Gen AI: LLM-Tools und -Integration für Developer

Tag 1: LLM-Grundlagen & Herausforderungen 1. KI in der Softwareentwicklung

• Unzuverlässige LLMs
• Beschränkter Kontext
• Nicht auf dem neuesten Stand
• Kein Zugriff auf Closed-Source-Code
• Eingeschränkte Sicht/Tests
• Datenschutz

2. Wie funktionieren LLMs grundsätzlich?

• Kurzer Überblick: Transformer-Modelle, GPT-Architektur (Training vs. Fine-Tuning)
• Wichtige Limitierungen, Bias und Fehlerquellen

3. Setup: Python, kurze Vorstellung von Tools (z. B. Make.com) 4. Hands-on: Kurzes Experiment mit OpenAI API oder einer lokalen GPT-Variante

• Installation, erster Prompt

Tag 2: Prompting-Framework & Prompting-Grundlagen 1. Strukturierter Ansatz zum Prompting

• Aufbau eines Prompt-Katalogs (System, Instruction, Output)
• Zero-/One-/Few-Shot Prompting, Chain-of-Thought

2. Prompting-Grundlagen

• Systemnachrichten, Rollen/Personas, Stilvorgaben
• Delimiter und Format-Steuerung (z. B. Tabellen, Flowcharts)

3. Praxis: Entwickler-Prompts

• Einbindung von Dokumentation, Code-Beispielen, Verzeichnisstrukturen

4. Hands-on:

• Konkrete Prompts für eine Coding-Aufgabe (z. B. Generiere Unit Tests, Code Review, etc.)
• Nutzung von Playground-Parametern (Temperature, Top-P)

Tag 3: Tools & Frameworks für LLM-Integration 1. LangChain, Haystack & Co.

• Was ist RAG (Retrieval-Augmented Generation)?
• Vektordatenbanken (Chroma, FAISS, Pinecone)
• Embeddings einbinden (OpenAI, HF)

2. Streamlit & Gradio

• Schnelles Prototyping von Chat-Interfaces

3. Multimodale Fähigkeiten

• Kurzüberblick: CLIP, Stable Diffusion, In-/Outpainting, wann relevant für Developer?
• Sehen und Hören (Bild- und Audio-Funktion) - meist nur über Add-ons

4. Hands-on:

• Baue einen kleinen Chatbot mit RAG (z. B. Dokumente in Chroma indexieren), verbinde ihn mit GPT-API, und setze ein Gradio-Demo-Interface auf

Tag 4: Typische Problemfälle & fortgeschrittenes Prompting 1. Jailbreaking & Prompt Injection

• Risiken, Grenzen, Sicherheitsaspekte

2. Backup-LLM-Systeme

• Wann man mehrere Modelle parallel nutzen sollte
• Fallback-Strategien (GPT-3.5 -> GPT-4 oder Claude o. Ä.)

3. Hyperparameter & Feineinstellungen

• Temperature, Top P, Frequency/Presence Penalty, Stop Sequences
• Wie man ungewünschte Ausgaben minimiert oder mehr Kreativität erzwingt

4. Datenschutz & Unternehmensrichtlinien

• Code & Daten nur in On-Prem-LLMs?
• Verschlüsselung, Pseudonymisierung

5. Hands-on:

• Spiele im Playground mit verschiedenen Hyperparametern
• Demonstriere Prompt Injection / Jailbreaking und wie man sich schützt

Tag 5: Abschlussprojekt - KI in die Anwendung einbetten 1. KI-Agenten & Integration

• Kurzvorstellung: BrowserUse, DeepResearch, Operator
• Make.com / Zapier / n8n: Automatisierte Prozesse mit KI

2. Auswahl & Einrichtung von LLMs

• GPT, Claude, Llama, Gemini, Deepseek
• Kosten & Hardware (wenn Open-Source lokal)

3. Abschlussprojekt

• Baue eine kleine Developer Assistant-App: 
  • LLM + RAG + Streamlit/Gradio-Frontend
  • Prompt-Katalog (bestimmte Use-Cases)
• Stelle den Prototyp in kleinem Team oder im Kurs vor

4. Ausblick

• Weitere Möglichkeiten: Embeddings, Transcription (Whisper), MLOps Skalierung

LernzieleNach Abschluss dieser Schulung sind die Teilnehmenden in der Lage, bestehende LLMs und KI-Tools gezielt für Softwareprojekte zu nutzen. Sie verstehen die Limitierungen und Risiken von LLMs, können effektive Prompts für verschiedene Coding-Szenarien schreiben und lernen relevante Frameworks wie LangChain oder Haystack für Retrieval-Augmented Generation (RAG) kennen. Praktische Hands-on-Sessions helfen dabei, LLMs effizient in Anwendungen zu integrieren, Daten sicher zu verarbeiten und typische Herausforderungen wie Kontextgrenzen oder Sicherheitslücken zu meistern.ZielgruppenSoftwareentwickler:innen, die keine eigenen LLMs trainieren, sondern bestehende APIs, Open-Source-Modelle und Bibliotheken effizient in ihre Anwendungen integrieren möchten. Der Fokus liegt auf einer pragmatischen Nutzung von KI-Tools, strukturiertem Prompting, der technischen Integration von LLMs in eigene Applikationen sowie auf dem sicheren und datenschutzkonformen Einsatz.  Dieser Kurs richtet sich an Softwareentwickler:innen, die bestehende LLMs und KI-Tools nutzen möchten, um ihre Anwendungen zu erweitern, effizienter zu arbeiten oder KI-basierte Features in bestehende Systeme zu integrieren. Voraussetzung sind grundlegende Kenntnisse in Python sowie Interesse an APIs, Automatisierung und Machine Learning Technologien.