Agentic Software Engineering

Agentic Software Engineering beschreibt eine neue Disziplin an der Schnittstelle von Softwareentwicklung und KI: Entwickler bauen nicht mehr nur Anwendungen, die auf Befehle reagieren — sie entwerfen Systeme, in denen KI-Agenten eigenständig Aufgaben übernehmen, Entscheidungen treffen und sich untereinander koordinieren. Dieser Kurs richtet sich an Softwareentwickler und Product Engineers, die diesen Paradigmenwechsel nicht nur verstehen, sondern technisch umsetzen wollen. Im Mittelpunkt stehen die Methoden, Architekturen und Werkzeuge, die benötigt werden, um autonome KI-Agenten zu bauen und in reale Systeme zu integrieren: von der Grundstruktur eines Agenten über das Design von Multi-Agenten-Systemen bis hin zu den Herausforderungen, die entstehen, wenn agentengesteuerte Systeme in produktiven Umgebungen laufen — mit allen damit verbundenen Fragen zu Verlässlichkeit, Monitoring, Fehlerbehandlung und Sicherheit.

Grundlagen autonomer KI-Agenten Der Einstiegsblock legt das konzeptionelle Fundament: Was ist ein KI-Agent, wie unterscheidet er sich von einem einfachen Prompt-Response-System, und welche Architekturen haben sich in der Praxis bewährt? Dabei werden klassische Agent-Paradigmen aus der KI-Forschung mit modernen LLM-basierten Umsetzungen verbunden.

• ReAct-Pattern: Reason, Act, Observe als Grundzyklus eines Agenten
• Agenten-Typen: Task-spezifische vs. generische Agenten, Planungsagenten
• Memory-Konzepte: Kurzzeit-, Langzeit- und episodisches Gedächtnis in Agenten
• Tool Use und Function Calling: Agenten mit APIs und Werkzeugen verbinden
• Prompt-Design für zuverlässige Agentensteuerung
• Fehlertypen: Halluzinationen in Aktionsketten, Endlosschleifen, Fehlplanung

Agenten-Frameworks und Implementierungsumgebungen Dieser Block vermittelt den praktischen Umgang mit den führenden Agenten-Frameworks und zeigt, wie sie für unterschiedliche Anwendungsfälle eingesetzt werden.

• LangChain und LangGraph: Agenten-Graphen, State Machines, bedingte Verzweigungen
• AutoGen: Multi-Agenten-Kommunikation und Gruppenkonversationen
• OpenAI Assistants API und ähnliche managed Agentic Environments
• Einbindung von externen Tools: Web-Suche, Code-Interpreter, Datenbankabfragen
• Retrieval-Augmented Generation (RAG) als Wissensquelle für Agenten
• Lokale Modelle vs. API-basierte Modelle im Agenten-Kontext

Multi-Agenten-Systeme und Orchestrierung Wenn einzelne Agenten an ihre Grenzen stoßen, übernehmen Agenten-Netzwerke. Dieser Block zeigt, wie Systeme aus mehreren spezialisierten Agenten entworfen und koordiniert werden.

• Orchestrator-Agenten und spezialisierte Sub-Agenten
• Aufgabendelegation, Rollenzuweisung und Handoffs
• Kommunikationsprotokolle zwischen Agenten
• Parallele vs. sequenzielle Agenten-Ausführung
• Konsistenz und Zustandsmanagement in verteilten Agenten-Systemen
• Praxisbeispiele: Code-Review-Pipelines, Research-Agenten, autonome Test-Suites

Integration, Deployment und Produktionsbetrieb Agentenentwicklung endet nicht mit dem Proof of Concept. Dieser Block behandelt die Herausforderungen, die entstehen, wenn Agenten-Systeme in echte Software-Produkte integriert werden.

• Architekturpattern für Agenten-Integration: synchron, asynchron, event-driven
• API-Design für agentengesteuerte Backends
• Persistenz und Datenbankanbindung in Agentic Workflows
• Deployment-Optionen: Containerisierung, Serverless, Cloud-Managed
• Monitoring und Logging für Agenten-Systeme: Tracing von Agentketten
• Kostensteuerung: Token-Effizienz und API-Budgets im Produktionsbetrieb

Sicherheit, Verlässlichkeit und Testing Autonome Systeme, die eigenständig handeln, erfordern besondere Sorgfalt in der Qualitätssicherung und Sicherheitsbetrachtung.

