AI Agents: Design, Aufbau und Betrieb
Das herstellerneutrale Handwerk der Agents: was ein Agent wirklich ist, welche Design-Patterns in der Praxis funktionieren, wie Sie ihm Tools, Memory und Retrieval geben, wie Sie mehrere davon koordinieren und wie Sie sie evaluieren, absichern und in Produktion bringen.
Alle reden über AI Agents. Die meisten können nicht sagen, was ein Agent überhaupt ist, geschweige denn einen ausliefern, der den Kontakt mit der Produktion übersteht. Dieser Block ändert das. Sie lernen, was ein Agent wirklich ist, den Loop aus Perceive, Plan, Act, Observe, der echte Agents von aufgehübschten Skripten trennt, und wie Sie entscheiden, ob Sie überhaupt einen Agent brauchen oder nur einen einfachen Workflow oder eine Automatisierung. Autonomie ist ein Regler, kein Schalter, und Sie lernen, ihn bewusst einzustellen.
Wir gehen direkt zu den Patterns, die zählen: Tool Loops, ReAct, Planning, Reflection und Routing. Dann bauen wir. Sie geben Ihrem Agent über Tools und Function Calling Hände, verdrahten kurzfristigen Kontext und langfristigen Recall, lassen Retrieval mit agentic RAG innerhalb des Agent Loops laufen und koordinieren Multi-Agent-Systeme mit Orchestrators, Workers und saubere Handoffs. Das ist der Unterschied zwischen einer Demo, die im Vorstand Eindruck macht, und einem System, das die Arbeit still erledigt.
Der Teil, den fast niemand unterrichtet, ist der Betrieb, und dort entscheiden sich Karrieren. Sie evaluieren und debuggen Agents mit Traces, Evals und einem echten Verständnis von Failure Modes. Sie setzen Guardrails, Permissions und Human-in-the-Loop-Checkpoints, damit Ihre Agents an der Leine bleiben. Und Sie steuern das Trio, das darüber entscheidet, ob ein Agent je live geht: Kosten, Latenz und Reliability.
Als Führungskraft müssen Sie den Code nicht schreiben. Sie müssen wissen, wie gut aussieht, wo das Risiko sitzt und welche Fragen ein Team entlarven, das rät. Genau diesen Hebel gibt Ihnen dieser Block. Sie gehen in jedes Agent-Gespräch als die schärfste Person im Raum.
Was Sie beherrschen werden
- Definieren, was ein AI Agent ist, und den Loop aus Perceive, Plan, Act, Observe souverän abbilden
- Für jeden Use Case das richtige Maß an Autonomie zwischen Agents, Workflows und Automatisierungen wählen
- Zentrale Agent-Design-Patterns anwenden: Tool Loop, ReAct, Planning, Reflection und Routing
- Agents bauen, die Tools nutzen, Memory behalten und Retrieval mit agentic RAG innerhalb des Loops ausführen
- Multi-Agent-Systeme mit klaren Rollen, Workers und Handoffs orchestrieren
- Agents mit Traces, Evals und strukturierter Failure-Analyse evaluieren und debuggen
- Agents in Produktion bringen und dabei Kosten, Latenz, Reliability und menschliche Kontrolle steuern
Module
Behandelt, was Agents sind, wann man sie einsetzt und welche Design Patterns dahinterstehen.
Zeigt, wie Sie einen funktionsfähigen Agent mit Tools, Memory, Retrieval und Multi-Agent-Koordination zusammensetzen.
Behandelt, wie Sie Agents evaluieren, absichern und zuverlässig in Produktion betreiben.
Häufige Fragen
Was deckt der Block zu AI Agents konkret ab?
Er deckt das vollständige Handwerk des Agent-Baus ab, herstellerneutral: was ein Agent ist (der Loop aus Perceive, Plan, Act, Observe), welche Design-Patterns in der Praxis funktionieren, wie Sie einem Agent Tools, Memory und Retrieval geben, wie Sie mehrere Agents koordinieren und wie Sie sie evaluieren, absichern und ausliefern. Aufgebaut in 3 Modulen und 10 Lektionen, von den Grundlagen bis zum Produktionsbetrieb.
Muss ich Entwickler sein, um mitzukommen?
Nein. Die Lektionen erklären die Mechanik und die Trade-offs von Agent-Systemen, statt Code in einem bestimmten SDK durchzugehen. Wer entscheiden muss, ob ein Agent-Projekt finanziert wird, wer es zuschneiden oder die Aussagen eines Anbieters hinterfragen muss, holt hier mehr heraus als aus einem Framework-Tutorial.
Was ist der Unterschied zwischen einem Agent, einem Workflow und einer einfachen Automatisierung?
Der Unterschied liegt darin, wie viel der Entscheidung dem Modell überlassen wird. Eine Automatisierung folgt einer festen Sequenz, ein Workflow verkettet Schritte mit Verzweigungen, die Sie vorab definiert haben, ein Agent entscheidet in jedem Schritt, welches Tool er aufruft und wann er aufhört. Eine eigene Lektion, „Agents vs. Workflows vs. Automatisierungen“, behandelt die Wahl des richtigen Autonomiegrades, denn die günstigste verlässliche Option ist meist die am wenigsten agentische.
Wo soll ich anfangen, wenn mein Projekt schon mit einem einzigen Prompt funktioniert?
Beginnen Sie mit dem Modul Agent Foundations, bevor Sie irgendetwas hinzufügen. Es legt den Loop aus Perceive, Plan, Act, Observe und die verfügbaren Patterns dar (Tool Loop, ReAct, Planning, Reflection, Routing), woran sich meist zeigt, ob Ihr Fall überhaupt einen Agent braucht oder nur einen besser strukturierten Workflow.
Werden Multi-Agent-Systeme behandelt oder nur einzelne Agents?
Beides. Das Modul „Einen Agent bauen“ endet mit einer Lektion zu Multi-Agent-Systemen: die Aufteilung in Orchestrator und Worker und wie Handoffs zwischen Agents organisiert werden. Sie kommt nach Tools, Memory und agentic RAG, in dieser Reihenfolge, denn ein Multi-Agent-Setup auf wackligen Single-Agent-Grundlagen vervielfacht die Fehler, statt sie zu lösen.
Was sagt das Produktionsmodul zur Steuerung von Kosten und Fehlern?
Das dritte Modul, „Agents in Produktion betreiben“, widmet dem drei Lektionen: Evaluation und Debugging über Traces, Evals und bekannte Failure Modes; Guardrails, Permissions und Human-in-the-Loop; dann Kosten, Latenz und Reliability beim Ausliefern. Das sind die Themen, die entscheiden, ob aus einer funktionierenden Demo je ein System wird, das Sie betreiben können.