AI Engineering für Vibe Coder

„Vibe Coding" bezeichnet eine Arbeitsweise, bei der Menschen ohne klassische Informatikausbildung mit KI-Tools eigenständig Anwendungen bauen — schnell, iterativ, ergebnisorientiert. Diese Weiterbildung setzt genau dort an und ergänzt kreative KI-Nutzung durch technisches Fundament: Wer versteht, wie Sprachmodelle intern funktionieren, wie man sie zuverlässig ansteuert und wann man welche Architektur wählt, arbeitet nicht mehr auf Verdacht, sondern mit Methode. Der Kurs führt von grundlegenden KI-Konzepten bis zur Entwicklung eigener LLM-Agenten und RAG-Systeme — für Einsteiger mit digitalem Interesse und Menschen, die bereits erste KI-Experimente hinter sich haben.

Das erste Modul schafft das technische Fundament: Wie funktionieren Sprachmodelle, und was passiert eigentlich hinter der Chat-Oberfläche? Dieses Verständnis ist Voraussetzung für alle weiterführenden Themen — wer weiß, dass LLMs nächste-Token-Vorhersager sind, trifft bessere Entscheidungen bei Prompt-Design und Modellauswahl.

• Transformer-Architektur: Attention-Mechanismus, Tokenisierung, Kontext-Fenster
• Unterschied zwischen generativen Modellen und klassischer ML: Regression, Klassifikation
• Modellgrößen und -varianten: Parameterzahl, Benchmarks, Stärken und Schwächen
• Temperatur, Top-p, Max Tokens und andere Sampling-Parameter in der Praxis
• Latenz, Kosten und Durchsatz: wann welches Modell wirtschaftlich sinnvoll ist
• Lokale vs. API-basierte Modelle: Ollama, Hugging Face, OpenAI-API im Vergleich

Das zweite Modul behandelt Prompt Engineering als systematisches Handwerk. Prompts sind keine Zufallstexte — gute Prompts zu schreiben ist eine Fähigkeit, die lernbar und messbar ist.

• Zero-Shot, Few-Shot und Chain-of-Thought Prompting: wann was funktioniert
• Systemnachrichten und Rollen: wie Kontextsteuerung LLM-Verhalten formt
• Prompt-Templates und dynamische Prompt-Generierung in Code
• Evaluierung von Prompt-Qualität: automatisierte Tests und manuelle Beurteilung
• Häufige Fehler und Kalibrierungsprobleme (Halluzinationen, Wiederholungen, Abweichungen)
• Prompt-Versionierung und iterative Verbesserung im Entwicklungszyklus

Modul 3 führt in Vektordatenbanken und RAG-Architekturen ein — das Architekturmuster, das es ermöglicht, LLMs mit eigenem Wissen zu versorgen, ohne sie neu trainieren zu müssen.

• Embedding-Modelle: was Embeddings sind, wie sie berechnet werden, welche Dimensionen sinnvoll sind
• Vektordatenbanken: Chroma, Pinecone, Weaviate, pgvector im Vergleich
• RAG-Grundarchitektur: Dokument-Chunking, Indexierung, Retrieval, Generation
• Qualität des Retrievals verbessern: Hybrid Search, Re-Ranking, Metadaten-Filterung
• RAG-Anwendungsfälle: Dokumentensuche, FAQ-Bots, interne Wissensdatenbanken
• Grenzen von RAG: wann Fine-Tuning oder andere Ansätze besser sind

Das vierte Modul erschließt LLM-Agenten — KI-Systeme, die nicht nur antworten, sondern Werkzeuge benutzen, planen und mehrstufige Aufgaben lösen.

• Agent-Grundprinzip: ReAct-Loop (Reason, Act), Tool Use, Observation
• Werkzeuge definieren: Funktions-Definitionen für API-Calls, Datenbankabfragen, Websuche
• Multi-Step-Reasoning: wie Agenten komplexe Aufgaben in Teilschritte zerlegen
• Frameworks im Überblick: LangChain, LlamaIndex, Smolagents — Stärken und Schwächen
• Fehlerbehandlung in Agenten: Retry-Logik, Fallback, Abbruchbedingungen
• Evaluation von Agenten: Benchmark-Metriken, Trace-Analyse, Reliability-Tests

Alle vier Module werden durch hands-on Aufgaben ergänzt, deren Ergebnisse direkt als Portfolio-Artefakte eingesetzt werden können. Typische Übungsszenarien sind die folgenden.

