tecnovy AI Suite

Retrieval Augmented Generation für Unternehmenswissen

Auf die Frage nach der Reisekostenregel antwortet die Anwendung in zwei Sätzen und verweist auf „Reiserichtlinie, Abschnitt 3.2“. Ein Sprachmodell allein kennt eure Dokumente nicht, also auch keine Stelle darin. Retrieval Augmented Generation (RAG) sucht zuerst die passenden Textabschnitte und gibt sie dem Modell mit der Frage. In dieser Schulung entsteht so eine Anwendung in Python, vom PDF bis zur Antwort mit Quellenangabe.

Teilnahmezertifikat4,8/5 bei ProvenExpert

Was dieses Modul leistet.

Du programmierst bereits in Python und baust im tecnovy Kurs RAG Engineering eine Anwendung, die aus Dokumenten antwortet und die genutzte Fundstelle nennt, samt der getrennten Messung von Suche und Antwort, die dein Team vor dem Start eines Wissensassistenten braucht.

So läuft das Training

Methode: Schrittweiser Aufbau einer RAG-Anwendung in Python mit Beispieldokumenten
Grundlage: tecnovy Curriculum mit einer frei verfügbaren Vektordatenbank
Abschluss: Keine Prüfung, tecnovy Teilnahmezertifikat

Termine & Buchung

Passenden Termin wählen

Aktuell sind keine öffentlichen Termine ausgeschrieben.

Neue Termine werden laufend veröffentlicht. Lass dich vormerken oder plane ein Inhouse-Training für dein Team.

Inhouse-Training anfragen

Passung

Für wen das Modul gedacht ist

Typische Rollen

Du entwickelst Chatbots, Assistenten oder Suchfunktionen für internes Wissen.
Du arbeitest als Data Scientist oder ML Engineer und sollst Sprachmodelle an Firmendokumente anbinden.
Du verantwortest Wissensmanagement und willst sehen, wie ein RAG-System technisch arbeitet.

Voraussetzungen

Keine Voraussetzungen

Du kannst direkt einsteigen. Mitbringen: Python-Kenntnisse. Hilfreich: Erfahrung mit Sprachmodell-APIs aus LLM Engineering oder der Praxis.

Stattdessen geeignet LLM Engineering Ohne Erfahrung mit Sprachmodell-APIs legst du dort die Grundlagen: Modell-APIs, Prompt-Design, strukturierte Ausgaben und Werkzeugaufrufe in Python.

Lehrplan

RAG Engineering im Detail

Der Weg einer Frage durch eine RAG-Anwendung gibt die Reihenfolge vor: von der Entscheidung für RAG über Aufbereitung und Suche bis zur Antwort mit Fundstelle. Der letzte Teil prüft die Qualität und plant den Betrieb. Du baust die Anwendung durchgehend in Python mit Beispieldokumenten.

01Grundprinzip von RAG

Dieser Teil klärt, wann sich RAG lohnt und wie seine drei Stufen zusammenspielen.

Wann RAG passt und wann Fine-Tuning oder ein langes Kontextfenster besser passen
Architektur in drei Stufen: Aufbereitung, Suche, Antwort
Der Weg einer Frage durch die Anwendung, die du in den folgenden Teilen baust

02Dokumente aufbereiten

Jede Antwort hängt davon ab, welcher Text überhaupt im Suchindex landet.

Text aus PDFs, Office-Dateien und Webseiten extrahieren
Chunking: Dokumente in einzeln auffindbare Abschnitte zerlegen
Metadaten wie Dokument und Abschnitt, aus denen später die Fundstelle wird

03Embeddings und Vektorsuche

Hier entsteht die Suche, die zu einer Frage die passenden Abschnitte findet.

Embeddings: Text als Zahlenvektor, ähnliche Bedeutung liegt nah beieinander
Embedding-Modelle auswählen
Vektordatenbanken: Abschnitte speichern und nach Ähnlichkeit abfragen
Hybride Suche: Vektorsuche und Schlüsselwortsuche kombiniert

04Antworten erzeugen

Das Modell bekommt die gefundenen Abschnitte und soll nur aus ihnen antworten.

Prompts für quellengestützte Antworten
Quellenangaben, die auf Dokument und Abschnitt verweisen
Eine Regel für Fragen, zu denen die Dokumente nichts enthalten

05Qualität und Betrieb

Zum Schluss prüfst du, was die Anwendung leistet, und planst ihren Betrieb.

Suche und Antworten getrennt bewerten
Prüfen, ob die genannte Fundstelle die Antwort stützt
Zugriffsrechte und Aktualisierung des Dokumentenbestands
Datenschutz: welche Daten an welchen Modellanbieter gehen

Ergebnis

Was du anschließend leisten kannst

01
Du entscheidest, ob RAG, Fine-Tuning (Nachtrainieren eines Modells) oder ein langes Kontextfenster (mehr Text pro Anfrage) zu einem Anwendungsfall passt.
02
Du extrahierst Text aus PDFs, Office-Dateien und Webseiten und zerlegst ihn mit Metadaten in Abschnitte (Chunks).
03
Du wählst ein Embedding-Modell, das Text in Zahlenvektoren übersetzt, und baust darauf eine Vektorsuche auf.
04
Du kombinierst Vektorsuche und Schlüsselwortsuche zu einer hybriden Suche.
05
Du gestaltest Prompts für Antworten mit Fundstelle und eine Regel für Fragen, die die Dokumente nicht beantworten.
06
Du prüfst, ob die genannte Fundstelle die Antwort tatsächlich stützt.
07
Du bewertest Suchtreffer und Antworten getrennt, statt nur das Endergebnis anzusehen.
08
Du planst Zugriffsrechte und die Aktualisierung des Dokumentenbestands für den Betrieb.

tecnovy Teilnahmezertifikat

Bestätigt deine Teilnahme und die im Training behandelten Lehrplaninhalte. Ausgestellt von tecnovy, teilbar auf LinkedIn.

