Kurs · Schulung · Workshop
Building Agentic Systems
Entwickle agentic AI-Systeme: Von RAG und MCP über Self-Hosting und Modellevaluierung bis zu Multi-Agent-Workflows für Datenverarbeitung und Geschäftsprozesse.
Dieser praxisorientierte Kurs vermittelt Entwicklern das Wissen und die Fähigkeiten, um agentic AI-Systeme für Datenverarbeitung und Geschäftsprozessautomatisierung zu entwickeln. Du lernst framework-unabhängig, wie Du die richtigen Ansätze für verschiedene Use Cases wählst: Wann sind Agents die richtige Lösung, wann RAG, wann Fine-Tuning? Der Kurs deckt das gesamte Spektrum ab: Von der Integration über das Model Context Protocol (MCP) und Retrieval Augmented Generation (RAG) über das Self-Hosting von Modellen bis hin zur systematischen Evaluierung und dem Aufbau komplexer Multi-Agent-Workflows. Du arbeitest mit realen Szenarien aus der Datenverarbeitung und Geschäftsprozessautomatisierung. Nach dem Kurs kannst Du fundierte Architekturentscheidungen treffen und produktionsreife agentic AI-Systeme entwickeln, die echten Business-Mehrwert schaffen.
Trainer
Stimmen unserer Teilnehmer:innen
Diese Kunden haben Kurse im gleichen Themen-Cluster bei uns gebucht.Mehr Kunden →
Inhalt
Dieses Training richtet sich an Entwickler und Software-Architekten, die agentic AI-Systeme für Datenverarbeitung und Geschäftsprozessautomatisierung entwickeln möchten. Der Kurs ist framework-unabhängig und vermittelt Grundlagen, Konzepte und Entscheidungskriterien anhand praktischer Beispiele.
Der Kurs besteht aus den folgenden Themen und kann je nach Publikum erweitert oder angepasst werden. Für Inhouse-Kurse gibt es eine Auswahl an Technologien und Szenarien, die gewählt werden können, um besser zum Publikum zu passen.
– Grundlagen Generative AI und Large Language Models:
- Überblick über aktuelle LLM-Landschaft und Modelltypen
- Tokens, Context Windows und Modell-Eigenschaften
- Prompt Engineering Techniken und Best Practices
- API-Integration: OpenAI API, Azure OpenAI, lokale Modelle
- Praktische Code-Beispiele und Aufbau eines einfachen LLM-Harness
– Das Model Context Protocol (MCP):
- MCP-Architektur und Konzepte
- MCP-Server und -Clients implementieren
- Tool-Definitionen und Resource-Bereitstellung via MCP
- Integration von MCP in bestehende Anwendungen
- Hands-On: MCP-Server für einen Business-Prozess
– Retrieval Augmented Generation (RAG):
- RAG-Architektur und Designmuster
- Embedding-Modelle und Vector-Datenbanken
- Chunking-Strategien und Indexierung
- Hybrid Search und Reranking
- RAG-Pipeline-Optimierung und Evaluation
- Hands-On: RAG-System für Dokumentenverarbeitung
– Self-Hosting von AI-Modellen:
- Überblick: Wann Self-Hosting, wann Cloud-APIs?
- Ollama und lokale Inferenz für Entwicklung und Produktion
- ONNX Runtime und Model-Formate
- Quantisierung und Performance-Optimierung
- Deployment-Strategien für selbst-gehostete Modelle
– Modellevaluierung und -auswahl:
- Evaluierungskriterien: Qualität, Latenz, Kosten, Datenschutz
- Benchmarking-Methoden für LLMs
- Systematischer Modellvergleich für spezifische Use Cases
- Evaluierungs-Frameworks und Metriken
- Hands-On: Modellvergleich für einen konkreten Anwendungsfall
– Fine-Tuning Bewertung und Strategie:
- Wann Fine-Tuning, wann RAG, wann Prompt Engineering?
