KI-Programmierung für Fortgeschrittene

Die Einsteiger-Schulung fokussiert auf KI-Tools nutzen (ChatGPT, Copilot, Prompting). Die Fortgeschrittenen-Schulung geht einen Schritt weiter:

• Einsteiger: KI-generiertem Code verstehen und anwenden
• Fortgeschritten: Eigene KI-Systeme bauen und in Produktion bringen
• Themen: RAG-Pipelines, Agentic AI, LLM-API Integration, MCP
• Zielgruppe: Entwickler mit 3+ Jahren Erfahrung und API-Kenntnissen

Sie können beide Schulungen kombinieren – oder direkt mit Fortgeschritten starten, wenn Sie bereits Prompting-Erfahrung haben.

Nein! Sie müssen keine neuronalen Netze trainieren oder Mathematik verstehen:

• Kein ML-Wissen nötig: Wir nutzen fertige LLMs via API (OpenAI, Anthropic, etc.)
• Wichtiger: Solide Programmierkenntnisse (Python, JavaScript oder PHP)
• Hilfreich: REST-API Erfahrung, JSON, async/await Verständnis
• Bonus: Docker-Basics für lokale Modelle (Ollama)

Sie lernen, wie man LLMs als "Smart APIs" nutzt – nicht wie man sie selbst baut.

Wir arbeiten mit dem modernen KI-Stack 2025:

• LLM-APIs: OpenAI (GPT-4), Anthropic (Claude), optional Google Gemini
• Orchestration: LangChain, LangGraph für komplexe Workflows
• Vector DBs: ChromaDB (lokal), Pinecone (Cloud), Weaviate
• MCP: Model Context Protocol für Tool-Integration
• Coding-Tools: Claude Code, Cursor, Aider

Die Prinzipien sind übertragbar – Sie können später jeden Anbieter nutzen.

Ja! MCP ist ein offener Standard (seit Dezember 2025 bei der Linux Foundation):

• Unterstützte Clients: Claude, ChatGPT, Cursor, VS Code Copilot, Gemini
• Eigene Server: Sie können MCP Server für jede API bauen
• Adoption: 97 Mio. SDK-Downloads/Monat, 10.000+ aktive Server
• Zukunft: MCP wird das "HTTP für KI" – unabhängig vom LLM-Anbieter

Wir zeigen Ihnen, wie Sie eigene MCP Server bauen – die funktionieren dann mit allen Clients.

Der Einstieg ist einfacher als gedacht – die Optimierung braucht Erfahrung:

• Basis-RAG: Mit LangChain in 50 Zeilen Code lauffähig
• Chunking: Der größte Hebel – falsche Chunk-Größe = schlechte Ergebnisse
• Embeddings: OpenAI text-embedding-ada ist Plug & Play
• Production: Monitoring, Caching, Fallbacks – das kostet Zeit

Im Workshop bauen Sie ein funktionierendes RAG-System und lernen die wichtigsten Optimierungen.

Nein! Fine-Tuning ist nur in speziellen Fällen sinnvoll:

• Meist besser: RAG + gute Prompts lösen 90% der Anwendungsfälle
• Fine-Tuning sinnvoll: Spezielle Tonalität, Domain-Vokabular, Format-Konsistenz
• Nachteile: Teuer, Daten nötig, Modell-Updates erfordern Neu-Training
• Alternative: Few-Shot Learning mit guten Beispielen im Prompt

Wir behandeln Fine-Tuning als Option – aber zeigen Ihnen erst, wie weit Sie ohne kommen.

Security ist ein zentrales Thema – wir behandeln alle wichtigen Aspekte:

• Prompt Injection: Angriffe über User-Input, die das LLM manipulieren
• Data Leakage: Sensible Daten im Kontext oder Training
• MCP Risiken: Tool-Permissions, Lookalike-Server (April 2025 Report)
• Best Practices: Input-Validation, Output-Filtering, Audit-Logs

Enterprise-KI erfordert Security-by-Design – nicht als Nachgedanke.

Ja! Wir begleiten Sie über den Workshop hinaus:

• Workshop: Grundlagen und Hands-on mit Ihren Use Cases
• Consulting: Architektur-Review und Technologie-Auswahl
• Implementierung: Pair-Programming für kritische Komponenten
• Support: Slack-Channel für Fragen nach dem Workshop

Mehr dazu auf unserer Implementierungs-Seite.