Eckdaten

Zielgruppe: Softwareentwickler, Datenbankentwickler, Datenanalysten, Datenarchitekten, Data Scientists, ML Engineers, IT Architekten, AI Einsteiger mit grundlegenden Programmierkenntnissen | Dauer 1 Tag | 9:00–17:00 Uhr | Trainer: Mario Meir-Huber | Ort: Remote | Teilnehmerzahl: 6-12 Personen

Seminarbeschreibung

AI Agenten sind mehr als nur smarte Chatbots – sie kombinieren Sprachmodelle (LLMs) mit Tool-Nutzung, Gedächtnis, Logik und API-Zugriffen zu echten digitalen Assistenten. In dieser kompakten und praxisorientierten Schulung lernen die Teilnehmenden, wie moderne AI Agenten aufgebaut, entwickelt und betrieben werden können – mit Cloud- und lokalen Werkzeugen.

Im Fokus stehen zentrale Konzepte wie Prompt Engineering, typische Agenten-Architekturen (z. B. ReAct, Planner-Executor, Tool Use), Sicherheitsaspekte und Datenqualität. Praktisch umgesetzt wird dies mit Langflow als visuellem Tool sowie der OpenAI API in Verbindung mit Python und Flask. Zusätzlich wird gezeigt, wie AI lokal mit Ollama betrieben und in eigene Anwendungen integriert werden kann.

Alle technischen Konzepte werden verständlich erklärt, live demonstriert und durch Hands-on-Übungen vertieft. Ziel ist ein fundiertes Verständnis für moderne AI Workflows und die Fähigkeit, eigene Agentenprototypen zu bauen – egal ob cloudbasiert oder lokal ausgeführt.

Die Schulung findet über eine Videokonferenzplattform statt und wird in deutscher Sprache abgehalten. Die Unterlagen sind ebenfalls auf Deutsch, Fachbegriffe erscheinen teilweise in englischer Originalform. Alle technischen Zugänge und Materialien werden vorab per E-Mail zur Verfügung gestellt. Nach erfolgreicher Teilnahme erhalten die Teilnehmenden ein Zertifikat, das die erfolgreiche Kursteilnahme bestätigt.

Agenda der IT-Schulung

Teil 1: Einführung in AI Engineering & Agenten

• Grundlagen der AI Entwicklung
  • Wichtige Begriffe (LLM, Token, Kontextfenster, Fine-Tuning vs. RAG)
  • Lokal vs. Cloud: Vor- und Nachteile, Hardware-Anforderungen
  • Sicherheit: Risiken von Prompt Injection, Data Leakage, Model Theft
  • Datenqualität: Warum gute Daten essenziell für gute Antworten sind
    
• Was sind AI Agenten?
  • Abgrenzung zu Chatbots und klassischen Automatisierungen
  • Typische Workflows und Fähigkeiten: Planung, Tool-Nutzung, Gedächtnis
    
• Architekturen und Designmuster von AI Agenten
  • ReAct, Tool-Use, Tree of Thought, Planner-Executor, Human-in-the-Loop
  • Einführung in Prompt Engineering: Strukturierte Prompts, Tools, Best Practices

Teil 2: Langflow – No-Code AI Workflows erstellen

• Überblick über Langflow
  • Architektur, Bausteine, Integration von LLMs und Tools
  • Beispiele für typische Agenten-Workflows (z. B. Reiseplaner, FAQ-Bot)
• Hands-on Session:
  • Eigene Langflow-Instanz aufsetzen
  • Einen einfachen AI Agenten bauen
  • Prompt-Ketten mit Tool-Nutzung entwerfen
    

Teil 3: AI Agenten mit Python entwickeln

• Einführung in die OpenAI API
  • Chat-Komplettierungs-API, Funktionen, Tokens, Systemprompts
  • Architektur eines einfachen Agents mit Tool-Integration
    
• Hands-on Session:
  • Mini-Agent in Flask bauen: Nutzerinteraktion über Web UI
  • Anbindung von OpenAI
    

Teil 4: AI lokal betreiben mit Ollama

• Lokale AI mit Ollama
  • Überblick: Was ist Ollama, welche Modelle sind verfügbar?
  • Systemanforderungen, Vorteile der lokalen Ausführung
    
• Hands-on Session:
  • Installation von Ollama + LLM starten (z. B. Mistral oder LLaMA)
  • Nutzung der Ollama API in einem Python-Agent
  • Prompt-Strukturen lokal testen, Antwortverhalten analysieren

KPIs

• AI Agenten verstehen: Grundverständnis über Konzepte, Einsatzmöglichkeiten und Architekturen moderner AI Agenten auf Basis von LLMs
• AI Workflows entwickeln: Eigene AI Workflows mit Tools wie Langflow visuell modellieren und ausprobieren
• Prompt Engineering anwenden: Strukturierte Prompts und Techniken zur gezielten Steuerung von Sprachmodellen sicher einsetzen
• OpenAI API nutzen: AI Agenten mit Python und Flask entwickeln, die über API-Aufrufe mit OpenAI-Modellen interagieren
• Lokal AI ausführen: Eigene Modelle mit Ollama lokal betreiben und über die API an eigene Anwendungen anbinden
• Sicherheitsaspekte einschätzen: Risiken bei AI-Systemen erkennen und Maßnahmen zur Absicherung kennen
• Datengrundlage reflektieren: Einfluss von Datenqualität und Prompt-Design auf das Verhalten von Agenten bewerten
• Eigene Ideen umsetzen: Erste eigene Agentenideen technisch realisieren und weiterentwickeln

Voraussetzungen

Vorausgesetzt werden grundlegende Kenntnisse in Python sowie ein technisches Grundverständnis für APIs, Webtechnologien und Datenverarbeitung. Vorerfahrungen mit generativer AI sind hilfreich, aber nicht zwingend erforderlich.