an Prompts und Modellen riskant
  • Kosten, Latenz und Ratenlimits geraten bei steigender Nutzung außer Kontrolle
  • Neue Sicherheitsrisiken durch Prompt Injection, Datenabfluss und Agenten mit weitreichenden Rechten

Das können Sie nach dem Training

  • Sie entwickeln funktionsfähige Anwendungen über natürliche Sprache mit einem passenden KI-Werkzeug.
  • Sie formulieren Anforderungen und Vorgaben so, dass die generierten Ergebnisse Ihren Erwartungen entsprechen.
  • Sie iterieren gezielt, beheben Fehler effizient und behalten die Kontrolle über den Projektstand.
  • Sie sichern generierten Code mit Tests, Reviews und Sicherheitsprüfungen ab.
  • Sie entwickeln RAG-Anwendungen, Agenten und LLM-Funktionen mit KI-Coding-Werkzeugen systematisch und produktionsreif.
  • Sie machen die Qualität von LLM-Anwendungen mit automatisierten Evaluierungen messbar und steuerbar.
  • Sie betreiben LLM-Anwendungen sicher und kosteneffizient, mit Observability, Schutz vor Prompt Injection und klaren Berechtigungen.

Inhalte & Ablauf

Modul 1 Grundlagen des Vibe Coding
  • Was Vibe Coding ist und wie es sich von klassischer und agentischer Entwicklung abgrenzt
  • Werkzeuglandschaft: KI-Editoren, Coding-Agenten und browserbasierte App-Generatoren
  • Geeignete Einsatzfelder: Prototypen, interne Tools, Experimente, Lernprojekte
  • Rollenverständnis: Sie als Produktverantwortliche, die KI als ausführende Kraft
Modul 2 Vom Prompt zur App
  • Anforderungen als kurze Spezifikation mit Nutzern, Funktionen und Grenzen beschreiben
  • Tech-Stack und Projektstruktur bewusst vorgeben statt der KI zu überlassen
  • Benutzeroberflächen über Beschreibungen, Skizzen und Referenzbeispiele erzeugen
  • Daten, Schnittstellen und Persistenz Schritt für Schritt ergänzen
Modul 3 Iterieren und Fehler beheben
  • In kleinen, überprüfbaren Schritten arbeiten und regelmäßig committen
  • Fehlermeldungen, Logs und Screenshots als Feedback an die KI zurückgeben
  • Festgefahrene Sitzungen erkennen, zurücksetzen und mit neuem Kontext starten
  • Projektregeln und Kontextdateien anlegen, um Wiederholungen zu vermeiden
Modul 4 Qualität und Sicherheit sichern
  • Tests von der KI erzeugen lassen und deren Aussagekraft kritisch prüfen
  • Code-Reviews generierter Änderungen: Lesbarkeit, Duplikate, unnötige Komplexität
  • Typische Sicherheitslücken erkennen: Secrets im Code, fehlende Validierung, offene Endpunkte
  • Abhängigkeiten, Lizenzen und Datenschutz bei generierten Lösungen bewerten
Modul 5 Vom Prototyp zur Produktion
  • Kriterien festlegen, wann ein Prototyp weiterentwickelt oder neu aufgesetzt wird
  • Refactoring, Architekturbereinigung und Dokumentation mit KI-Unterstützung
  • Versionskontrolle, CI und Deployment für generierte Anwendungen einrichten
  • Betrieb, Monitoring und Übergabe an Team oder IT planen
Modul 6 Praxislabor: AI Engineering & LLM-Anwendungen
  • RAG-Pipelines aufbauen
  • Evaluierung automatisieren
  • Agenten und Tools entwickeln
  • Strukturierte Ausgaben absichern
  • Observability und Kosten
  • Prompt Injection abwehren
Modul 7 Datenschutz, Qualität & Transfer in den Alltag
  • LLM-Anwendungen verarbeiten häufig personenbezogene und vertrauliche Daten: Sie lernen, Anforderungen des EU AI Act an Transparenz und Risikoklassen einzuordnen, DSGVO-konforme Datenflüsse mit Auftragsverarbeitung und Löschkonzepten zu gestalten, API-Schlüssel sicher zu verwalten und Lizenzbedingungen von Modellen und Datensätzen zu beachten.
  • 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

RAG-Pipelines aufbauen

Ingestion, Chunking, Embeddings, Vektorsuche, hybrides Retrieval und Reranking implementieren und Antworten mit Quellenangaben erzeugen, wobei Berechtigungen der Originaldokumente beim Abruf berücksichtigt werden. Die Qualität wird laufend gemessen.

Evaluierung automatisieren

Testdatensätze mit erwarteten Antworten erstellen, Metriken für Relevanz, Faktentreue und Format definieren, LLM-as-a-Judge-Bewertungen kalibrieren und Evaluierungen bei jeder Prompt- oder Modelländerung in der CI ausführen.

Agenten und Tools entwickeln

Tool-Definitionen und MCP-Server entwerfen, Agentenschleifen mit Planung, Werkzeugaufrufen und Abbruchbedingungen umsetzen und Berechtigungen sowie menschliche Freigaben für folgenreiche Aktionen einbauen. Abbrüche und Fehlschläge werden dabei sauber behandelt und protokolliert.

Strukturierte Ausgaben absichern

JSON-Schemas für Modellantworten definieren, Ausgaben validieren, Wiederholungsstrategien bei Fehlern implementieren und Extraktionsaufgaben wie Rechnungs- oder Vertragsdaten robust gestalten. Fehlerhafte Antworten werden so automatisch erkannt, bevor sie nachgelagerte Systeme oder Datenbanken erreichen.

