KI-Agenten – eigenständige Entwicklung mit aktuellen Tools

Diese Schulung zeigt, wie KI-Agenten aufgebaut werden und wie sie mit Daten, Tools und APIs arbeiten. Sie entwickeln Schritt für Schritt ein agentisches System und lernen typische Entwurfsentscheidungen kennen.

Das Seminar behandelt Architekturvarianten, RAG, Tool Calling, MCP und Multi-Agent-Systeme. Sie sehen, wie externe Wissensquellen eingebunden werden und wie Agenten Aufgaben koordinieren.

Am Ende wenden Sie das Gelernte in einem Praxisprojekt an. Der Kurs verbindet technische Grundlagen mit praktischer Umsetzung und zeigt Grenzen agentischer Systeme.

Grundlagen von KI-Agenten

• Agentic AI: Begriffe, Konzepte und typische Architekturen
• Abgrenzung zu klassischen Chatbots und LLM-Anwendungen
• Planung, Kontext, Memory und Tool-Nutzung
• Typische Einsatzszenarien in Unternehmen
• Chancen und Grenzen agentischer Systeme

Agentenarchitekturen und Design Patterns

• Single-Agent- und Multi-Agent-Ansätze
• Planner-Executor-Pattern
• Supervisor- und Reviewer-Pattern
• Human-in-the-Loop als Steuerungsmechanismus
• Entscheidungskriterien für passende Agentenarchitekturen

Retrieval-Augmented Generation (RAG)

• Architektur und Funktionsweise von RAG-Systemen

-Einbindung eigener Dokumente, Wissensquellen und Datenbanken

• Chunking, Embeddings und Vektorsuche
• Kontextanreicherung für präzisere Antworten
• Qualitätsprobleme, Halluzinationen und Gegenmaßnahmen

Tool-Nutzung und API-Integration

• Tool Calling und Function Calling als Kernprinzip von KI-Agenten
• Anbindung externer Systeme über APIs
• Integration von Datenbanken, Webservices und Unternehmenssystemen
• Fehlerbehandlung, Timeouts, Rate Limits und Fallbacks
• Sichere Begrenzung von Tool-Berechtigungen

MCP und standardisierte Kontextanbindung

• Grundidee des Model Context Protocol (MCP)
• Trennung von Modell, Kontextquellen und Tools
• Einbindung externer Daten- und Toolserver
• Vorteile standardisierter Schnittstellen für Agentensysteme
• Einordnung gegenüber klassischen API-Integrationen

Multi-Agent-Systeme

• Rollenbasierte Agenten: Planner, Executor, Researcher, Reviewer
• Kommunikation und Aufgabenverteilung zwischen Agenten
• Koordination komplexer Workflows
• Risiken: Schleifen, Fehlentscheidungen und Kontrollverlust
• Praxisbeispiele für Multi-Agent-Workflows

Praxisprojekt

• Konzeption eines eigenen KI-Agenten
• Einbindung von RAG und mindestens einem externen Tool
• Optionaler Ausbau zu einem Multi-Agent-System
• Test, Diskussion und Optimierung der Ergebnisse

Teilnehmende sollten grundlegende technische Kenntnisse mitbringen. Hilfreich sind Erfahrungen mit APIs, Datenbanken, Webservices oder Softwareentwicklung. Grundkenntnisse im Umgang mit Large Language Models sind von Vorteil, aber nicht zwingend erforderlich.