Certificate Showroom öffnen tecnovy →

Leistungsumfang

Was enthalten ist

Enthalten

Projekt-Repository mit BeispieldokumentenDarin baust du die RAG-Anwendung im Kurs Schritt für Schritt auf.

Warum tecnovy

Was du bei uns oben drauf bekommst

No Slideshow, Hands-On!

Versprochen: keine PowerPoint-Schlacht. Wir arbeiten in Gruppen, verknüpfen Theorie mit Praxis, und du bekommst Praxisbeispiele unserer erfahrenen Trainer sowie den Austausch mit Gleichgesinnten.

Certificate Showroom

Hol dir dein Teilnahmezertifikat und verbinde es, falls vorhanden, mit deinem Prüfungszertifikat. Vollautomatisiert, schön gestaltet. Nur für dich, nur bei tecnovy.

Flexible Umbuchung

Falls du mal kurzfristig verhindert sein solltest, kannst du deine Schulung bis eine Woche vor Trainingsbeginn kostenlos umbuchen.

Doppelt hält besser

Gerne darfst du innerhalb eines Jahres die Schulung nochmals online als Refresher besuchen.

Lerne von Experten

Wir garantieren dir stets den Einsatz von didaktisch und methodisch erstklassig qualifizierten Trainern, die ihr Wissen sowohl aus Trainingserfahrung als auch beruflicher Praxis- und Projekterfahrung beziehen.

FAQs

Häufige Fragen

01Was ist Retrieval Augmented Generation?

Retrieval Augmented Generation (RAG) verbindet eine Suche mit einem Sprachmodell: Zu jeder Frage sucht das System passende Abschnitte aus euren Dokumenten und gibt sie dem Modell als Kontext mit. Im tecnovy Kurs RAG Engineering baust du diese Kette in Python selbst auf, von der Aufbereitung bis zur Antwort mit Fundstelle.

02Wann passt RAG besser als Fine-Tuning oder ein langes Kontextfenster?

RAG passt, wenn sich Dokumente oft ändern, wenn jede Antwort ihre Quelle nennen soll oder wenn ein Bestand zu groß für das Kontextfenster ist, also für die Textmenge, die ein Modell pro Anfrage verarbeitet. Im tecnovy Kurs RAG Engineering wägst du RAG, Fine-Tuning und langen Kontext im ersten Teil gegeneinander ab.

03Mit welcher Vektordatenbank arbeitet der Kurs?

Der tecnovy Kurs RAG Engineering arbeitet mit einer frei verfügbaren Vektordatenbank, also einem Speicher, der Textabschnitte als Embeddings ablegt und nach Ähnlichkeit durchsucht. Gängige Alternativen vergleichst du im Kurs, damit du die Wahl für dein eigenes Projekt begründen kannst.

04Was brauchen die Übungen technisch?

Die Übungen im tecnovy Kurs RAG Engineering laufen in Python und rufen Sprachmodelle über die API eines Modellanbieters auf. Nötig sind dafür eine Python-Umgebung und ein Zugang zu einer solchen API; die Beispieldokumente liegen im Projekt-Repository.

05Darf ein RAG-System vertrauliche oder personenbezogene Dokumente nutzen?

Ob ein RAG-System vertrauliche oder personenbezogene Dokumente nutzen darf, entscheidet die Richtlinie deines Unternehmens, nicht die Technik. Im tecnovy Kurs RAG Engineering lernst du zu prüfen, welche Textabschnitte an welchen Modellanbieter gehen, wer welche Dokumente sehen darf und wie Änderungen und Löschungen im Suchindex ankommen.

06Antwortet ein RAG-System immer richtig?

Nein. Auch mit RAG kann ein Modell einen passenden Abschnitt übersehen, falsch zitieren oder etwas ergänzen, das nicht in der Quelle steht. Im tecnovy Kurs RAG Engineering bewertest du deshalb Suche und Antwort getrennt und prüfst, ob die Fundstelle die Antwort stützt.

07Muss ich vorher LLM Engineering besuchen?

Nein, für den tecnovy Kurs RAG Engineering genügen Python-Kenntnisse, Erfahrung mit Sprachmodell-APIs wird empfohlen. Fehlt sie dir, legt der Kurs LLM Engineering die Grundlagen: Modell-APIs, Prompt-Design, strukturierte Ausgaben und Werkzeugaufrufe.

08Gibt es am Ende eine Prüfung?

Nein. Der tecnovy Kurs RAG Engineering schließt ohne Prüfung ab und führt zu keiner Zertifizierung. Bei mindestens 80 % Anwesenheit erhältst du das tecnovy Teilnahmezertifikat.

09Wie geht es nach dem Kurs weiter?

Der nächste Schritt bei tecnovy ist Advanced RAG: Dort misst du ein bestehendes RAG-System vor und nach jeder Änderung und verbesserst es mit Techniken wie Reranking, also dem Neusortieren der Treffer, Wissensgraphen und agentischer Suche, bei der ein Agent selbst entscheidet, welche Suchen er ausführt.

Wie sieht deine Schulung bei tecnovy aus?

RAG EngineeringRetrieval Augmented Generation für Unternehmenswissen

Noch keine Termine

Wir merken dich vor, sobald der nächste Termin geplant ist.