Observability und Kosten

Traces, Token-Verbrauch, Latenzen und Fehlerraten erfassen, problematische Konversationen analysieren und Kosten durch Caching, Modell-Routing und Kontextreduktion gezielt senken. Budgets und Warnschwellen pro Funktion verhindern dabei unangenehme Überraschungen auf der monatlichen Rechnung.

Prompt Injection abwehren

Angriffsszenarien über manipulierte Dokumente, Webseiten oder Tool-Ergebnisse testen, Eingaben und Ausgaben filtern, Rechte von Agenten begrenzen und Red-Teaming-Tests als festen Bestandteil der Pipeline etablieren. Funde fließen in Regressionstests ein.

Mögliche Praxisprojekte im Kurs

Wissensassistent mit Quellen

Ein RAG-Chat über interne Dokumente mit Zitaten, Feedback-Buttons und einer Evaluierungsseite, die Antwortqualität über Testfragen verfolgt. Berechtigungen der Quelldokumente werden beim Abruf berücksichtigt.

Evaluierungs-Harness

Ein Kommandozeilenwerkzeug, das Prompt-Varianten gegen einen Testdatensatz ausführt, Ergebnisse bewertet und Unterschiede zwischen Versionen übersichtlich darstellt. Es lässt sich als Qualitätsschranke in die CI einbinden.

Dokumenten-Extraktor

Ein Dienst, der PDFs entgegennimmt, strukturierte Daten nach einem JSON-Schema extrahiert, validiert und unsichere Fälle zur manuellen Prüfung markiert. Korrekturen fließen in Testdaten ein.

Voraussetzungen

Grundlegende Programmierkenntnisse und Erfahrung mit Git sind hilfreich; Sie sollten einfachen Code lesen und Fehlermeldungen einordnen können. Sie haben solide Programmierkenntnisse, idealerweise in Python oder TypeScript, und Erfahrung mit APIs; erste Berührung mit LLM-APIs ist hilfreich, aber nicht erforderlich.

Technische Voraussetzungen

Eigener Laptop mit aktuellem Browser, Git und einem KI-Coding-Werkzeug Ihrer Wahl, etwa einem KI-Editor oder Coding-Agenten mit aktivem Konto.

Datenschutz & Compliance

LLM-Anwendungen verarbeiten häufig personenbezogene und vertrauliche Daten: Sie lernen, Anforderungen des EU AI Act an Transparenz und Risikoklassen einzuordnen, DSGVO-konforme Datenflüsse mit Auftragsverarbeitung und Löschkonzepten zu gestalten, API-Schlüssel sicher zu verwalten und Lizenzbedingungen von Modellen und Datensätzen zu beachten.

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

Häufige Fragen

Ist Vibe Coding nur für schnelle Prototypen geeignet?

Vibe Coding entfaltet seine Stärke vor allem bei Prototypen, internen Tools und Experimenten. Mit den richtigen Praktiken, also klaren Spezifikationen, Tests, Reviews und sauberer Versionskontrolle, lassen sich Ergebnisse aber auch in produktionsreife Anwendungen überführen. Im Kurs lernen Sie, diesen Übergang bewusst zu gestalten und rechtzeitig zu erkennen, wann ein Neuaufbau sinnvoller ist.

Welche Werkzeuge werden im Kurs verwendet?

Der Kurs ist herstellerneutral. Wir arbeiten mit gängigen Kategorien: KI-Editoren wie Cursor oder Windsurf, Coding-Agenten wie Claude Code oder Codex und browserbasierten App-Generatoren. Sie können Ihr bevorzugtes Werkzeug nutzen, die vermittelten Prinzipien zu Spezifikation, Iteration, Qualität und Sicherheit lassen sich auf alle übertragen.

Wie gehe ich mit Sicherheitsrisiken bei generiertem Code um?

Generierter Code enthält häufig typische Schwachstellen wie hart codierte Zugangsdaten, fehlende Eingabevalidierung oder zu weit geöffnete Schnittstellen. Sie lernen, solche Muster gezielt zu prüfen, Sicherheitsanforderungen direkt in die Spezifikation aufzunehmen, automatisierte Scans einzusetzen und vor jedem Deployment eine bewusste Freigabe durch einen Menschen vorzusehen.

Worin unterscheidet sich AI Engineering von klassischem Machine Learning?

Beim klassischen Machine Learning trainieren Sie eigene Modelle auf eigenen Daten. Im AI Engineering nutzen Sie meist vortrainierte Sprachmodelle über APIs oder selbst betriebene Modelle und konzentrieren sich auf Kontext, Retrieval, Werkzeuge, Evaluierung und Betrieb. Statistik- und Trainingswissen ist weniger zentral, Software-Engineering-Kompetenz dafür umso wichtiger. Der Kurs setzt genau dort an.

Wie messen wir, ob unsere LLM-Anwendung gut genug ist?

Mit einem Evaluierungsdatensatz aus realistischen Fragen und erwarteten Ergebnissen, kombinierten Metriken aus regelbasierten Prüfungen, LLM-as-a-Judge und menschlicher Stichprobe sowie Monitoring im Betrieb. Wichtig ist, Evaluierungen bei jeder Änderung automatisch laufen zu lassen. Im Kurs bauen Sie ein solches Setup auf und lernen, Bewertungsmodelle zu kalibrieren.

Was kostet die Schulung „Vibe Coding für AI Engineers“?

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 AI Engineers

Weitere Kurse zu Vibe Coding

Alle 77 Kurse zu Vibe Coding

Vibe Coding – MünchenVibe Coding – SalzburgVibe Coding – BerlinVibe Coding – AugsburgVibe Coding – HannoverVibe Coding – BremenVibe Coding – StuttgartVibe Coding – KaiserslauternVibe Coding – Online