Schulung · Windsurf · Data Engineering

Windsurf für Data Engineers

Mit der KI-IDE Windsurf und dem Cascade-Agenten entwickeln: Flows, Memories, Rules, Workflows und sicherer Einsatz im Team.

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

„Windsurf für Data Engineers“ ist ein praxisorientiertes Training für Rollen wie Data Engineers und Analytics Engineers, BI-Entwickler:innen mit ETL- und Data-Warehouse-Verantwortung und Plattform-Teams für Data Lakehouse und Streaming. Sie lernen Windsurf nicht abstrakt, sondern an Aufgaben aus Ihrem Arbeitsalltag kennen – mit Beispielen, Übungen und Vorlagen aus dem Bereich Data Engineering.

Windsurf ist eine KI-gestützte Entwicklungsumgebung, deren Herzstück der Agent Cascade ist. Cascade versteht den Zusammenhang Ihres Projekts, verfolgt Ihre Aktionen im Editor und Terminal und arbeitet im sogenannten Flow-Prinzip eng mit Ihnen zusammen: Sie und der Agent bearbeiten dieselbe Aufgabe abwechselnd, ohne Kontext ständig neu erklären zu müssen. In diesem zweitägigen Training lernen Sie, Cascade für Features, Fehlersuche und Refactorings wirkungsvoll einzusetzen und die intelligente Vervollständigung im Alltag zu nutzen.

Damit Ergebnisse im Team konsistent bleiben, steuern Sie Cascade mit Rules auf globaler und Workspace-Ebene, nutzen Memories für dauerhaftes Projektwissen und automatisieren wiederkehrende Abläufe mit Workflows, die sich per Slash-Befehl starten lassen. Sie binden über MCP externe Werkzeuge an, kontrollieren die Ausführung von Terminalbefehlen und legen fest, welche Daten Cascade sehen darf. Abschließend entwickeln Sie Regeln für Code-Review, Sicherheit und Datenschutz, damit Windsurf verantwortungsvoll im Unternehmen eingesetzt werden kann.

Data Engineers bauen und betreiben die Pipelines, auf denen Reporting, Analytics und KI-Anwendungen aufsetzen: Ingestion aus Quellsystemen, Transformationen in dbt oder Spark, Orchestrierung mit Airflow oder Dagster, Datenqualität und Governance im Data Warehouse oder Lakehouse. Ein großer Teil der Arbeit besteht aus SQL, Python, YAML und viel Detailwissen über Schemas und Abhängigkeiten. KI-Coding-Assistenten und Agenten beschleunigen diese Arbeit deutlich: Sie schreiben dbt-Modelle samt Tests und Dokumentation, optimieren langsame Abfragen, erstellen Airflow-DAGs, migrieren Legacy-ETL-Strecken und erklären komplexe Lineage. Weil Daten oft sensibel sind, gehört der verantwortungsvolle Umgang mit Schemas, Beispieldaten und Zugangsdaten zum Kern dieses Kurses.

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?

  • Data Engineers und Analytics Engineers
  • BI-Entwickler:innen mit ETL- und Data-Warehouse-Verantwortung
  • Plattform-Teams für Data Lakehouse und Streaming
  • Entwickler:innen, die Legacy-ETL-Prozesse modernisieren

Typische Herausforderungen, die wir adressieren

  • Gewachsene ETL-Strecken in gespeicherten Prozeduren oder proprietären Tools ohne Tests
  • Langsame, teure Abfragen und ineffiziente Spark-Jobs
  • Fehlende Datenqualitätsprüfungen und unklare Verantwortlichkeiten für Datensätze
  • Lückenhafte Dokumentation von Datenmodellen, Lineage und Geschäftslogik

Das können Sie nach dem Training

  • Sie setzen Cascade im Flow-Prinzip für Features, Fehlersuche und Refactorings produktiv ein.
  • Sie steuern den Kontext von Windsurf gezielt und schützen sensible Inhalte.
  • Sie pflegen Memories und Rules, die Ihre Projektkonventionen zuverlässig durchsetzen.
  • Sie automatisieren wiederkehrende Abläufe mit Workflows und binden externe Werkzeuge über MCP an.
  • Sie setzen KI-Agenten für dbt-Modelle, Pipelines und SQL-Optimierung produktiv ein.
  • Sie modernisieren Legacy-ETL-Strecken mit KI-Unterstützung und sichern die Ergebnisse durch Abgleichstests ab.
  • Sie schützen sensible Daten, indem Sie mit Schemas, synthetischen Beispielen und minimalen Zugriffsrechten arbeiten.

