Ever wished your AI could do more than just answer a question?
What if you could teach it how to think, decide, and verify?
This workshop introduces one of the newest and most powerful AI architectures: graph-based reasoning systems, where AI agents follow structured decision graphs to retrieve information, reason step by step, and produce reliable, evidence-based answers.
We begin from first principles, explaining how large language models work and why they cannot be trusted on their own. You will then build a complete RAG pipeline that connects an open-source LLM to real documents, enabling it to retrieve evidence and generate fact-grounded answers instead of confident guesses.
From there, we move beyond linear pipelines.
You will transform your RAG system into a graph-based AI agent: an autonomous assistant whose reasoning is explicit, structured, and controllable. Using a reasoning graph, the AI learns when to retrieve information, how to combine multiple sources, when to verify results, and when to stop. Instead of one-shot responses, your system follows a clear decision flow that mirrors human problem-solving.
By the end of the workshop, you will have built a complete, open-source AI assistant that can read documents, retrieve knowledge, reason through a graph, and answer with evidence.
Not a simple chatbot.
A truly intelligent AI agent that follows a path of thought.
In this workshop, take a practical approach to creating fitness functions that assess the architectural soundness of your systems. We will learn about different fitness functions that can help architects and their teams create and comply with their architectural expectations expressed by their architect in collaboration with the team. Then we’ll see how we can implement those constraints, as guardrails, using ArchUnit and get a continuous feedback on the teams efforts.
From Prompting to Planning: Building Reliable Agentic AI with Embabel
AI systems are rapidly evolving from simple chat interfaces to autonomous agents capable of reasoning, planning, memory handling, and interacting with external systems.
In this hands-on workshop, participants will learn how to build AI agents using Koog and Kotlin, moving beyond simple prompt engineering towards reliable, structured, and event-driven AI workflows.
Participants will implement agents that use tools, structured outputs, memory, and event-driven integrations while exploring how modern software architecture principles remain essential in AI-enabled systems.
The workshop also demonstrates how AI agents can interact with event-driven and event-sourced systems to derive insights, process business events, and build contextual understanding over time.
Kubernetes has become the universal runtime — for platform teams building internal developer platforms and for AI teams running large language model inference at scale. In this full-day hands-on workshop, you'll experience both sides of modern Kubernetes through two self-contained labs built on open source and CNCF tooling, running on upstream-conformant Kubernetes.
In the morning, you'll build a production-ready internal developer platform with golden paths, GitOps governance, and platform observability. In the afternoon, you'll deploy and scale LLM (Ministral) inference workloads with GPU-aware autoscaling, distributed computing, and AI agents. Two different challenges, one shared foundation: Kubernetes and the cloud-native open source ecosystem.
Chatbots waren der erste Schritt. Die nächste Stufe ist, Anwendungen so zu bauen, dass sie selbst Teil von KI-Assistenten und Agenten werden. In diesem Workshop untersuchen wir drei verschiedene Szenarien wie wir unsere Applikationen mit KI-Integrationen für unsere Endbenutzer zugänglicher machen können.
KI-Agenten übernehmen 2026 echte Engineering-Aufgaben: Sie lesen Codebases, schreiben Specs, generieren IaC und steuern Pipelines — autonom, über Tool-Calls, in einem geschlossenen Feedback-Loop. Wer versteht, wie dieser Loop funktioniert und wo man eingreifen muss, kann damit produktiv arbeiten. Wer es nicht versteht, verliert die Kontrolle.
In diesem ganztägigen Workshop durchlaufen wir den kompletten Engineering-Zyklus mit KI-Agenten: vom ersten Agentic-Loop über MCP-Integration, technische Spezifikation und IaC bis zum abschliessenden End-to-End-Durchlauf, bei dem alles zusammenkommt. Der Tag endet mit konkreten Rollout-Schritten für das eigene Team.
Ein kompletter AI-Stack ohne Cloud: Chat, Code-Assistenz, Transkription, Embeddings und Bildverarbeitung, alles lokal und privat. Der Workshop zeigt, welche Modelle 2026 lokal wirklich taugen, wie man sie effizient betreibt, wo die Qualität überrascht und wo sie nicht reicht. Am Ende hat jeder Teilnehmer einen funktionierenden lokalen Stack mit Vue-Oberfläche und weiss, wann Cloud und wann lokal die richtige Antwort ist.
