AZ-2005 Develop AI Agents using Azure OpenAI and Semantic Kernel SDK

AZ-2005 ist ein Microsoft Applied Skills-Lernpfad für die Entwicklung von KI-Agenten — autonome Software-Komponenten, die mit Large Language Models Aufgaben planen und ausführen. Semantic Kernel ist Microsofts Open-Source-SDK (verfügbar in C#, Python, Java), das diese Agenten-Entwicklung erleichtert. Block KI-Agenten-Konzepte: was ist ein KI-Agent (LLM + Tools + Memory + Planning), Unterschied zu einfachen Chat-Apps (Agent kann mehrere Schritte planen, Tools nutzen, sich selbst bewerten), Use Cases (Code-Agent, Research-Agent, Customer-Service-Agent, Workflow-Automation), aktuelle Frameworks (Microsoft Semantic Kernel, LangChain, LlamaIndex, AutoGen, CrewAI). Block Azure OpenAI Service Setup: Azure OpenAI-Resource provisionieren (Zugang muss separat beantragt werden — kein automatischer Self-Service), Models deployen (GPT-4o, GPT-4 Turbo, GPT-3.5-Turbo, Text-Embedding-3, Whisper für Speech), Endpoints und API Keys, Authentication mit Managed Identity oder API Key, Pricing-Modell (Pay-per-Token: Input und Output separat), Quotas und Rate Limits. Block Semantic Kernel — Grundlagen: Kernel als zentraler Orchestrator, Plugins (Sammlung von Funktionen), Functions (sowohl Code als auch Prompts — „Semantic Functions"), Memory (Vector Stores für RAG), Planners (automatische Funktions-Auswahl basierend auf Goal). Block Function Calling mit GPT-4: Tool/Function Definitions in OpenAI-Schema (Name, Description, Parameters mit JSON-Schema), automatisches Function Calling (LLM entscheidet, welche Function zu nutzen), Parallel Function Calling (mehrere Functions gleichzeitig), Tool Choice (auto, none, oder spezifische Function erzwingen). Block Plugins entwickeln: native Plugins in C#/Python (Funktionen mit [KernelFunction]-Attribut), Prompt-basierte Plugins (Markdown- oder YAML-Definitionen mit Templates und Parametern), Plugin-Komposition (Plugin nutzt andere Plugins). Block Memory und RAG: Embeddings generieren mit text-embedding-3-Modellen, Vector Stores (Azure AI Search als Native, Qdrant, Weaviate, in-memory für Prototypen), Memory-Operationen (Save, Recall, Search), Retrieval Augmented Generation-Pipeline (User Query → Embedding → Vector Search → Top-K Chunks → LLM-Prompt mit Context). Block Multi-Agent-Systems: Agent Patterns (Hierarchical, Peer-to-Peer, Reflective), AutoGen-Integration für Multi-Agent-Konversationen, Agent-Spezialisierung (Manager-Agent koordiniert Worker-Agents). Block Production-Ready Agents: Logging und Tracing (Azure Application Insights), Token-Cost-Tracking, Rate-Limiting-Handling mit Retries und Backoff, Content Safety für Filter, Evaluation-Frameworks (Groundedness, Relevance, Toxicity). Block Praxis-Projekte: Sie bauen einen autonomen Agenten für ein konkretes Szenario (z. B. Travel-Planner, Code-Review-Agent, Research-Assistant), der Tools nutzt, Memory hat und Multi-Step-Tasks ausführt.