Inhalte & Ablauf

Tag 1

Modul 1 Windsurf und Cascade kennenlernen
  • Installation, Import bestehender Editor-Einstellungen und Grundkonfiguration
  • Cascade im Code- und Chat-Modus: wann der Agent ändert und wann er nur berät
  • Das Flow-Prinzip: wie Cascade Ihre Editor- und Terminalaktionen einbezieht
  • Intelligente Vervollständigung und Inline-Befehle im Entwicklungsalltag
Modul 2 Kontext gezielt steuern
  • Codebase-Indizierung verstehen und relevante Dateien oder Verzeichnisse referenzieren
  • Dokumentation, Webquellen und Terminalausgaben in den Kontext holen
  • Sensible Inhalte über Ignore-Dateien vom Kontext ausschließen
  • Sitzungen strukturieren und bei Themenwechsel neu beginnen
Modul 3 Memories und Rules für konsistente Ergebnisse
  • Automatisch erzeugte und manuell angelegte Memories prüfen und pflegen
  • Globale Rules und Workspace-Rules anlegen und versionieren
  • Architektur-, Stil- und Testvorgaben als wirksame Rules formulieren
  • Rules nach Dateimustern oder Anlass gezielt aktivieren
Modul 4 Workflows und Automatisierung
  • Wiederkehrende Abläufe als Workflows definieren und per Slash-Befehl starten
  • Workflows für Release-Vorbereitung, Tests oder Code-Pflege bauen
  • MCP-Server für Ticketsysteme, Datenbanken oder interne Dienste anbinden
  • Ausführung von Terminalbefehlen über Allow- und Deny-Listen kontrollieren

Tag 2

Modul 5 Qualität, Review und Governance
  • Änderungen von Cascade nachvollziehen, teilweise übernehmen oder zurücksetzen
  • Testgetriebene Arbeitsweise und Vorschau-Funktionen zur Kontrolle nutzen
  • Team-Einstellungen, Datenschutzoptionen und Umgang mit Secrets
  • Review-Prozesse und Verantwortlichkeiten für KI-generierten Code festlegen
Modul 6 Praxislabor: Data Engineering
  • dbt-Modelle mit Tests
  • SQL-Abfragen optimieren
  • Airflow- und Dagster-Pipelines
  • Legacy-ETL migrieren
  • Datenqualität automatisieren
  • Spark-Jobs analysieren
Modul 7 Datenschutz, Qualität & Transfer in den Alltag
  • Data-Engineering-Prompts sollten Schemas und synthetische Beispieldaten statt echter personenbezogener Datensätze enthalten; Datenbank-Credentials und Connection Strings gehören nicht in den Kontext. Beachten Sie DSGVO-Grundsätze wie Zweckbindung und Datenminimierung, dokumentieren Sie Datenflüsse nachvollziehbar und prüfen Sie neue Python-Pakete und Konnektoren auf Lizenz und Supply-Chain-Risiken.
  • 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

dbt-Modelle mit Tests

Der Agent schreibt Staging-, Intermediate- und Mart-Modelle in dbt, ergänzt Schema-Tests, Quellendefinitionen und Beschreibungen und führt dbt build iterativ aus, bis Modelle und Tests erfolgreich durchlaufen.

SQL-Abfragen optimieren

Die KI analysiert Ausführungspläne, erkennt teure Joins, fehlende Partitionierung oder Clustering und schreibt Abfragen um, die weniger Daten scannen und reproduzierbar schneller laufen. Kostenersparnisse werden messbar belegt.

Airflow- und Dagster-Pipelines

Aus Anforderungen entstehen DAGs oder Assets mit sauberer Abhängigkeitsstruktur, Retries, Sensoren, Alerting und Backfill-Fähigkeit, inklusive Tests für Transformationslogik. Bestehende Namens- und Ordnerkonventionen werden dabei konsequent übernommen.

Legacy-ETL migrieren

Gespeicherte Prozeduren oder grafische ETL-Jobs werden analysiert, die Geschäftslogik dokumentiert und schrittweise in dbt- oder PySpark-Code überführt, abgesichert durch Abgleichsabfragen zwischen alt und neu. Abweichungen werden dokumentiert.

Datenqualität automatisieren

Der Assistent definiert Prüfungen für Vollständigkeit, Eindeutigkeit, Wertebereiche und Aktualität, implementiert sie mit dbt-Tests oder Great Expectations und richtet Benachrichtigungen bei Verstößen ein. Verantwortliche werden direkt informiert.

Spark-Jobs analysieren

Spark-UI-Informationen und Logs werden ausgewertet, Skew, Shuffles und Speicherprobleme erkannt und Optimierungen wie Broadcast Joins, Repartitionierung oder Caching vorgeschlagen. Jede Optimierung wird durch Laufzeitvergleiche vor und nach der Änderung belegt.

Mögliche Praxisprojekte im Kurs

Datenqualitäts-Dashboard

Eine kleine Webanwendung, die Testergebnisse aus dbt oder Datenqualitäts-Checks einliest und Trends, Ausreißer und betroffene Tabellen übersichtlich darstellt. Verantwortliche Teams sehen so sofort, wo Handlungsbedarf besteht.

Ingestion-Pipeline für eine REST-API

Eine Python-Pipeline, die Daten inkrementell aus einer API lädt, Schemaänderungen erkennt und die Ergebnisse partitioniert im Lakehouse ablegt. Fehlerhafte Datensätze werden gesondert protokolliert.