In diesem Workshop lernen die Teilnehmenden, wie sie mit Spec-driven Development (SDD) und dem AI Unified Process (AIUP) Software effizient und strukturiert entwickeln können.
Anhand eines praxisnahen Beispielprojekts werden die Teilnehmenden Schritt für Schritt durch den gesamten Entwicklungsprozess geführt: von der Vision über den Anforderungskatalog bis zur Implementierung mit Claude Code, Skills und MCP.
Der Workshop zeigt, wie KI-gestützte Werkzeuge gezielt eingesetzt werden, um aus klar definierten Spezifikationen lauffähige Software zu generieren. Dabei kommen moderne Technologien wie Vaadin, Spring Boot und jOOQ zum Einsatz. Die Teilnehmenden arbeiten mit den Skills MCP (Model Context Protocol) für Vaadin, jOOQ, Karibu Testing und Playwright und erleben, wie diese Tools den Entwicklungsprozess beschleunigen.
Der Workshop richtet sich an Entwicklerinnen und Entwickler, die verstehen wollen, wie strukturierte Spezifikationen und KI-Werkzeuge zusammenspielen, um qualitativ hochwertige Software zu entwickeln.
Benötigte Infrastruktur:
KI-Agent (Claude Code empfohlen, Copilot CLI, Codex oder andere möglich)
Java 25
Editor oder Entwicklungsumgebung
In modernen Cloud-Native-Umgebungen verlieren Teams oft den Überblick über ihre Services und Tools. Backstage, das Open-Source-Framework von Spotify, löst dieses Problem durch ein zentrales Developer Portal.
In diesem Hands-on Workshop lernst du nicht nur, wie du Backstage aufbaust und anpasst, sondern erhältst auch eine Einführung, wie du aktiv zum Backstage-Projekt beitragen und Teil der Open-Source-Community werden kannst.
There are many architectural patterns, from monoliths to distributed architectures. It can be daunting to choose between them. In this workshop we will discuss approaches we can take to evaluating which architectural pattern may apply to different applications, what those patterns are, and a method to arriving at the most suitable pattern that may be appropriate for different applications.
In diesem kompakten Bootcamp geben wir Softwareentwickler:innen und technischen Entscheidern einen fundierten Überblick über aktuelle Herausforderungen und Chancen im Bereich des Machine Learning. Gemeinsam beleuchten wir grundlegende Konzepte wie supervised und unsupervised learning, den Umgang mit grossen Datenmengen und deren Qualität sowie zentrale Aspekte moderner MLOps-Praktiken.
Unser Ziel ist es nicht, in einem Tag ML-Expert:innen auszubilden, sondern ein klares Verständnis dafür zu schaffen, welche Fragestellungen und Fallstricke beim Einsatz von Machine Learning in zukünftigen Softwareprojekten auftreten können – und wie man ihnen kompetent begegnet.
Work hands-on with coding agents in a real codebase: uncover hidden risks, create behaviour-focused tests, refactor safely, establish repository guardrails, and coordinate multiple agents while preserving one coherent design.
Python hat den Ruf, "ausführbarer Pseudocode" zu sein, und wird oft lapidar als Skriptsprache abgetan. Diesem Ruf zum Trotz eignet sich Python aber auch für grosse Projekte, so spielt es beispielsweise eine zentrale Rolle bei Dropbox, Instagram, YouTube oder Spotify.
Dieser Workshop schlägt die Brücke zwischen diesen beiden Welten. Teilnehmer*innen sollten die Grundlagen von Python kennen und bereits Python-Code geschrieben haben, und lernen in diesem Workshop, wie sie von da zu "Production-Ready" Python-Code kommen.
Bringen Sie Ihre Java-Kenntnisse auf den neuesten Stand und lernen Sie die vielfältigen Möglichkeiten von modernem Java kennen! In diesem Best-of-Java-Praxisworkshop werden verschiedene Verbesserungen vorgestellt, die im aktuellen Java 25 LTS sowie einige Perlen aus den Vorgängern enthalten sind. Zudem wird ein Ausblick auf Javas Zukunft und die Version 27 gegeben.
