Seminar DataStax RAGStack und LangChain Integration

Einordnung

Dieses Training konzentriert sich auf die Entwicklung von RAG-Anwendungen mit RAGStack, LangChain und Astra DB als Vektorspeicher. Zwei Tage sind ausreichend, weil der Schwerpunkt auf Integration und Prototyping liegt. Für tiefe Suchqualität, Betrieb und Skalierung empfiehlt sich ergänzend das Vector-Search-Seminar.

Zielgruppe

Geeignet für Entwicklerteams, die Dokumentdaten, Wissensquellen oder strukturierte Informationen in eine Retrieval-Pipeline einbinden und erste belastbare Prototypen erstellen wollen.

Voraussetzungen

Erwartet werden Python-Grundlagen, Verständnis für APIs und ein grundlegender Begriff von Embeddings. Erfahrung mit LangChain oder ähnlichen Frameworks ist hilfreich, aber nicht zwingend.

Seminarinhalte

• Einordnung von RAGStack, LangChain-Komponenten, Astra DB als Vektorspeicher und typischen RAG-Architekturen
• Datenaufnahme aus Dokumenten und Textquellen mit Bereinigung, Chunking, Metadaten und nachvollziehbarer Verarbeitung
• Embedding-Erzeugung, Speicherung im Vektorspeicher, Collection-Struktur und Verbindung zur Retrieval-Kette
• Retriever-Konfiguration, Filter, Top-k-Auswahl, Prompt-Kontext und Übergabe an Antwortkomponenten
• Fehlerbilder bei Chunking, schlechten Metadaten, zu breitem Kontext, unpassenden Embeddings und unklaren Testfragen
• Qualitätsprüfung mit Testdatensätzen, Vergleich von Treffern, manueller Bewertung und technischer Nachvollziehbarkeit
• Projektstruktur, Konfiguration, Geheimnisse, Umgebungsvariablen und Übergang von Prototyp zu kontrollierter Anwendung

Praxisanteil

Der Praxisanteil baut eine kleine Retrieval-Anwendung mit Datenaufnahme, Chunking, Embeddings, Astra-DB-Speicherung und LangChain-gestützter Abfrage. Treffer werden bewusst geprüft, statt dem ersten Demo-Ergebnis blind zu vertrauen.