Lineage-Explorer

Ein Tool, das das dbt-Manifest ausliest und Abhängigkeiten zwischen Quellen, Modellen und Dashboards als interaktiven Graphen darstellt. So werden Auswirkungen von Änderungen schnell sichtbar.

Voraussetzungen

Sie programmieren regelmäßig in mindestens einer Sprache und sind mit Git sowie einer modernen IDE vertraut. Sicherer Umgang mit SQL und Python sowie praktische Erfahrung mit einem Data Warehouse, dbt, Spark oder einem Orchestrierungswerkzeug.

Technische Voraussetzungen

Eigener Laptop mit installiertem Windsurf-Editor, Git und Ihrer gewohnten Toolchain; ein Windsurf-Konto mit Zugriff auf Cascade wird benötigt.

Datenschutz & Compliance

Data-Engineering-Prompts sollten Schemas und synthetische Beispieldaten statt echter personenbezogener Datensätze enthalten; Datenbank-Credentials und Connection Strings gehören nicht in den Kontext. Beachten Sie DSGVO-Grundsätze wie Zweckbindung und Datenminimierung, dokumentieren Sie Datenflüsse nachvollziehbar und prüfen Sie neue Python-Pakete und Konnektoren auf Lizenz und Supply-Chain-Risiken.

Terminvorschläge

Alle Termine sind Vorschläge – Ihr Wunschtermin ist jederzeit möglich.

  • Do, 26. November 2026 – Fr, 27. November 2026 Online Anfragen
  • Do, 10. Dezember 2026 – Fr, 11. Dezember 2026 Stuttgart Anfragen
  • Mo, 11. Januar 2027 – Di, 12. Januar 2027 Online Anfragen
  • Di, 26. Januar 2027 – Mi, 27. Januar 2027 Berlin Anfragen
  • Mo, 8. Februar 2027 – Di, 9. Februar 2027 Online Anfragen
  • Do, 25. Februar 2027 – Fr, 26. Februar 2027 München Anfragen

Häufige Fragen

Was ist mit Flows in Windsurf gemeint?

Flows beschreiben die enge Zusammenarbeit zwischen Ihnen und Cascade. Der Agent beobachtet, was Sie im Editor und Terminal tun, und berücksichtigt diese Aktionen bei seinen nächsten Schritten. Dadurch müssen Sie den Stand Ihrer Arbeit nicht ständig neu erklären, und Sie können fließend zwischen eigener Arbeit und Delegation an den Agenten wechseln.

Worin unterscheiden sich Memories, Rules und Workflows?

Memories speichern Wissen, das Cascade im Laufe der Arbeit gesammelt hat oder das Sie ausdrücklich festhalten. Rules sind von Ihnen formulierte Vorgaben, die das Verhalten des Agenten dauerhaft prägen. Workflows sind wiederverwendbare Schrittfolgen für wiederkehrende Aufgaben, die Sie per Slash-Befehl starten. Zusammen sorgen sie für konsistente Ergebnisse im Team.

Kann ich Windsurf mit meinen bestehenden Projekten und Sprachen nutzen?

Ja. Windsurf ist sprachunabhängig und arbeitet mit Ihrer vorhandenen Toolchain, also Ihren Build-Werkzeugen, Paketmanagern und Testframeworks. Ob Backend, Frontend, Datenverarbeitung oder Infrastruktur-Code: Entscheidend ist, dass Sie Cascade mit guten Rules und klarem Kontext versorgen. Den konkreten Fachbezug liefert die jeweilige Kursvariante für Ihren Bereich.

Muss die KI Zugriff auf unsere Produktionsdaten haben?

Nein, und das ist meist auch nicht sinnvoll. Für die allermeisten Aufgaben reichen Schemas, Metadaten, Ausführungspläne und synthetische Beispieldaten. Im Kurs lernen Sie, wie Sie dem Agenten genau diesen Kontext bereitstellen, Lesezugriffe auf Entwicklungsumgebungen begrenzen und dennoch belastbare Ergebnisse erhalten.

Funktioniert das mit unserem Data Warehouse?

Die Arbeitsweisen sind plattformunabhängig und funktionieren mit Snowflake, BigQuery, Databricks, Redshift, Synapse oder PostgreSQL gleichermaßen. Wichtig ist, dem Assistenten den SQL-Dialekt und plattformspezifische Besonderheiten wie Partitionierung oder Clustering mitzuteilen. Wir zeigen, wie Sie das in Anweisungsdateien festhalten. So passt der generierte Code zuverlässig zur Plattform.

Was kostet die Schulung „Windsurf für Data Engineers“?

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 Data Engineers

Weitere Kurse zu Windsurf

Alle 32 Kurse zu Windsurf

Windsurf · MünchenWindsurf · SalzburgWindsurf · BerlinWindsurf · AugsburgWindsurf · HannoverWindsurf · BremenWindsurf · StuttgartWindsurf · KaiserslauternWindsurf · Online