Workshops: Agentic Coding nach Tech-Stack

LLM-Features entwickeln mit Coding-Agenten: 2-Tage-Schulung

Ein LLM-Feature ist schnell als Demo gebaut und schwer verlässlich zu betreiben: Antworten schwanken, Kosten wachsen mit der Nutzung, und neue Angriffsflächen entstehen. In dieser zweitägigen Schulung bauen Produktteams ein echtes LLM-Feature mit Coding-Agenten als Pair und lernen die Engineering-Praktiken, die es produktionsreif machen: Structured Outputs, Tool Calling, Retrieval, Evals, Guardrails und Kostenkontrolle.

Für wen ist der Workshop?

  • Softwareentwicklerinnen und -entwickler, die LLM-Funktionen in bestehende Produkte einbauen
  • AI und ML Engineers auf dem Weg vom Prototyp in die Produktion
  • Tech Leads und Architekten, die Modelle, Anbieter und Hosting auswählen
  • Produktteams, die für die Qualität von KI-Funktionen verantwortlich sind
  • Plattformteams, die zentrale LLM-Gateways oder SDK-Wrapper bauen

Das nehmen Sie mit

  • Sie binden Modell-APIs über offizielle SDKs an und validieren Structured Outputs gegen Schemas.
  • Sie entwerfen Tools für Function Calling und setzen agentische Schleifen mit klaren Grenzen um.
  • Sie bauen eine Retrieval-Pipeline und erkennen, wann Retrieval die Antworten tatsächlich verbessert.
  • Sie richten eine Eval-Suite in der CI ein, die Regressionen bei Prompt- oder Modellwechseln aufdeckt.
  • Sie setzen Guardrails, Observability und Kostensteuerung um und kennen die relevanten Transparenzpflichten des EU AI Act.

Agenda

  1. Modul 1

    Tag 1: Grundlagen und Architektur

    • APIs und SDKs von Anthropic, OpenAI und Mistral sowie Cloud-Angebote wie Amazon Bedrock, Azure und Google Vertex AI
    • Claude Code und andere Coding-Agenten als Pair: was sich in LLM-Projekten delegieren lässt
    • Kick-off der Übung: das Feature, das Sie in zwei Tagen bauen
  2. Modul 2

    Tag 1: Structured Outputs und Tools

    • JSON-Schemas, Validierung und Wiederholungsversuche
    • Tool Calling: Tools entwerfen, Fehler behandeln, Schleifen begrenzen
    • Streaming und UX für langsame oder unsichere Antworten
  3. Modul 3

    Tag 1: Retrieval

    • Chunking, Embeddings und hybride Suche, etwa mit pgvector
    • Wann langer Kontext Retrieval schlägt
    • Quellenangaben und Umgang mit Dokumenten
  4. Modul 4

    Tag 2: Evals

    • Golden Dataset aus echten Anwendungsfällen aufbauen
    • Codebasierte Prüfungen und kalibriertes LLM-as-a-Judge
    • Eval-Läufe in der CI als Regressionsschranke
  5. Modul 5

    Tag 2: Guardrails und Sicherheit

    • Prompt Injection, Datenabfluss über Tools, Ausgabefilter
    • Personenbezogene Daten, Logging und Aufbewahrung
    • Human in the Loop bei folgenreichen Aktionen
  6. Modul 6

    Tag 2: Betrieb und Kosten

    • Tracing und Observability, etwa mit OpenTelemetry
    • Prompt Caching, Modell-Routing und Token-Budgets
    • Release-Prozess für Prompt- und Modelländerungen

Agenten bauen, Evals entscheiden

Coding-Agenten sind hervorragend bei der Infrastruktur von LLM-Features: SDK-Anbindung, Schemas, Retry-Logik, Test-Harnesses und Dashboards. Weniger verlässlich beurteilen sie, ob das Feature Nutzerfragen wirklich gut beantwortet. Deshalb stehen Evals im Zentrum: Der Agent baut schnell, und eine messbare Eval-Suite entscheidet, ob eine Änderung eine Verbesserung ist.

Sie gehen mit einem lauffähigen Feature-Gerüst, einem Eval-Set und einer Release-Checkliste nach Hause, die Sie auf das nächste Feature übertragen können.

Regulierung und Datenschutz

LLM-Features verarbeiten oft personenbezogene Daten, und manche fallen unter Transparenzpflichten des EU AI Act, etwa wenn Menschen direkt mit einem KI-System interagieren oder KI-generierte Inhalte gekennzeichnet werden müssen. Wir erläutern die Anforderungen, Auftragsverarbeitung, EU-Hosting-Optionen und Datenminimierung in Prompts und Logs. Die rechtliche Bewertung bleibt bei Ihrer Rechts- und Compliance-Abteilung.

Modellunabhängig gebaut

Wir arbeiten mit Claude, OpenAI-Modellen, Mistral und Open-Weight-Modellen, je nach Ihren Anforderungen. Anbieterspezifischer Code bleibt hinter einer dünnen Abstraktion, damit Sie wechseln können, wenn Qualität, Kosten oder Datenresidenz es verlangen. Durchgeführt wird die Schulung von neooutput AI Code Engineers und AI Solutions Architects, remote oder vor Ort, auf Deutsch oder Englisch.

Häufige Fragen

Brauchen die Teilnehmenden Erfahrung mit Machine Learning?

Nein. Solide Kenntnisse in der Softwareentwicklung genügen. Wir arbeiten auf der Ebene von APIs, Daten und Tests, nicht des Modelltrainings.

Welche Frameworks verwenden Sie?

Wir starten nah an den offiziellen SDKs, weil das Verhalten so nachvollziehbar bleibt. LangChain, LlamaIndex oder das Vercel AI SDK kommen hinzu, wenn sie zu Ihrem Stack passen, und wir besprechen die Abwägungen.

Können wir an unserem eigenen Anwendungsfall arbeiten?

Ja, das empfehlen wir sogar. Ideal ist eine Feature-Idee mit Beispieldaten, die in der Schulung verwendet werden dürfen. Andernfalls stellen wir ein realistisches Szenario.

Workshop

Kontakt aufnehmen

Soll Ihr nächstes KI-Feature vom ersten Tag an messbar, sicher und bezahlbar sein?

Wählen Sie die ungefähre Teilnehmerzahl und passende Termine – wir melden uns innerhalb von 24 Stunden mit einem Vorschlag für Inhalte, Format und Ablauf.

Lieber erst sprechen?

15 Minuten, kostenlos und unverbindlich – mit unseren AI Trainern und AI Code Engineers.

Kostenloses Gespräch buchen (öffnet in neuem Tab) +49 761 519 751 50 (rund um die Uhr)

Schulung/Workshop anfragen

Workshop: LLM-Features entwickeln mit Coding-Agenten: 2-Tage-Schulung · 2 Tage

Passende Termine (optional)

Vorschläge in ca. 2 Wochen – Mehrfachauswahl möglich

Antwort meist innerhalb von 24 Stunden · jocapps ist ISO 27001-zertifiziert · Datenschutz