Mehr Tempo im Code, klare Kontrolle in der Entwicklung
JetBrains Junie: Kompakt-Kurs vermittelt praxisnah, wie Sie KI-gestützte Entwicklung in JetBrains IDEs produktiv und kontrolliert einsetzen. Der Kurs richtet sich an Entwicklerinnen und Entwickler, die KI-gestützte Code-Generierung in JetBrains IDEs produktiv einsetzen möchten, ohne die Kontrolle über Architektur, Qualität und Datenschutz zu verlieren.
JetBrains Junie im Entwicklungsworkflow sicher einzuordnen sowie geeignete Aufgaben für KI-gestützte Code-Generierung auszuwählen, 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.
AngebotszielJetBrains Junie: Kompakt-Kurs
- JetBrains Junie im Entwicklungsworkflow sicher einordnen
- Geeignete Aufgaben für KI-gestützte Code-Generierung auswählen
- Architektur, Codequalität und Datenschutz bei KI-Vorschlägen berücksichtigen
- Prompts und Arbeitsaufträge für Entwicklungsaufgaben präzise formulieren
- KI-generierten Code prüfen, testen und nachvollziehbar übernehmen
- Grenzen und Risiken agentischer Entwicklungsunterstützung erkennen
ZielgruppeJetBrains Junie: Kompakt-Kurs
Das Angebot richtet sich an Softwareentwickler/innen, Tech Leads, DevOps-Teams und IT-Abteilungen, die JetBrains IDEs nutzen und KI-Unterstützung kontrolliert in die Entwicklung integrieren möchten.
VoraussetzungenJetBrains Junie: Kompakt-Kurs
Sichere Grundlagen in Softwareentwicklung und Erfahrung mit einer JetBrains IDE werden empfohlen. Kenntnisse zu Versionsverwaltung und Tests sind hilfreich.
InhalteJetBrains Junie: Kompakt-Kurs
Einordnung von JetBrains Junie
- Rolle von Junie im JetBrains-Ökosystem
- Abgrenzung zu JetBrains AI Assistant, klassischer Code-Completion und Chat-Funktionen
- Grundprinzipien agentischer Software-Entwicklung in der IDE
- Typische Aufgabenbereiche für KI-gestützte Code-Generierung
- Nutzen und Grenzen von Junie in professionellen Entwicklungsprojekten
Installation, Aktivierung und IDE-Integration
- Aktivierung des Junie-Plugins in unterstützten JetBrains IDEs
- Einrichtung in IntelliJ IDEA, Rider, WebStorm und PyCharm
- Prüfung von IDE-Version, Plugin-Status und Berechtigungen
- Projektbezogene Grundkonfiguration für reproduzierbare Übungen
- Umgang mit Arbeitsbereichen, Projektstruktur und Kontextinformationen
Lizenzierung, Datenschutz und Governance
- Überblick über Lizenzmodell, Nutzungsrahmen und organisatorische Vorbereitungen
- Datenschutzoptionen, Telemetrieeinstellungen und verantwortlicher Umgang mit Projektdaten
- Bewertung sensibler Projektinformationen vor der Nutzung von KI-Funktionen
- Regeln für Team-Governance, Freigaben und dokumentierte Nutzung
- Abstimmung von Junie-Einsatz, Sicherheitsanforderungen und internen Entwicklungsrichtlinien
Prompts und Aufgabenformulierung
- Strukturierte Prompts für Funktionen, Klassen, Module und Refactorings
- Aufgaben mit fachlichem Kontext, technischen Randbedingungen und Akzeptanzkriterien beschreiben
- Unterschied zwischen offenen Aufgaben, präzisen Änderungswünschen und iterativer Nachsteuerung
- Prompts für Code-Erweiterungen, Fehleranalyse und Verbesserungsvorschläge
- Bewertung von Agenten-Plänen vor der Code-Übernahme
Code-Generierung im Entwickleralltag
- Erzeugung von Funktionen, Klassen, Boilerplate-Code und wiederkehrenden Strukturen
- Generierung und Anpassung von API-Anbindungen
- Unterstützung bei Refactorings unter Berücksichtigung bestehender Projektstrukturen
- Analyse von Inline-Vorschlägen und Agenten-Ergebnissen
- Nachbearbeitung generierter Inhalte anhand fachlicher und technischer Anforderungen
Qualitätssicherung für KI-generierten Code
- Systematischer Code-Review von Junie-Ergebnissen
