KKC_0311 | LangChain: RAG und Agents Intensiv-Training
LLM-Anwendungen mit RAG, Chains und Agenten professionell entwickeln
Infos zum Download
Von der Idee zur belastbaren LLM-Anwendung
LangChain: RAG und Agents Intensiv-Training vermittelt praxisnah, wie Sie LLM-Anwendungen mit RAG, Chains und Agenten professionell entwickeln. Dieses dreitägige LangChain-Training richtet sich an Entwicklerinnen, Entwickler, Data-Professionals und technische Projektverantwortliche, die LLM-Anwendungen nicht nur ausprobieren, sondern strukturiert planen und umsetzen möchten.
Zentrale LangChain-Bausteine wie Modelle, Prompts, Runnables und Chains zu nutzen sowie Retrieval-Augmented Generation strukturiert zu planen und umzusetzen, stehen dabei im Mittelpunkt. Die Inhalte verbinden fachliche Einordnung, konkrete Umsetzung und die Anforderungen an Qualität, Sicherheit und Nachvollziehbarkeit.
Damit eignet sich das Angebot für Unternehmen, die neue KI-, Daten- oder Automatisierungslösungen nicht nur testen, sondern strukturiert in belastbare Arbeitsabläufe überführen möchten.
AngebotszielLangChain: RAG und Agents Intensiv-Training
- Zentrale LangChain-Bausteine wie Modelle, Prompts, Runnables und Chains nutzen
- Retrieval-Augmented Generation strukturiert planen und umsetzen
- Dokumente, Embeddings und Vektorsuche in LLM-Anwendungen integrieren
- Agenten mit Tools, Speicher und klaren Steuerungsregeln entwickeln
- Fehlerfälle, Evaluierung und Betrieb von LangChain-Anwendungen berücksichtigen
- Architekturentscheidungen für skalierbare LLM-Projekte treffen
ZielgruppeLangChain: RAG und Agents Intensiv-Training
Das Angebot richtet sich an Entwickler/innen, Data Professionals, ML Engineers und technische Projektverantwortliche, die LangChain für RAG- und Agentenanwendungen einsetzen möchten.
VoraussetzungenLangChain: RAG und Agents Intensiv-Training
Programmierkenntnisse, idealerweise in Python, sowie Grundverständnis von APIs und LLM-Konzepten werden vorausgesetzt.
InhalteLangChain: RAG und Agents Intensiv-Training
LangChain-Grundlagen für belastbare LLM-Anwendungen
- Architektur, zentrale Bausteine und typische Einsatzszenarien
- Modelle, Prompts, Output-Parser und strukturierte Antworten
- Chains, Runnables und LCEL für nachvollziehbare Abläufe
- Fehlerbilder in LLM-Workflows und sinnvolle Gegenmaßnahmen
Retrieval-Augmented Generation mit eigenen Daten
- Dokumenten-Import, Chunking-Strategien und Metadaten
- Embeddings, Vektor-Suche und semantisches Retrieval
- RAG-Pipelines für PDFs, Wissensdatenbanken und Support-Inhalte
- Antwortqualität, Quellenbezug und Halluzinations-Reduktion
Agenten, Tools und LangGraph
- Tool-Calling für APIs, Datenbanken und interne Systeme
- Agenten-Patterns ohne unkontrollierte Autonomie
- LangGraph für zustandsbehaftete Workflows und Kontrollflüsse
- Human-in-the-Loop, Checkpoints und Abbruchbedingungen
Praxisnahe Use-Cases im Unternehmen
- Wissens-Assistent für interne Dokumente
- Support-Agent mit Ticket-Kontext und Tool-Nutzung
- Analyse-Assistent für strukturierte und unstrukturierte Daten
- Automatisierte Zusammenfassungen, Klassifikation und Weiterleitung
Qualität, Sicherheit und Betrieb
- Evaluation von Prompts, Retrieval und Antwortqualität
- Tracing, Debugging und Monitoring mit LangSmith-Konzepten
- Umgang mit sensiblen Daten, Berechtigungen und Prompt-Injection
- Kosten, Latenz und technische Grenzen im Produktivbetrieb
Abschlussprojekt und Transfer
- Entwurf einer eigenen LangChain-Anwendung
- Implementierung einer RAG- oder Agenten-Pipeline
- Review von Architektur, Risiken und Verbesserungen
- Nächste Schritte für Pilotierung und Rollout
BildungspfadLangChain: RAG und Agents Intensiv-Training
- LLM Self-Hosting und Deployment
- LiteLLM Schulung: AI-Gateway sicher betreiben
- Llama-Modelle im Vergleich: Nutzen statt Hype
- Kimi K2.5: OpenSource LLM sofort produktiv
- Python Deep-Dive Kurs: Deep Learning, Neuronale Netze & Visualisierung
- Python Machine Learning Grundkurs: Professioneller Einstieg
- Large Language Model Grundkurs: Einsatz und Überblick
- Python Einstieg mit Machine Learning: Grundkurs
- Large Language Model Strategie: Alles für Entscheider
- Open-Source-LLMs lokal betreiben: Grundkurs
- Neo4j Graph-Datenbanken für KI
- LLM-Evaluation: Evaluation. Praxis. Sicherheit
- LangChain: RAG und Agents Intensiv-Training
- Experimente, Prompts, Modelle und GenAI-Qualität mit MLflow nachvollziehbar steuern
- vLLM-Schulung: Open-Source-LLMs bereitstellen
- KI-gestützte Datenbanksuche: Aufbaukurs
- Open-Source LLM Fine-Tuning für Entwickler
- Large Language Models Aufbaukurs: RAG, Anpassung und Training
- Pytorch Grundkurs: Deep Learning mit MLP und CNN
- Python mit Tensorflow: Grundkurs
- Natural Language Processing Grundkurs: Plattformen und Frameworks im Überblick
- Qdrant-Schulung: RAG und Hybrid Search im Betrieb
- LLM Security: Injections erkennen & abwehren
- Large Language Models Advanced: Eigene LLMs und Tuning
- Cursor IDE: Agentische Entwicklung Grundkurs
AusbildungsnachweisLangChain: RAG und Agents Intensiv-Training
Zertifikat der IAD GmbH
Sie erhalten ein Teilnahmezertifikat der IAD GmbH. Damit können Sie Ihr erworbenes Wissen dokumentieren.
im Angebot