Prompting, Fine-Tuning, RAG, Agenten

In dieser 3-tägigen Schulung lernen Sie, wie Large Language Models (LLMs) in Python praktisch eingesetzt werden können. Sie üben die drei zentralen Ansätze Prompting, Fine-Tuning und Retrieval-Augmented Generation (RAG) und wie Agenten-Workflows mehrere Tools intelligent kombinieren. Sie wenden diese Beispiele direkt in einfachen Python-Codebeispielen an. Mit praxisnahen Übungen gewinnen Sie Entscheidungskompetenz für den Einsatz von KI im Unternehmen.

Tag 1: Grundlagen und schneller Einstieg

• Überblick: LLM-Workflows und Python-Ökosystem (OpenAI, Hugging Face, LangChain, PydanticAI)
• Prompting-Techniken und Briefing-Files in Python
• Rollen, Regeln und Stilvorgaben programmatisch testen
• Übungen: Prompts in Python-Skripten umsetzen und vergleichen
• Grenzen von Prompting in realen Projekten

Tag 2: Modelle anpassen mit Fine-Tuning

• Fine-Tuning-Konzepte: klassisch vs. LoRA/PEFT
• Anforderungen: Datenformate (JSONL), Tools, Kosten
• Python-Beispiele mit Hugging Face Transformers und PEFT
• Übungen: Mini-Fine-Tuning mit kleinem Datensatz
• Bewertung mit Python-Scorecards (Genauigkeit, Kohärenz, Bias, Sprachfluss)

Tag 3: Wissensintegration mit RAG

• Architektur von RAG und Python-Tools (LangChain, LlamaIndex, Chroma/FAISS)
• Tokens und Embeddings verstehen
• Typische Anwendungsfälle und Stärken von RAG
• Übungen: Aufbau einer Mini-RAG-Pipeline in Python mit Dokumentenabfrage
• Best Practices: Kombination aus RAG und Fine-Tuning
• Infrastruktur: Python-Anbindung via API vs. Self-Hosting-Lösungen
• Agenten-Workflows: Konzepte und Vorteile (z. B. PydanticAI)
• Übungen: Einfache Agenten, die mehrere Tools orchestrieren

Abschlussprojekt

• Entwicklung eines prototypischen LLM-Workflows in Python für einen Praxis-Use-Case