• Prompt Injection und Jailbreaking als Angriffsvektoren auf Agenten-Systeme
• Guardrails und Safety Layer: Wie werden Agenten in Grenzen gehalten?
• Evaluation von Agenten: Metriken für nicht-deterministische Systeme
• Testing-Strategien: Unit Tests für Tools, Integrationstests für Agenten-Ketten
• Menschliche Überwachung (Human in the Loop): Wann müssen Agenten pausieren?
• Rechtliche und ethische Überlegungen zum Einsatz autonomer Systeme

Praxisprojekte und Hands-on-Übungen Alle Konzepte werden durch direkte Implementierungsaufgaben erlebbar gemacht.

• Einfachen ReAct-Agenten von Grund auf implementieren
• Tool-Use-Agenten bauen, der APIs und Datenbankabfragen orchestriert
• Multi-Agenten-System für eine Recherche- und Berichts-Pipeline entwickeln
• RAG-Wissensbasis für einen Agenten aufbauen und anbinden
• Agenten-Monitoring mit Tracing-Tools (z. B. LangSmith) einrichten
• Sicherheitsaudit eines Agenten-Systems durchführen
• Test-Suite für eine nicht-deterministische Agentic Pipeline schreiben
• Agenten in eine bestehende REST-API-Architektur integrieren
• Deployment eines Agenten als containerisierten Service
• Kostenanalyse und Token-Optimierung für einen produktiven Agenten

Der Kurs richtet sich an Softwareentwickler, die bereits Grundlagenerfahrung in der Entwicklung haben und sich auf KI-Agenten-Entwicklung spezialisieren wollen.

• Backend-Entwicklerinnen und -Entwickler, die KI in ihre Systeme integrieren
• Full-Stack-Engineers, die Agenten in Produktanwendungen einbauen wollen
• Product Engineers mit Erfahrung in API-Design und Systemintegration
• KI-interessierte Entwickler, die über Prompt Engineering hinaus wollen
• Technische Gründerinnen und Gründer, die KI-gestützte Produkte aufbauen

Der Kurs wird im Combined-Learning-Format als Vollzeit-Weiterbildung durchgeführt. Betreute Lernphasen, in denen Konzepte erklärt und gemeinsam erarbeitet werden, wechseln sich mit intensiven Praxisblöcken ab, in denen Teilnehmende eigenständig Agenten implementieren und in eigene Projekte überführen. Code-Reviews, Pair-Programming-Einheiten und moderierte Architekturdiskussionen ergänzen die inhaltlichen Phasen. Die technische Lernumgebung spiegelt professionelle Entwicklungsworkflows wider: Versionskontrolle, containerisierte Umgebungen, API-Integration und Cloud-Deployment gehören zum Kursalltag.

Der Kurs findet im Vollzeitformat statt. Die genaue Gesamtdauer richtet sich nach dem Anbieter — aufgrund des umfangreichen Curriculums, das von Agenten-Grundlagen über Frameworks bis zu Produktionsbetrieb und Sicherheit reicht, ist ein Zeitrahmen von mehreren Wochen bis zu wenigen Monaten typisch.

Nach Abschluss des Kurses erhalten Teilnehmende ein trägerinternes Zertifikat, das die erworbenen Kompetenzen im Bereich Agentic Software Engineering dokumentiert. Es handelt sich um keinen staatlich anerkannten Abschluss, wird aber als Nachweis spezialisierter KI-Entwicklungskompetenz von technischen Arbeitgebern anerkannt.

Agentic Engineering ist aktuell eines der am schnellsten wachsenden Themenfelder in der Softwareentwicklung: Unternehmen aller Branchen suchen Entwickler, die KI-Agenten nicht nur konzeptionell beschreiben, sondern produktiv einsetzen können. Wer diesen Kurs abschließt, hat ein Kompetenzprofil, das auf dem Arbeitsmarkt für KI-nahe Entwicklungsrollen stark nachgefragt ist — von internen Produktteams bis hin zu Startups, die KI-first entwickeln. Die Fähigkeit, autonome Systeme zu entwerfen, die zuverlässig funktionieren, Fehler tolerieren und sicher in Produktivumgebungen laufen, ist eine anspruchsvolle Ingenieurdisziplin. Sie geht deutlich über das Prompten eines Chatbots hinaus und erfordert systematisches Architekturdenken, Debugging-Kompetenz und ein realistisches Verständnis der Grenzen LLM-basierter Systeme. Genau das vermittelt dieser Kurs. Wer nach dem Kurs in einem Team arbeitet, das KI-gestützte Produkte baut, wird sofort Beiträge leisten können: bei der Evaluierung geeigneter Frameworks, beim Design von Agenten-Architekturen, beim Aufbau robuster Test-Strategien — und bei der nüchternen Einschätzung, wann ein Agenten-Ansatz die richtige Lösung ist und wann ein einfacheres System besser wäre.