### Inhalte
**Einführung: Grundlagen & Überblick**
- Grundverständnis: Wie funktionieren LLMs im Coding-Kontext?
- Architektur-Grundlagen (Transformer, Attention-Mechanismen)
- Unterschied zwischen Reasoning-Modellen und "klassischen" LLMs
- Einsatzgebiete von LLMs in der Softwareentwicklung
- Code-Generierung, Debugging, Refactoring
- Testautomatisierung, Dokumentation, Story-Refinement
- Überblick über aktuelle Tools & Modelle
- GitHub Copilot, ChatGPT, Cursor, Tabnine, Windsurf, Lovable AI, bolt.new etc.
- Live-Demo der verschiedenen Tools
- Vor- und Nachteile, Anwendungsbereiche und Integrationen
- Fokus auf IDEs mit KI-Unterstützung
**Best Practices: Effektives Prompting**
- Was macht einen guten Prompt aus?
- Präzision, Kontext, Zieldefinition
- Prompting-Techniken im Detail:
- Few-Shot-Prompting: Wunschergebnis durch Beispiele vermitteln
- Chain-of-Thought-Prompting: Schritt-für-Schritt-Reasoning für komplexe Probleme
- Role-Play-Prompts: LLM in spezifische Rollen versetzen (z.B. als Code-Reviewer agieren lassen)
- Iteratives Prompting: Warum der erste Versuch oft nicht gut genug ist
- Prompt Debugging: Fehler erkennen und beheben
- Warum liefert der LLM nicht das gewünschte Ergebnis?
- Typische Fehlerbilder und Optimierungsstrategien
- Effiziente Workflows & Toolkombinationen
- Best Practices: Vom Feature-Ticket bis zum erfolgreichen Release
- Beispiel-Workflow: Copilot + ChatGPT für Codegenerierung, Tests und Reviews
**Hands-On Übungen: Praktische Anwendung**
- Uneffektive Prompts verbessern
- Analyse realer Prompts und Optimierung durch Best Practices
- Use-Case-spezifische Übungen:
- Code-Generierung für kleine und große Aufgaben
- Debugging: Fehlermeldungen verstehen und lösen
- Refactoring: Verbesserung bestehender Codestrukturen
- Testautomatisierung: Unit-Tests mit KI schreiben lassen
- Story-Refinements: Anforderungen in Code-Tasks übersetzen
- Challenge-Runde:
- Wer kann mit optimiertem Prompt die beste Lösung generieren?
**Grenzen, Risiken & Compliance**
- Limitierungen von LLMs verstehen
- Technische Einschränkungen & Fehlinterpretationen
- Bias und potenzielle Fehler im generierten Code
- Datenschutz & Sicherheitsaspekte
- Umgang mit sensiblen Daten im Kontext von KI
- Unternehmensrichtlinien & Compliance
- Urheberrechtliche Rahmenbedingungen: Rechte, Pflichten und Verantwortung
**Automatisierung mit APIs** (Optional für fortgeschrittene Gruppen)
- LLMs via API nutzen:
- Einführung in die Nutzung von OpenAI-APIs & Alternativen
- Eigene Daten nutzbar machen:
- RAG (Retrieval-Augmented Generation) – Eigene Daten als Wissensquelle
- Grundlagen des Finetunings von vortrainierten Modellen
- Function Calling: Einbindung von eignen APIs in Prompts
So einen Workshop fände ich jedenfalls interessant. Der Fokus liegt darauf
- einen klaren Überblick über die aktuellen Tools und deren Anwendungsmöglichkeiten zu bekommen
- praktische Erfahrungen zu sammeln und effektive Prompting-Techniken direkt auszuprobieren
- die Grenzen von LLMs zu verstehen, um unnötige Iterationen zu vermeiden und Frust bei Fehlversuchen zu reduzieren
- das Bewusstsein für Datenschutz, Sicherheit und Compliance-Anforderungen zu stärken
### Zur Präsentation
- Ich habe bei "Jugend präsentiert" gelernt, dass "Vielen Dank für die Aufmerksamkeit" nicht der ideale Abschluss ist. Man sollte die letzte Slide nochmal für die Kern-Botschaft oder einen Call-to-Action nutzen :-)
Ich hoffe das hilft dir weiter!
Nika Klassen
So, hier mein Feedback. Ich habe einmal Vorschläge, welche Inhalte für das Seminar interessant sein könnten und dann Anmerkungen zum "Außenrum": ^
https://claude.ai/public/artifacts/9cf085d5-3fe4-4ce9-97f5-d5dfb8e6e89f
https://cash-tropic-m0706ffty-ilyadoroshs-projects.vercel.app/visualizer
https://cash-tropic-n753ulyel-ilyadoroshs-projects.vercel.app/game