Vibe & Agentic Coding
RAG & LLM-Apps Schulungen
RAG und LLM-Anwendungen entwickeln: Embeddings, Vektordatenbanken, Chunking, Retrieval, Evaluierung, Kosten und Datenschutz.
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.
Kerninhalte aller RAG & LLM-Apps-Kurse
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
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 betreiben LLM-Anwendungen kosteneffizient, berechtigungskonform und datenschutzgerecht.
Alle 29 Kurse zu RAG & LLM-Apps
Entwicklung & Technik (29)
- RAG & LLM-Apps für AI Engineers
- RAG & LLM-Apps für API-Entwickler:innen
- RAG & LLM-Apps für C#- und .NET-Entwickler:innen
- RAG & LLM-Apps für C/C++- und Embedded-Entwickler:innen
- RAG & LLM-Apps für Citizen Developer
- RAG & LLM-Apps für Data Engineers
- RAG & LLM-Apps für Data Scientists und ML-Engineers
- RAG & LLM-Apps für DevOps- und Cloud-Teams
- RAG & LLM-Apps für Go-Entwickler:innen
- RAG & LLM-Apps für interne Tools und Automatisierung
- RAG & LLM-Apps für Java- und Spring-Entwickler:innen
- RAG & LLM-Apps für JavaScript- und TypeScript-Entwickler:innen
- RAG & LLM-Apps für Kubernetes- und Microservice-Teams
- RAG & LLM-Apps für Legacy-Modernisierung
- RAG & LLM-Apps für Startups und MVP-Entwicklung
- RAG & LLM-Apps für Mobile-Entwickler:innen
- RAG & LLM-Apps für Node.js-Backend-Entwickler:innen
- RAG & LLM-Apps für PHP-Entwickler:innen
- RAG & LLM-Apps für Python-Entwickler:innen
- RAG & LLM-Apps für React- und Frontend-Entwickler:innen
- RAG & LLM-Apps für Rust-Entwickler:innen
- RAG & LLM-Apps für SAP-ABAP-Entwickler:innen
- RAG & LLM-Apps für SQL- und Datenbank-Profis
- RAG & LLM-Apps für Salesforce-Entwickler:innen
- RAG & LLM-Apps für Security- und DevSecOps-Teams
- RAG & LLM-Apps für Softwarearchitekt:innen
- RAG & LLM-Apps für Tech Leads und Engineering Manager
- RAG & LLM-Apps für Testautomatisierung und QA
- RAG & LLM-Apps für Webentwickler:innen
RAG & LLM-Apps Schulung in Ihrer Nähe
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.
Voraussetzungen
Solide Programmierkenntnisse in Python (oder alternativ TypeScript), Grundkenntnisse in Datenbanken und REST-APIs sowie erste Erfahrungen mit LLM-APIs.
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.
Unverbindlich anfragen
Wir melden uns innerhalb eines Werktags mit Terminbestätigung oder Alternativvorschlag.