• Ersten API-Call mit OpenAI oder Anthropic SDK in Python oder JavaScript umsetzen
• Prompt-Bibliothek aufbauen: Templates für drei verschiedene Anwendungsszenarien
• Lokales Sprachmodell mit Ollama einrichten und abrufen
• Embedding-Pipeline bauen: Dokumente chunken, einbetten, in Vektordatenbank speichern
• Minimales RAG-System: Nutzeranfrage → Retrieval → LLM-Antwort mit Kontext
• RAG-Qualität testen: relevante vs. irrelevante Dokumente, Halluzinierungscheck
• Einfachen Agenten mit Tool Use bauen: Taschenrechner, Websuche, Datei-Lesezugriff
• Agenten-Trace analysieren und Entscheidungslogik verstehen
• Eigenes Miniprojekt: KI-gestützte Anwendung von der Idee bis zur Demo
• Fine-Tuning-Konzept für einen Anwendungsfall durchplanen (konzeptionell)
• Kostenvergleich verschiedener Modelle für ein konkretes Anwendungsszenario
• Projektpräsentation und Peer-Feedback auf Architekturentscheidungen

Die Praxiseinheiten sind so gestaltet, dass jedes Ergebnis direkt als Portfolio-Artefakt nutzbar ist — ein funktionsfähiges RAG-System oder ein lauffähiger Agent sind Belege, die in eigener Sprache sprechen.

Dieser Kurs richtet sich an Personen, die KI-Tools bereits nutzen und verstehen wollen, wie die Technik dahinter funktioniert — und wie man sie für eigene Projekte einsetzt.

• Quereinsteiger mit digitalem Hintergrund und Interesse an KI-Entwicklung
• Entwickler ohne KI-Erfahrung, die LLMs in ihre Projekte integrieren möchten
• Product Manager oder Product Owner, die KI-Produkte besser verstehen und gestalten wollen
• Berufsrückkehrer mit IT-Grundkenntnissen, die in den KI-Bereich einsteigen möchten
• Neugierige Personen mit Interesse an App-Entwicklung, die KI als Entwicklungswerkzeug nutzen wollen

Der Kurs kombiniert konzeptionellen Input mit direkter praktischer Anwendung — kein Modul endet, ohne dass die Konzepte in Code oder einer lauffähigen Demo umgesetzt wurden. Lehrende demonstrieren Architekturen und Code live; Teilnehmende replizieren und erweitern in eigenen Umgebungen. Peer-Austausch über Projektideen und Architekturentscheidungen ist fester Bestandteil des Formats. Lernmaterialien liegen digital vor; alle Code-Beispiele sind nachvollziehbar dokumentiert.

Dauer und Format variieren je nach Anbieter. Der Kurs ist auf Teilzeit- und Vollzeit-Optionen ausgelegt; individuelle Starttermine auf Anfrage möglich. Genaue Stundenanzahl ist beim jeweiligen Anbieter zu erfragen.

Teilnehmende erhalten nach erfolgreichem Abschluss ein trägerinternes Zertifikat mit dem Titel „AI Engineering für Vibe Coder". Das Zertifikat dokumentiert die bearbeiteten Themenbereiche und das erstellte Praxisportfolio. Es handelt sich um ein Träger-Zertifikat, kein offizielles Herstellerzertifikat von Modell-Anbietern.

KI-Kompetenz ist heute keine Spezialistendomäne mehr — aber technisches Verständnis bleibt ein Unterscheidungsmerkmal. Wer weiß, wie RAG-Architekturen funktionieren, was die Grenzen von LLM-Agenten sind und welche Modelle für welche Aufgaben geeignet sind, trifft bessere Entscheidungen: in der Produktgestaltung, in der Entwicklung, in der Einschätzung von KI-gestützten Werkzeugen. Das Portfolio aus eigenen Projekten — ein RAG-System, ein Agent, eine KI-gestützte Anwendung — ist das, was nach dem Kurs zählt. Zertifikate öffnen Türen; funktionierende Demos überzeugen. In einem Feld, das sich so schnell entwickelt wie AI Engineering, ist die Fähigkeit, schnell prototypisch etwas zu bauen und zu testen, wichtiger als auswendig gelernte Definitionen. Der Kurs schließt eine Lücke, die für viele „Vibe Coder" frustrierend ist: Man kommt mit KI-Tools weit, aber irgendwann fehlt das Fundament — man weiß nicht, warum etwas funktioniert oder nicht, und kann es deshalb nicht systematisch verbessern. Dieses Fundament zu legen ist das eigentliche Ziel des Kurses. Wer danach tiefer einsteigen möchte, findet in spezialisierteren ML-Engineering- oder MLOps-Ausbildungen eine sinnvolle Weiterführung.