LangChain: RAG und Agents Intensiv-Training

LangChain-Grundlagen für LLM-Anwendungen

• Architektur und zentrale Bausteine
• Modelle, Prompts und Output-Parser
• Runnables, LCEL und Ablauflogik
• create_agent und strukturierte Outputs

Retrieval-Augmented Generation mit eigenen Daten

• Dokumenten-Import und Chunking-Strategien
• Metadaten für präzises Retrieval
• Embeddings und Vektor-Suche
• RAG-Pipelines für Wissensquellen
• Quellenbezug und Halluzinations-Reduktion

Agenten, Tools und LangGraph

• Tool-Calling für APIs
• Datenbankzugriffe über Tools
• Agenten-Patterns mit Kontrollgrenzen
• LangGraph für zustandsbehaftete Workflows
• Interrupts und Human-in-the-Loop

Unternehmensnahe Use-Cases

• Wissens-Assistent für interne Dokumente
• Support-Agent mit Ticket-Kontext
• Analyse-Assistent für Unternehmensdaten
• Klassifikation und Weiterleitung

Qualität, Sicherheit und Betrieb

• Evaluation von Prompts
• Retrieval-Qualität und Antwortbewertung
• Tracing und Debugging mit LangSmith
• Monitoring von LLM-Workflows
• Prompt-Injection und Berechtigungen
• Kosten, Latenz und Betriebsgrenzen

Abschlussprojekt und Transfer

• Entwurf einer eigenen LangChain-Anwendung
• RAG- oder Agenten-Pipeline
• Architektur-Review und Risikoprüfung
• Nächste Schritte für Pilotierung

• Grundkenntnisse in Python und sicherer Umgang mit Entwicklungsumgebungen
• Grundverständnis von APIs, JSON und allgemeinen KI- oder LLM-Konzepten
• Hilfreich: Erfahrung mit Machine-Learning-Grundlagen, zum Beispiel aus dem Python Machine Learning Grundkurs

• Software-Entwicklerinnen und Software-Entwickler für LLM-Anwendungen
• Data-Engineers und Data-Scientists mit KI-Bezug
• Solution-Architects für KI-Prototypen
• Technische Projektleitungen für RAG- und Agenten-Vorhaben
• IT-Teams mit LangChain-Vorkenntnissen