Vielen Dank für die Zusendung Ihrer Anfrage! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
Vielen Dank, dass Sie Ihre Buchung abgeschickt haben! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
Schulungsübersicht
Einführung in die erweiterten Möglichkeiten von Cursor
- Verständnis für die Erweiterbarkeit und Architektur von Cursor
- Überprüfung der KI-Modelltypen und Integrationspunkte
- Vorbereiten der Umgebung für erweiterte Anpassungen
Prinzipien effektiven Prompt Engineering
- Design von Prompts für Präzision, Konsistenz und Anpassungsfähigkeit
- Strukturierung von Kontext-Hierarchien und Variablen-Injection
- Bewertung der Prompt-Ausgaben und Verfeinerung der Iterationen
Erstellen und Verwalten von Prompt-Vorlagen
- Erstellung wiederverwendbarer Prompt-Vorlagen für Teams
- Versionierung und Pflege von Vorlagen-Repositories
- Integration von Prompt-Vorlagen in CI/CD-Pipelines
Integration von Cursor mit internen Wissensdatenbanken
- Verbindung zu Dokumentations-APIs und internen Datenquellen
- Einbetten domänenspezifischen Wissens in KI-Prompts
- Automatisierung von Updates und Synchronisation für dynamische Daten
Fine-Tuning von Modellen für die domänenspezifische Codegenerierung
- Identifizierung von Anwendungsfällen für feinabgestimmte Modelle
- Sammeln und Pflegen von Fine-Tuning-Datasets
- Testen, Validieren und Bereitstellen von benutzerdefiniert trainierten Modellen
Entwicklung von Custom Tools und Adapters
- Erweiterung von Cursor durch API-basiertes Custom Tooling
- Erstellung sicherer Adapter für Unternehmens-Workflows
- Implementierung benutzerdefinierter Aktionen innerhalb des Editors
Sicherheit, Governance und Performance-Optimierung
- Sicherstellung eines sicheren Umgangs mit KI-generiertem Code
- Einrichtung von Policy Guards und Compliance-Filters
- Optimierung der Performance und Ressourcenverwaltung
Zukunftssichere KI-Entwicklungsstrategien
- Bewertung neuer Cursor-Funktionen und APIs
- Übernahme von kontinuierlichem Fine-Tuning und Prompt-Lifecycle-Management
- Aufbau interner Frameworks für nachhaltiges KI-Engineering
Zusammenfassung und nächste Schritte
Voraussetzungen
- Fundiertes Verständnis von Programmierung und Softwarearchitektur
- Erfahrung mit KI-unterstützten Coding-Tools und APIs
- Kenntnisse in Machine Learning oder Prompt Engineering Konzepten
Zielgruppe
- KI-Ingenieur*innen, die benutzerdefinierte KI-Workflows entwerfen
- Tooling- und Platform-Ingenieur*innen, die interne Developer-Tools entwickeln
- Senior Entwickler*innen, die domänenspezifische KI-Modelle integrieren
14 Stunden