- Einsatz von Tests, Inspections und IDE-Werkzeugen zur Validierung
- Erkennen typischer Fehlerbilder, unvollständiger Annahmen und inkonsistenter Implementierungen
- Prüfung auf Wartbarkeit, Lesbarkeit, Seiteneffekte und Coding-Standards
- Dokumentierte Nacharbeit vor Commit, Merge oder produktiver Verwendung
Teamfähigkeit und Entwicklungsprozesse
- Einbindung von Junie in bestehende Git-, Review- und Pull-Request-Prozesse
- Dokumentation KI-gestützter Änderungen im Team-Kontext
- Regeln für Verantwortlichkeiten, Freigaben und Review-Tiefe
- Abstimmung mit Coding-Guidelines und Architekturvorgaben
- Sinnvolle Einsatzbereiche für Einzelentwicklerinnen, Einzelentwickler und Entwicklungsteams
BildungspfadJetBrains Junie: Kompakt-Kurs
- Hybrid Cloud für sensible KI-Daten: No Excuses
- MiniMax 2.7 Training: Das sich selbst-entwickelende Open-Source Model
- JetBrains Junie: Kompakt-Kurs
- TinyML für Defense: Quantisierung, Edge-Deploy
- Vertex AI: ML-Pipelines, die wirklich laufen
- Vektordatenbanken in der Cloud: Pinecone, Weaviate und Co
- Python Einstieg mit Machine Learning: Grundkurs
- Codex Grundkurs: Einstieg in die Agentische Entwicklung
- OpenCode Grundkurs: die smarte Claude-Alternative
- Claude Code Grundkurs
- Google Antigravity Grundkurs: Smarte IDE, echter Output
- Claude Skills: Workflows und Agenten ohne n8n bauen
- KI im Backoffice: Datenerfassung auf Autopilot
- KI ersetzt Admins und Entwickler - IT-Jobs 2026
- Python Deep-Dive Kurs: Deep Learning, Neuronale Netze & Visualisierung
- Python Machine Learning Grundkurs: Professioneller Einstieg
- Large Language Model Grundkurs: Einsatz und Überblick
- KI Für Entscheider Workshop: Maschinelles Lernen und Datenanalyse
- n8n Grundkurs: KI-Agenten planen und einsetzen
- Unsupervised Learning Grundkurs: Clustering das wirkt
- Reinforcement Learning: Lernen durch Belohnung
- Transfer Learning: Modelle schneller produktiv machen
- Neo4j Graph-Datenbanken für KI
- AutoML Grundkurs
- Erklärbare KI: Warum entscheidet die KI so?
- NoSQL für KI: Datenmodelle, die skalieren
- Backend für KI-Systeme: Python & Node.js Advanced Training
- KI-gestütztes Bug-Tracking, das wirklich wirkt
- Full-Stack KI-Entwicklung: End-to-End Projekt
- KI Sprach-Interfaces bauen: STT & TTS, die wirken
- APIs mit KI nutzen: RAG, Datenabruf und mehr
- KI in Legacy-Systemen richtig integrieren
- MCP-Training: Server sicher entwickeln und betreiben
- KI-gestützte Datenbanksuche: Aufbaukurs
- Open-Source LLM Fine-Tuning für Entwickler
- Frontend für KI-Apps: Advanced Patterns
- Java Microservices mit KI: Spring AI & LangChain4j
- ChatGPT Training: Erfolgreiches Content Marketing
- Effektive KI Software-Tests mit LLMs
- Pytorch Grundkurs: Deep Learning mit MLP und CNN
- Python mit Tensorflow: Grundkurs
- Natural Language Processing Grundkurs: Plattformen und Frameworks im Überblick
- Machine Learning mit Mathematik: Grundkurs
- Large Language Models Aufbaukurs: RAG, Anpassung und Training
- LangGraph-Training: KI-Agenten-Workflows bauen
- A2A-Protokoll-Schulung: KI-Agenten verbinden
- Cursor IDE: Agentische Entwicklung Grundkurs
- ChatGPT Training: Effiziente Software-Entwicklung
- Large Language Models Advanced: Eigene LLMs und Tuning
- Serverless AI: KI-Funktionen ohne Ops-Stress
- KI-Training ohne Datenleck: Security by Design
- Vektordatenbanken für KI Training: Architektur & Praxis
- Data Engineering: KI-Pipelines im Einsatz
- KI in Legacy-Software: Modernisieren ohne Rebuild
- Serverless AI Training
AusbildungsnachweisJetBrains Junie: Kompakt-Kurs
Zertifikat der IAD GmbH
Sie erhalten ein Teilnahmezertifikat der IAD GmbH. Damit können Sie Ihr erworbenes Wissen dokumentieren.
im Angebot

