AI-Agents Collaboration

Autonome KI-Agenten sind das nächste große Paradigma in der Softwareentwicklung. Statt einfache Prompts abzuarbeiten, planen und handeln sie eigenständig, nutzen Werkzeuge, erinnern sich an Kontext und koordinieren sich mit anderen Agenten, um komplexe Aufgaben zu lösen, die kein einzelnes Modell alleine bewältigen könnte. Dieser Kurs vermittelt das konzeptionelle Fundament und die praktischen Fähigkeiten, um solche Systeme zu bauen. Schritt für Schritt wird der Weg vom einfachen LLM-Aufruf über tool-nutzende Einzelagenten bis hin zu vollständigen Multi-Agenten-Workflows beschritten, die sich gegenseitig überprüfen, koordinieren und spezialisieren. Erfahrene AI Engineers begleiten den gesamten Kurs.

Modul 1 — Grundkonzepte agentenbasierter KI: Bevor der erste Agent gebaut wird, müssen die Konzepte sitzen. Dieses Modul legt das begriffliche und architektonische Fundament: Was unterscheidet einen KI-Agenten von einem einfachen Chatbot, welche Entscheidungsschleifen gibt es, und warum funktionieren bestimmte Aufgaben nur mit agentischen Ansätzen?

• Agenten-Definition: Planung, Handlung, Wahrnehmung und Rückmeldungsschleifen
• ReAct-, Reflexion- und Plan-and-Execute-Architekturmuster im Vergleich
• Tool-Use und Function Calling: Prinzip, Grenzen und Sicherheitsüberlegungen
• Einzelagenten-Design: Aufbau, Fehlerquellen und typische Einsatzgebiete
• Überblick über relevante Frameworks: LangChain, AutoGen, CrewAI
• Qualitätskriterien für autonome Agenten: Verlässlichkeit, Nachvollziehbarkeit, Robustheit

Modul 2 — Gedächtnis und Kontextmanagement: Agenten, die nichts merken, können keine langen Aufgaben lösen. Dieses Modul behandelt die verschiedenen Speichermechanismen, die Agenten zuverlässig und zustandsbehaftet machen, ohne das Kontextfenster zu überlasten.

• Short-term Memory: Konversationshistorie und In-Context-Speicherung
• Long-term Memory: Vektorindizes, persistente Datastores und Retrieval-Augmented-Generation (RAG) in Agenten
• Episodisches Gedächtnis und aufgabenübergreifendes Lernen aus vergangenen Durchläufen
• Kontextkompression und selektives Erinnern bei langen Agenten-Ketten
• Speicher in LangChain und AutoGen konfigurieren und testen
• Praktische Grenzen von Kontextfenstern und pragmatische Workarounds

Modul 3 — Multi-Agenten-Systeme und Orchestrierung: Der eigentliche Leistungsschub entsteht, wenn Agenten kooperieren. Dieses Modul zeigt, wie spezialisierte Agenten koordiniert werden, wie Aufgaben verteilt werden und wie Qualitätssicherung in verteilten Systemen funktioniert.

• Rollen-Design in Multi-Agenten-Systemen: Critic, Planner, Executor, Checker
• Kommunikationsprotokolle zwischen Agenten: sequentiell, hierarchisch, peer-to-peer
• Aufgabenverteilung und Abhängigkeitsgraphen in agentischen Workflows
• Orchestrierung mit CrewAI und AutoGen-Gruppenkonversationen
• Qualitätssicherung durch Critique-and-Revise-Schleifen
• Fehlerbehandlung in Multi-Agenten-Pipelines: Timeouts, Fallbacks, Retry-Strategien

Modul 4 — Integration, Monitoring und Sicherheit: Ein Agenten-System, das nicht überwacht werden kann, darf nicht produktiv gehen. Dieses Modul behandelt die Einbettung von Agenten in reale Infrastrukturen sowie die Instrumente zur Beobachtung und Absicherung autonomen Verhaltens.

• Integration von Agenten in bestehende APIs, Datenbanken und Workflow-Tools
• Tracing und Observability mit LangSmith und vergleichbaren Plattformen
• Evaluation-Metriken: Aufgabenerfolg, Schrittzahl, Ressourcenverbrauch, Treue
• Prompt-Injection-Angriffe auf Agenten-Systeme verstehen und verhindern
• Leitplanken und Guardrails: Output-Filter, Aktionsbeschränkungen, Human-in-the-Loop
• Ethische Aspekte autonomer Systeme: Transparenz, Verantwortlichkeit, Missbrauchspotenzial

