Agentenbasierte KI-Systeme (Agentic AI): Entwurf und Deployment autonomer Workflows
Geplante Sessions
Die nächste Evolution der KI: Gehen Sie über passive Chatbots und Standard-RAG-Pipelines hinaus. Lernen Sie, Agentic AI-Systeme zu bauen, die in der Lage sind, zu schlussfolgern, zu planen und komplexe Aufgaben autonom auszuführen.
Meistern Sie Tool Calling & ReAct: Bringen Sie Large Language Models bei, wie sie mit der Außenwelt interagieren – von der Abfrage von Datenbanken über das Aufrufen interner APIs und das Surfen im Web bis hin zur Code-Ausführung.
Multi-Agenten-Orchestrierung: Arbeiten Sie praxisnah (hands-on) mit hochmodernen Frameworks wie LangGraph und AutoGen, um Teams spezialisierter KI-Agenten aufzubauen, die unter einem Supervisor-Modell zusammenarbeiten, diskutieren und komplexe Workflows lösen.
Sicherheit & Produktion: ~70 % praxisorientierte Labs, die sich auf den Aufbau zuverlässiger Agenten, die Implementierung von Human-in-the-Loop (HITL)-Schutzmechanismen und die Vermeidung von Endlosschleifen konzentrieren.
Für wen: Senior Software Engineers, AI Researcher und Architekten, die die nächste Generation autonomer Enterprise-Anwendungen deployen möchten.
Fähigkeiten, die Sie lernen werden
Curriculum
Grundlagen von Agentic AI & Tool Calling
- Der Wechsel von Generation zu Aktion: Definition eines KI-Agenten
- Das ReAct-Framework (Reasoning + Acting): Wie LLMs ihre Schritte planen
- Function/Tool Calling tiefgründig erklärt: Schemata, Ausführung und Rückgabe von Ergebnissen an das LLM
- Lab: Aufbau eines einzelnen Agenten von Grund auf, der eine SQL-Datenbank und eine Live-Wetter-API abfragt
Stateful Agents & Memory Management
- Umgang mit lang laufenden Aufgaben: Kurzzeit- vs. Langzeitgedächtnis
- Semantisches Gedächtnis: Integration von Vektordatenbanken für den Agenten-Kontext
- Umgang mit Ausführungsfehlern: Selbstkorrektur und Fallback Prompting
- Lab: Erstellung eines Datenanalyse-Agenten, der seinen eigenen Python-Code schreibt, ausführt und korrigiert
Multi-Agenten-Orchestrierung (LangGraph & AutoGen)
- Warum Multi-Agent? Auslagerung von Komplexität auf spezialisierte (narrow) Agenten
- Einführung in LangGraph: Behandlung von Agenten-Workflows als zyklische Graphen (StateGraph)
- Microsoft AutoGen: Konversationelle Muster zwischen autonomen Agenten
- Supervisor-Muster vs. hierarchische Teams vs. Peer-to-Peer-Chat
- Lab: Aufbau eines Multi-Agenten-Softwareentwicklungsteams (Coder, Reviewer, Tester) mit LangGraph
Produktion, Sicherheit und Human-in-the-Loop
- Sicherheit zuerst: Sandboxing der Code-Ausführung und Einschränkung von API-Scopes
- Human-in-the-Loop (HITL): Pausieren von Agentengraphen für manuelle Genehmigungen vor kritischen Aktionen
- Observability: Überwachung (Tracing) von Agenten-Gedanken und Tool-Aufrufen (LangSmith / Phoenix)
- Lab: Deployment eines agentenbasierten Workflows als Streaming-API mit HITL-Unterbrechungspunkten
Optionale Module
Optional — Fortgeschrittene Reasoning-Muster
- Tree of Thoughts (ToT) und Monte Carlo Tree Search für LLMs
- Plan-and-Solve-Architekturen für langfristige Planungen (long-horizon)
- Fine-Tuning von Open-Source-Modellen speziell für Tool Calling
Kursablauf
- Teil 1: 09:00–10:30
- Pause: 10:30–10:45
- Teil 2: 10:45–12:15
- Mittagspause: 12:15–13:15
- Teil 3: 13:15–15:15
- Pause: 15:15–15:30
- Teil 4: 15:30–17:30