AI Agents: Von Grundlagen bis zur Praxis

Kursüberblick

Dieser intensive 2-tägige Schulungskurs führt Sie systematisch in die Entwicklung von KI-Agenten ein. Sie beginnen mit den theoretischen Grundlagen, entwickeln zunächst einfache regelbasierte Agenten ohne Frameworks und bauen diese schrittweise zu LLM-basierten Systemen mit Tool-Support aus. Der Kurs endet mit der Implementierung eines eigenen Model Context Protocol (MCP) Servers und dessen Integration in moderne AI-Assistenten.

Was Sie lernen werden

Tag 1: Grundlagen und regelbasierte Agenten

• Einführung in KI und Agenten

  • Was ist ein AI Agent? Definitionen und Abgrenzungen
  • Geschichte der KI-Agenten: Von ELIZA bis ChatGPT
  • Typen von Agenten: Reaktive, zielbasierte, lernende Agenten
  • Agentenarchitekturen: BDI, ReAct, ReWOO
  • Komponenten eines AI Agents: Perception, Reasoning, Action

• Agent-Konzepte verstehen

  • Autonomie und Entscheidungsfindung
  • Tools und Actions: Das Handlungsspektrum erweitern
  • Memory und State Management
  • Planning und Multi-Step Reasoning
  • Feedback-Loops und Selbstkorrektur

• Einfacher Agent ohne Frameworks (Python)

  • Setup der Entwicklungsumgebung
  • Architektur eines minimalen Agenten
  • State Management implementieren
  • Einfache Entscheidungslogik programmieren
  • Praktische Übung: Eigener Web Crawler Agent

• Tool-Support ohne Sprachmodell

  • Was sind Tools und warum brauchen wir sie?
  • Tool-Interface und Abstraktion designen
  • Tool-Registry implementieren
  • Tools ausführen und Ergebnisse verarbeiten
  • Praktische Übung: Web Crawler Agent mit Rechner- und besseren Such-Tools erweitern

• Manuelle Tool-Auswahl

  • Regelbasierte Tool-Selektion
  • Pattern Matching für Tool-Erkennung
  • Parameter-Extraktion aus Anfragen (Nachrichten)
  • Error Handling bei Tool-Ausführung
  • Praktische Übung: Erweiterte Tool-Logik

Tag 2: LLM-basierte Agenten und MCP

• Einführung in Ollama

  • Was ist Ollama und warum lokal?
  • Installation und Modell-Management
  • API-Grundlagen und Prompt-Engineering
  • Temperature, Top-P und andere Parameter
  • Praktische Übung: Web Crawler Agent mit ollama API erweitern

• LLM-basierte Tool-Auswahl (manuell)

  • Prompt-Design für Tool-Selektion
  • Strukturierte Ausgaben vom LLM parsen
  • JSON-Output-Format erzwingen
  • Tool-Parameter aus LLM-Response extrahieren
  • Praktische Übung: Web Crawler Agent mit LLM-gesteuerter Tool-Wahl erweitern

• Fehlerbehandlung und Robustheit

  • Halluzination-Detection bei Tool-Calls
  • Retry-Strategien und Fallbacks
  • Validierung von Tool-Parametern
  • Ausgabe-Parsing mit Fehlertoleranz

• Native Ollama Tool-Integration

  • Ollama’s integrierte Tool-Calling-Funktion
  • Tool-Definitionen im OpenAI-Format
  • Strukturierte Tool-Calls empfangen
  • Multi-Tool Sequenzen orchestrieren
  • Praktische Übung: Web Crawler Agent Tools verketten (dynamische Aufrufreihenfolgen, Sequenzen, …)

• Model Context Protocol (MCP) Einführung

  • Was ist MCP? Architektur und Konzepte
  • Server, Client und Transport-Layer
  • MCP-Protokoll: Resources, Tools, Prompts
  • Anwendungsfälle und Integrationsmöglichkeiten

• Eigenen MCP Server entwickeln

  • MCP Server Grundgerüst mit Python
  • Internet-Such-Tool implementieren
  • Berechnungs-Tool implementieren
  • Server-Testing und Debugging
  • Praktische Übung: Entwicklung eines eigenen MCP Servers sowie lokales Debugging und gängige Entwicklungspraktiken

• MCP Integration

  • Integration in VS Code über Settings
  • Integration in Claude Desktop
  • Testing der MCP-Verbindung
  • Troubleshooting häufiger Probleme
  • Praktische Übung: Integartion des MCP Servers in bestehende Anwendungen (VsCode oder Claude Desktop) und live Debugging

• Agent mit MCP Server

  • MCP Client implementieren
  • Verbindung zum eigenen MCP Server
  • Tools vom MCP Server nutzen
  • Praktische Übung: Vollständiger MCP-basierter Agent
  • Best Practices und Patterns
  • Praktische Übung: Erstellung eines neuen Agenten, der den zuvor entwickelten MCP Server konsumiert.

Voraussetzungen

• Programmierkenntnisse: Solide Python-Kenntnisse erforderlich
• Grundlagen: Verständnis von APIs und JSON
• Hilfreich: Erste Erfahrungen mit KI/LLMs von Vorteil
• System: Laptop mit Python 3.10+ und mind. 8GB RAM
• Vorbereitung: Ollama sollte vor Kursbeginn installiert sein

Kursformat

• Dauer: 2 ganze Tage (16 Stunden)
• Format: Intensive Hands-on Sessions mit Live-Coding
• Klassengröße: Maximal 12 Teilnehmer für persönliche Betreuung
• Materialien: Kompletter Code, Dokumentation und Cheat Sheets inklusive
• Support: Zugang zu einem privaten Discord-Channel für Nachfragen

Technologie-Stack

Im Kurs arbeiten wir mit:

• Python 3.10+: Hauptprogrammiersprache
• Ollama: Lokale LLM-Inferenz
• MCP SDK: Model Context Protocol Implementation
• VS Code: IDE mit MCP-Support
• Git: Versionskontrolle für Ihre Projekte

Hands-on Projekte

Sie entwickeln während des Kurses:

1. Einfacher regelbasierter Agent
2. Agent mit manueller Tool-Integration
3. LLM-Agent mit Ollama (manuelle Tool-Wahl)
4. Agent mit Ollama Tool Feature
5. MCP Server
6. MCP-basierter Agent

Nach dem Kurs können Sie

✅ Die Architektur von AI Agents verstehen und erklären
✅ Agenten von Grund auf ohne Frameworks entwickeln
✅ LLMs effektiv in Agenten-Systeme integrieren
✅ Tool-Calling manuell und mit Ollama implementieren
✅ Eigene MCP Server entwickeln und deployen
✅ MCP Server in VS Code und Claude Desktop nutzen
✅ Komplexe Multi-Tool-Agenten orchestrieren
✅ Best Practices für robuste Agenten-Systeme anwenden

Wer sollte teilnehmen

Dieser Kurs richtet sich an:

• Python-Entwickler, die in AI/LLM-Entwicklung einsteigen möchten
• ML Engineers, die praktische Agent-Systeme bauen wollen
• Software Architects, die KI-Integration planen
• Tech Leads, die Agent-Projekte evaluieren oder leiten
• Innovatoren, die cutting-edge AI-Technologien verstehen möchten