KI-Agenten und Automatisierung

Sie möchten die nächste Evolutionsstufe der KI kennenlernen – autonome Agenten, die eigenständig Aufgaben planen, Entscheidungen treffen und komplexe Workflows automatisieren können? Wenn Sie verstehen möchten, wie KI-Agenten funktionieren und wie Sie diese mit modernen Frameworks wie LangChain, CrewAI oder AutoGPT selbst entwickeln können, dann freuen Sie sich auf dieses Training. Von den theoretischen Grundlagen der Agentenarchitekturen bis zur praktischen Implementierung mit aktuellen OpenSource Tools lernen Sie, wie Sie intelligente Automatisierungslösungen für Ihr Unternehmen entwickeln.

Teilnahmezertifikat von Spirit in Projects Advanced

Show dates

Goals

Grundlagen von KI-Agenten verstehen: Definition, Architektur, Autonomie
Verschiedene Agententypen und deren Einsatzgebiete kennenlernen
LLM-basierte Agenten mit ReAct-Paradigma entwickeln
Aktuelle OpenSource Frameworks beherrschen (LangChain, CrewAI, AutoGPT)
Tool Use und Function Calling für Agenten implementieren
Multi-Agent-Systeme für komplexe Aufgaben orchestrieren
Praktische Automatisierungslösungen mit KI-Agenten entwickeln
Safety, Evaluation und Deployment-Strategien für Agenten verstehen

Target Groups

AI Expert Software Entwickler ML Engineer System Architect Software Architect DevOps Engineer Automation Specialist und alle, die sich mit KI-Agenten und intelligenter Automatisierung beschäftigen möchten

Inhalt

1. Grundlagen von KI-Agenten

Was sind KI-Agenten? Definition und Abgrenzung
Von einfachen Tools zu autonomen Systemen
Agent vs. Modell vs. Copilot
Autonomie und Entscheidungsfindung
Perception, Action, Goal-Oriented Behavior
Agent-Environment-Interaktion
Historische Entwicklung: Von regelbasierten zu LLM-basierten Agenten
Aktuelle Trends: Wachsende Bedeutung von KI-Agenten in Enterprise-Anwendungen

2. Agentenarchitekturen

Reactive Agents: Stimulus-Response
Deliberative Agents: Planning und Reasoning
Hybrid Architectures
BDI-Modell: Beliefs, Desires, Intentions
Layered Architectures
Subsumption Architecture
Vergleich und Anwendungsszenarien

3. Planungsalgorithmen für Agenten

Goal-based Planning
Utility-based Planning
State Space Search
Forward vs. Backward Planning
Hierarchical Task Networks (HTN)
Planungsalgorithmen in der Praxis

4. Reinforcement Learning für Agenten

Grundlagen des Reinforcement Learning
Markov Decision Processes (MDP)
Q-Learning und Deep Q-Networks (DQN)
Policy Gradient Methoden
Multi-Armed Bandits
RL für autonome Agenten

5. LLM-basierte Agenten

Revolution durch Large Language Models
LLMs als Reasoning Engines
ReAct-Paradigma: Reasoning + Acting
Observation, Thought, Action Loop
Chain-of-Thought für Agenten
Tree-of-Thought für komplexe Entscheidungen
Self-Reflection und Self-Correction

6. Tool Use und Function Calling

Konzept von Tool Use bei LLMs
Function Calling: OpenAI, Anthropic, Google Ansätze
Tool Description und Schemas
Multi-Tool Orchestrierung
External APIs anbinden: Web Search, Calculator, Database
Error Handling und Retry-Strategien
Praktische Übung: Agent mit mehreren Tools (Google Colab)

7. Memory und Kontextmanagement

Short-term vs. Long-term Memory
Conversation History Management
Memory Types: Buffer, Summary, Entity, Knowledge Graph
Vektordatenbanken als Long-term Memory
Context Window Optimierung
Praktische Übung: Agent mit Memory-System

8. LangChain für Agenten

Überblick über LangChain Framework
Agents in LangChain: Zero-shot, Conversational, ReAct
Tools und Toolkits
Chains vs. Agents
AgentExecutor und Agent Types
Custom Tool Development
LangSmith für Agent Debugging
Praktische Übung: ReAct-Agent mit LangChain (Google Colab)

9. LlamaIndex für Data Agents

LlamaIndex Grundlagen
Data Agents für RAG-Workflows
Query Engines und Data Connectors
Multi-Document Agents
Integration mit Vektordatenbanken
Praktische Übung: RAG-Agent mit LlamaIndex

10. Autonome Agenten: AutoGPT und BabyAGI

Konzept autonomer Task-Execution
AutoGPT: Architektur und Funktionsweise
BabyAGI: Task-driven Autonomous Agent
Task Decomposition und Priorisierung
Iterative Task-Planung und Self-Critique
Limitierungen und Herausforderungen
Praktische Übung: Autonomer Research Agent (Google Colab)

11. Multi-Agent-Systeme

Warum Multi-Agent-Systeme?
Agent Communication und Coordination
Role-based Agent Design
Collaborative vs. Competitive Agents
Consensus und Negotiation
Task Distribution und Load Balancing

12. CrewAI für Multi-Agent Orchestration

Überblick über CrewAI Framework
Crews, Agents, Tasks, Tools
Role-based Agent Definition
Process Types: Sequential, Hierarchical, Consensual
Agent Delegation und Collaboration
Output Handling und Result Aggregation
Praktische Übung: Multi-Agent System mit CrewAI (Google Colab)

13. Kosten-Optimierung

Token-Usage bei Agenten minimieren
Caching-Strategien
Modellauswahl: High End Modelle vs. Low End vs. Open Source
Routing: Einfache Tasks an günstigere Modelle
Batching und Parallelisierung
Cost Monitoring und Budget Alerts

Zertifizierung

Für dieses Training erhalten Sie ein Teilnahmezertifikat von Spirit in Projects.