KI-Agenten
Agenten. Verstehen. Anwenden. Gestalten.
Praxisorientierte Entwicklung von KI-Agenten und Multi-Agent-Systemen mit LangChain, LangGraph und LangSmith
[!TIP] Einstieg in die Dokumentation
Für einen schnellen Überblick über sinnvolle Lesepfade, Einstiegsreihenfolgen und typische Startpunkte zuerst Lesepfade öffnen.
KI-Agenten bezeichnen eine Klasse von Anwendungen, die nicht nur Inhalte erzeugen, sondern Aufgaben eigenständig planen, Tools nutzen und Ergebnisse iterativ verbessern. Im Gegensatz zu klassischen Chat-Interaktionen geht es hier um zielorientiertes Handeln: Systeme, die analysieren, entscheiden und mehrstufige Workflows ausführen.
Im Zentrum dieser Entwicklung stehen Large Language Models (LLMs) als reasoning-nahe Kernkomponente sowie Frameworks wie LangChain und LangGraph für robuste Orchestrierung. Damit werden Agenten nicht als einzelne Prompts gebaut, sondern als zustandsbasierte Systeme mit klaren Schritten, Werkzeugen und Kontrollpunkten.
Der Kurs Agenten lässt sich aus drei Perspektiven betrachten:
Verstehen
Grundlegend ist das Verständnis dafür, wie agentische Systeme funktionieren. Dazu gehören ReAct/TAO-Denkmuster, Tool Use & Function Calling, State Management, Routing-Logik sowie Grenzen und Risiken von LLM-basierten Entscheidungen. Auch Robustheit, Transparenz und verantwortungsvoller Einsatz gehören zu diesem Verständnis.
Anwenden
Die praktische Umsetzung von Agenten erfordert die Fähigkeit, Modelle gezielt zu steuern und Workflows modular aufzubauen - etwa durch Prompt Engineering, RAG, Structured Output und Tool-Integration. Mit LangChain, LangGraph, LangSmith und ChromaDB entstehen produktionsnahe Agenten für Recherche, Support, Automatisierung und Wissensarbeit.
Gestalten
Mit zunehmender Verfügbarkeit von APIs, Open-Source-Modellen und Orchestrierungs-Frameworks entsteht ein neues Feld der Gestaltung: Single-Agent-Lösungen, Supervisor-Patterns und komplette Multi-Agent-Systeme. Gleichzeitig wachsen Anforderungen an Evaluation, Monitoring, Security und Governance, damit aus Prototypen verlässliche Produkte werden.
Die Entwicklung von Agentenprodukten erfordert mehr als einzelne Notebook-Demos: saubere Architektur, reproduzierbare Tests und kontinuierliche Verbesserung mit Tracing und Evaluation. Der Weg vom Experiment zum stabilen Agentensystem ist kürzer, wenn Struktur von Anfang an mitgedacht wird — Checkpointing, Evaluation und Monitoring sind keine Nacharbeiten, sondern Bestandteile des Entwurfs.
Agenten scheitern häufiger an schlechten Prompts, unklarer Rollentrennung oder fehlendem Monitoring als an der Technologie selbst. Das ist die eigentliche Herausforderung — und der Kern dieses Kurses.
Version: 1.1
Stand: März 2026
Kurs: KI-Agenten. Verstehen. Anwenden. Gestalten.