- Entscheidungsmatrix für den richtigen Ansatz
- Fine-Tuning-Konzepte: LoRA, QLoRA und Parameter-Efficient Fine-Tuning
- Datenaufbereitung und Trainings-Pipelines
- Kosten-Nutzen-Analyse von Fine-Tuning
– AI-Agents Grundlagen und Patterns:
- Agent-Konzepte: Perception, Reasoning, Action
- Agent-Patterns: ReAct, Planning, Reflection
- Tool-Calling und Function-Calling
- Orchestrierung und Kontrollfluss
- Hands-On: Einfachen Agent-Harness und Agent für Datenverarbeitung entwickeln
– Multi-Agent-Systeme und Workflows:
- Multi-Agent-Architekturen und Kommunikationsmuster
- Orchestrierung vs. Choreographie
- Agent-Koordination und Aufgabenverteilung
- Human-in-the-Loop Integration
- Hands-On: Multi-Agent Workflow für Geschäftsprozess
– Datenverarbeitung und Business-Prozesse mit AI:
- Dokumentenverarbeitung und -extraktion
- Strukturierte Datenanalyse mit LLMs
- Workflow-Automatisierung mit AI-Agents
- Integration in bestehende Geschäftsprozesse
- Error Handling und Robustheit in AI-Pipelines
– Architektur und Produktion:
- Architekturmuster für agentic AI-Systeme
- Security: Input-Validierung, Content-Filtering, Guardrails
- Logging, Monitoring und Observability
- Testing-Strategien für AI-Systeme
- Skalierung und Performance-Überlegungen
Dieser Kurs kombiniert theoretisches Wissen mit intensiver praktischer Anwendung und bereitet Dich darauf vor, fundierte Entscheidungen zu treffen und produktionsreife agentic AI-Systeme zu entwickeln. Die Themen werden durch Code-Beispiele und praktische Übungen begleitet.
Der effektive Kursinhalt kann, abhängig von Trainer, Durchführung, Dauer und Konstellation der Teilnehmer:innen, von obigen Angaben abweichen.
In-House Kurs anfragen
Öffentlichen Termin anfragen
Kein passender öffentlicher Termin dabei? Trag dich unverbindlich ein – sobald genug Interesse besteht, planen wir einen neuen öffentlichen Termin und informieren dich zuerst.
Mehr über Agentic AI-Systeme
Die Entwicklung agentic AI-Systeme vereint moderne Softwareentwicklung mit den neuesten Fortschritten in der generativen AI. Standards wie das Model Context Protocol (MCP) und Ansätze wie RAG ermöglichen es Entwicklern, intelligente Systeme zu bauen, die autonom Aufgaben lösen, auf Unternehmensdaten zugreifen und komplexe Geschäftsprozesse automatisieren.Weitere Ressourcen:
Geschichte und Entwicklung
Die Entwicklung agentic AI-Systeme hat sich seit 2023 rasant beschleunigt. Angetrieben durch immer leistungsfähigere Large Language Models entstanden zahlreiche Frameworks und Tools, die die Orchestrierung von AI-Diensten in Anwendungen vereinfachen. Das Model Context Protocol (MCP), 2024 von Anthropic eingeführt, schuf einen offenen Standard für die Kommunikation zwischen AI-Modellen und externen Datenquellen und Tools.
Der Trend zu agentic AI-Systemen — Systeme, die autonom planen, entscheiden und handeln — hat die Softwareentwicklung grundlegend verändert. Entwickler können heute auf ein reichhaltiges Ökosystem zurückgreifen: Von Cloud-APIs (Azure OpenAI, OpenAI) über selbst-gehostete Modelle (Ollama, ONNX Runtime) bis hin zu spezialisierten Libraries für RAG, Evaluierung und Multi-Agent-Orchestrierung. Die Kombination aus bewährten Software-Engineering-Praktiken und der wachsenden AI-Toollandschaft eröffnet neue Möglichkeiten für die Automatisierung von Datenverarbeitung und Geschäftsprozessen.