Um das Wissen sofort zu festigen, wird das gerade Gelernte durch viele praktische Übungen vertieft.
Many teams have started using AI, but few have seen a significant impact on their overall delivery value. Why? Because individual productivity tools don't automatically translate into team effectiveness. In this hands-on workshop, we move beyond "Vibe Coding" and basic prompts. We explore how to integrate AI into the entire Software Development Life Cycle (SDLC) to eliminate bottlenecks, shorten feedback loops, and ensure that AI handles the grunt work while the team retains control over domain logic and quality.
AI is being compared to major technological innovations of the past few centuries and its impact is being felt by the entire world. Focusing on us, the software developers, we are already seeing tremendous benefits, yet we're experiencing the effects of non-determinism and hallucinations. As technical people we see this somewhat differently than the non-technical folks. Yet, so much of what we do is greatly directed by those in charge, but not necessarily sufficiently informed.
Microservices haben viele Architekturen komplexer gemacht – aber sie haben uns auch gelehrt, was wirklich funktioniert. Dieser Workshop destilliert zehn Jahre Microservices-Erfahrung zu Architekturprinzipien, die unabhängig vom Deployment-Modell gelten – und gerade Monolithen robuster, wartbarer und evolvierbar machen.
Containerisierung ist aus der modernen Softwareentwicklung nicht mehr wegzudenken. Sie hilft dabei, Anwendungen samt Abhängigkeiten reproduzierbar, isoliert und nachvollziehbar auszuführen – lokal, in Testumgebungen und später im Betrieb.
Dieser Ganztagesworkshop führt systematisch in die Grundlagen von Containern ein. Die verbreitete Docker-Begriffswelt wird erklärt, praktisch gearbeitet wird jedoch mit Podman als moderner, offener und Docker-kompatibler Container-Engine. Podman ist u.a. daemonless und rootless und eignet sich deshalb besonders gut für nachvollziehbare Entwicklungsumgebungen. Im Mittelpunkt stehen Container, Images, Volumes, Netzwerke, Dockerfiles/Containerfiles und Compose-ähnliche Workflows – verständlich, praktisch und ohne Kubernetes-Überfrachtung.
AI is both a powerful and perilous tool. It has several benefits, but we have to know the power and limitations of using these tools. In this workshop, get a hands on experience on where AI serves us the best, where it may provide a marginal benefit, and where it may outright may not be the correct tool to use. We will work with several hands on exercises to explore and gain insights into using AI for many different software development related tasks.
One agent is a demo. A fleet of them is an infrastructure problem, and the one most organisations are about to walk into without a plan. This workshop is about the architecture that makes agents safe to operate at scale, built entirely on open-source components you can run on-prem or on any cloud. No vendor lock-in.
We'll spend the day on the patterns and trade-offs that decide whether agents become a strategic capability or a compliance liability: the Agent Mesh: a gateway, a registry, and a runtime that do for agent fleets what Istio and Kubernetes did for microservices. Security, observability, and agent identity are not bolted on at the end; they sit at the center of the architecture.
The format is concept-first with short, guided exercises to make the ideas concrete. Engineers will get their hands dirty; architects and decision-makers can follow the through-line without writing a line of code.
PostgreSQL is a powerful open-source database management system (DBMS) known for standards compliance and efficient handling of large-scale datasets. Beyond its core strengths, it offers exceptional support for diverse data types and extensibility.
In this hands-on workshop, we’ll begin with an overview of PostgreSQL’s core capabilities for data modeling and analytical querying. Then, we’ll dive deeper into some of the more advanced and lesser-known features that make PostgreSQL a robust platform for modern data analytics.
Wie können Coding Agents helfen, bestehende und gewachsene Softwaresysteme zu analysieren um sie sicher ki-unterstützt zu erweitern und zu verbessern? Wie können wir daraus Wissen erzeugen und für bewusste Architektur-Entscheidungen nutzen?