Praxis-Block — Eigene Agenten bauen und testen

• Einen einfachen ReAct-Agenten mit LangChain und OpenAI/Claude-API aufbauen
• Websuche und Code-Execution als Tools in einen Agenten integrieren
• Long-term Memory mit einem Vektorspeicher (z. B. ChromaDB) an einen Agenten anbinden
• Einen Dateianalyse-Agenten bauen, der CSV-Daten auswertet und Ergebnisse erklärt
• Ein CrewAI-Team aus Researcher, Analyst und Writer-Agent implementieren
• AutoGen-Gruppenkonversation für eine komplexe Planungsaufgabe konfigurieren
• Agenten-Pipeline für automatisiertes Bug-Reporting in einem Testprojekt entwickeln
• Fehlerhafte Agenten-Schritte debuggen und korrigieren
• Monitoring-Dashboard für einen laufenden Agenten-Workflow einrichten
• Sicherheitslücke durch Prompt Injection simulieren und Gegenmaßnahme implementieren
• Evaluation-Skript schreiben, das Agenten-Outputs systematisch bewertet
• Eigenes Agenten-Konzept für einen konkreten Anwendungsfall aus dem Arbeitskontext entwerfen

Das Besondere an diesem Kurs ist die Schrittfolge: Jede Praxiseinheit baut auf der vorherigen auf, sodass am Ende ein funktionierendes Multi-Agenten-System steht, das Teilnehmende vollständig selbst gebaut und verstanden haben. Konzeptwissen und Implementierungserfahrung wachsen dabei parallel.

Der Kurs richtet sich an alle, die aktiv KI-Agenten entwickeln oder koordinieren möchten — von Entwicklern, die LLMs bisher nur für einfache Prompts genutzt haben, bis zu erfahrenen AI Engineers, die ihre Architekturen auf Multi-Agenten-Systeme erweitern wollen.

• Softwareentwicklerinnen und -entwickler mit Interesse an KI-gestützter Automatisierung
• AI Builder und Vibe Coder, die über einfache Prompt-Anwendungen hinausgehen möchten
• Datenanalysten und Data Scientists, die Agenten für Forschungs- und Analyse-Workflows nutzen wollen
• Technische Produktmanager, die verstehen wollen, was agentenbasierte Systeme leisten können
• Quereinsteiger mit Grundkenntnissen in digitalen Tools und nachgewiesenem Interesse an KI

Der Kurs verbindet konzeptionelle Einheiten mit intensiven Hands-on-Phasen in einer gemeinsamen Entwicklungsumgebung. Theoretische Grundlagen werden durch erfahrene AI Engineers vermittelt und unmittelbar in praktischen Übungen angewendet. Das Format ist überwiegend als virtuelles Klassenzimmer angelegt, mit synchronen Sessionblöcken und begleiteten Übungsphasen. Teilnehmerinnen und Teilnehmer arbeiten von Beginn an mit echten KI-Tools — Cursor, Python-Umgebungen, LangChain, AutoGen und CrewAI sind durchgehend präsent. Die Kursstruktur erlaubt sowohl Vollzeit- als auch Teilzeit-Teilnahme.

Die Kursdauer variiert je nach Lernformat und Vorkenntnissen. In Teilzeit sind mehrere Wochen üblich; Intensiv-Varianten komprimieren die Inhalte auf wenige konzentrierte Wochen. Die Programminhalte umfassen vier Themenmodule sowie einen ausgedehnten Praxis-Block. Der genaue Zeitplan wird auf Basis des Lernformats und der Gruppenkonstellation festgelegt.

Absolventen erhalten ein trägerinternes Zertifikat mit dem Titel „AI-Agents Collaboration", das die erworbenen Kompetenzen im Bereich agentenbasierter KI-Systeme dokumentiert. Es handelt sich um ein Lehrgangszertifikat des durchführenden Bildungsträgers. Externe Prüfungen oder Herstellerzertifikate sind in diesem Kurs nicht vorgesehen.

KI-Agenten sind kein akademisches Zukunftsthema mehr — sie werden bereits heute in Produktionsumgebungen eingesetzt, um Recherche-Workflows zu automatisieren, Code zu generieren und zu testen, Kundenanfragen zu bearbeiten und komplexe Entscheidungsprozesse zu unterstützen. Wer versteht, wie diese Systeme funktionieren und wie sie gebaut werden, hat einen erheblichen Vorsprung auf einem Arbeitsmarkt, auf dem KI-Kompetenz zur Grunderwartung wird. Der Kurs vermittelt nicht nur Werkzeugwissen, sondern ein Denkmodell für agentisches Design. Wer gelernt hat, Multi-Agenten-Systeme zu konzipieren, zu implementieren und zu überwachen, kann dieses Wissen auf beliebige Frameworks und zukünftige Toolsets übertragen — denn die Architekturprinzipien (Rollen, Gedächtnis, Orchestrierung, Sicherheit) sind stabiler als einzelne Bibliotheksversionen. Für Entwicklerinnen und Entwickler, die bisher hauptsächlich mit klassischer Softwareentwicklung gearbeitet haben, öffnet dieser Kurs eine neue Perspektive: Software, die plant, entscheidet und handelt. Das ist kein Zusatz mehr zum Programmierer-Repertoire, sondern zunehmend sein Kern.