Edocti Training

Agentenbasierte KI-Systeme (Agentic AI): Entwurf und Deployment autonomer Workflows

Name: Agentenbasierte KI-Systeme (Agentic AI): Entwurf und Deployment autonomer Workflows
Rating: 4.9 (24 reviews)

Fortgeschritten

21 h

4.9 (24 Bewertungen)

Kontakt aufnehmen

Geplante Sessions

Aktuell sind keine Termine verfügbar.

Informieren Sie mich über die nächste verfügbare Session

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

Agentic AI-Architektur ReAct Prompting LLM Tool Calling LangGraph-Optimierung Microsoft AutoGen Multi-Agenten-Orchestrierung Human-in-the-Loop (HITL) KI-Observability

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

Warum Edocti?

Die Trainer: der offensichtlichste Grund. Wir lieben, was wir tun, und teilen das Wissen, das wir in der täglichen Praxis aufbauen.
Relevante Inhalte: zugeschnitten auf die tatsächlichen, alltäglichen Bedürfnisse des Engineering-Teams.
Hands-on first: Alle unsere Kurse sind praxisorientiert. Wir glauben nicht an "Slide-Kurse". Unsere Programme bestehen zu ca. 70 % aus Praxis und 30 % aus fokussierter Theorie.
Edocti arbeitet seit 2016 an Automotive-Projekten.
Unsere Trainer verfügen über mehr als 11 Jahre Erfahrung im Automotive-Sektor.
Projekte im Bereich Autonomes Fahren und ADAS für Volvo und General Motors.
V2X-Projekte für GM und VW.
Enge Zusammenarbeit mit Tier-1-Unternehmen für technisches Training und Architektur.

Für wen ist dieser Kurs gedacht

Senior Software Engineers, KI-Entwickler und Software-Architekten, die bereits mit grundlegenden LLM-API-Integrationen vertraut sind und komplexe, werkzeugnutzende Multi-Agenten-Systeme aufbauen möchten.

Erforderliche Infrastruktur

Laptop (Windows/macOS/Linux) mit Python 3.10+ und Docker. Zugang zu fortgeschrittenen Reasoning-Modellen (z. B. OpenAI GPT-4o, Anthropic Claude 3 oder lokale Äquivalente) über API-Schlüssel ist erforderlich.