Kursbeschreibung
LangChain RAG verbindet Sprachmodelle mit eigenen Dokumenten, Datenquellen und Tools. Entscheidend ist nicht die nächste Prompt-Demo, sondern eine Architektur, deren Retrieval, Ablauflogik und Ausgaben sich prüfen lassen. Das dreitägige Intensiv-Training behandelt LangChain als Orchestrierungsschicht für Modelle, Daten und kontrollierte Workflows. Du arbeitest mit Prompt-Templates, Output-Parsing und strukturierten Antworten. Außerdem setzt du Runnables und LCEL ein. So entstehen Komponenten, die sich einzeln testen und bei Bedarf austauschen lassen.
Ein Schwerpunkt liegt auf Retrieval-Augmented Generation mit eigenen Wissensquellen. Du importierst Dokumente, entwickelst geeignete Chunking-Strategien und verbindest Embeddings mit einer Vektor-Suche. Metadatenfilter, Quellenbezug und definierte Evaluationskriterien zeigen, ob relevante Inhalte gefunden werden und die erzeugte Antwort tatsächlich auf diesen Inhalten beruht. Wer dieses Thema vorab vertiefen möchte, findet im Training zu RAG und Vektordatenbanken einen passenden fachlichen Einstieg.
Für Anwendungen mit Tools vergleichst du feste Abläufe mit agentischen Entscheidungen. API-Aufrufe und Datenbankzugriffe werden durch Kontrollgrenzen, strukturierte Outputs und Freigabeschritte abgesichert. LangGraph bildet zustandsbehaftete Prozesse mit Checkpoints, Interrupts und Human-in-the-Loop-Entscheidungen ab. Das macht sichtbar, welche Aktion ein Agent ausführen will und an welcher Stelle ein Mensch eingreifen muss.
Tracing und Debugging mit LangSmith ergänzen die Implementierung. Du prüfst die Retrieval- und Antwortqualität und untersuchst fehlerhafte Abläufe. Du berücksichtigst Prompt-Injection, Berechtigungen und Datenschutz. Auch Token-Kosten und Latenz fließen in die Prüfung ein. Die Übungen greifen Wissensmanagement, Support-Automatisierung, Dokumentenanalyse und interne Assistenzsysteme auf. Im Abschlussprojekt entwirfst du eine eigene RAG- oder Agenten-Anwendung und prüfst ihre Architektur vor einer Pilotierung. Fehler in Retrieval, Tool-Nutzung und Kontrolllogik werden dadurch sichtbar, bevor ein Prototyp auf Unternehmensdaten zugreift. Das Training gehört zum Angebot der KI-Schulungen für Entwickler und Administratoren und findet in kleinen Gruppen von 2 bis 8 Personen statt. Wähle für die Buchung den passenden Termin und einen der bundesweiten Standorte auf der Seminarseite.
Die wichtigsten Themen im Überblick
- RAG-Pipeline mit eigenen Dokumenten
- Tool-Calling mit Kontrollgrenzen
- LangGraph-Workflows mit Checkpoints
- Retrieval- und Antwortqualität prüfen
- Tracing und Debugging mit LangSmith
- Eigenes Abschlussprojekt umsetzen
Zielgruppe
- Software-Entwickler mit ersten LLM-Anwendungen
- Data-Engineers und Data-Scientists mit KI-Bezug
- Solution-Architects für RAG- und Agenten-Systeme
- Technische Projektleitungen für KI-Pilotprojekte
- Anwender mit ersten LangChain-Prototypen und Bedarf an kontrollierten Workflows
Voraussetzung für die Schulung
- Praktische Python-Grundkenntnisse und sicherer Umgang mit Entwicklungsumgebungen
- Grundverständnis von APIs, JSON und LLM-Konzepten
- Erste Erfahrung mit LangChain oder vergleichbaren LLM-Anwendungen
- Fehlende Python-Kenntnisse lassen sich über passende Python-Schulungen aufbauen
- Hilfreich: Kenntnisse aus dem Large Language Models Aufbaukurs
Kursinhalte
LangChain-Grundlagen für LLM-Anwendungen
- Architektur und zentrale Bausteine
- Modelle und Prompt-Templates
- Output-Parser und strukturierte Antworten
- Runnables und LCEL-Ablauflogik
- Agents mit create_agent
Retrieval-Augmented Generation mit eigenen Daten
- Dokumentenimport und Datenaufbereitung
- Chunking-Strategien für Wissensquellen
- Embeddings und Vektor-Suche
- Metadatenfilter für präzises Retrieval
- Quellenbezug in generierten Antworten
Agents, Tools und Kontrollgrenzen
- Tool-Calling für APIs
- Datenbankzugriffe über definierte Tools
- Strukturierte Ein- und Ausgaben für Tools
- Agentenmuster mit Kontrollgrenzen
- Fehlerbehandlung bei Tool-Aufrufen
Zustandsbehaftete Workflows mit LangGraph
- Zustand, Knoten und Übergänge
- Entscheidungswege in Graphen
- Checkpoints und Wiederaufnahme
- Interrupts für kritische Aktionen
- Human-in-the-Loop-Freigaben
Qualität, Sicherheit und Betrieb
- Evaluation von Prompts und Antworten
- Messung der Retrieval-Qualität
- Tracing und Debugging mit LangSmith
- Monitoring von LLM-Workflows
- Prompt-Injection und Berechtigungen
- Token-Kosten und Latenzgrenzen
Unternehmensszenarien und Abschlussprojekt
- Wissensassistent für interne Dokumente
- Support-Agent mit Ticket-Kontext
- Analyse-Assistent für Unternehmensdaten
- Klassifikation und Weiterleitung
- Eigene RAG- oder Agenten-Pipeline
- Architekturprüfung und Risikoprüfung
