Fundiertes Verständnis von Softwarearchitektur und dem Entwurf von Softwaresystemen, APIs und Integrationsschnittstellen

Grundverständnis von GenAI und LLM Nutzung, zum Beispiel Kontextfenster, Tokens sowie RAG als Konzept

Sie verstehen das agentische Paradigma und können agentische KI-Systeme klar von klassischen GenAI Szenarien abgrenzen.

Sie lernen, wie Agenten architektonisch aufgebaut sind und wie sich die zentralen Bausteine in ein belastbares Gesamtsystem einordnen lassen.

Sie erwerben praxisnahe Entscheidungslogiken für Context Engineering sowie Memory und State Management.

Sie lernen, wie Tool Anbindung und Interoperabilität in Agenten Architekturen strukturiert gedacht werden, auch im Kontext von MCP und Multi Agent Systemen.

Sie erhalten Kriterien und Vorgehensweisen, um Qualität, Robustheit und Sicherheit agentischer Systeme bewerten zu können.

Sie lernen, wie agentische Systeme für produktive Umgebungen vorbereitet werden, mit Blick auf Observability, Skalierung und sicheren Betrieb.

➤ Einordnung, was agentische KI-Systeme auszeichnet und warum sich dadurch Architekturentscheidungen verändern.

➤ Orientierung über die zentralen Bausteine, die in agentischen Systemen zusammenspielen.

➤ Welche Rolle Kontext, Memory und State für verlässliches Verhalten spielen und wo typische Stolperstellen liegen.

➤ Ansätze, wie sich Kontext so handhaben lässt, dass Systeme auch unter realen Bedingungen stabil bleiben.

➤ Wie Agenten Tools nutzen und warum Interoperabilität früh mitgedacht werden sollte.

➤ MCP und Multi Agent Systeme als Orientierung für standardisierte Zusammenarbeit und Erweiterbarkeit.

➤ Wie Qualität bei nicht deterministischen Systemen sinnvoll gedacht und bewertet werden kann.

➤ Observability als Grundlage, um Verhalten im Betrieb nachvollziehbar zu machen.

➤ Was für produktive Reife zählt, von Skalierung bis Security, ohne den Überblick zu verlieren.

➤ Leitplanken für den Betrieb, die sich in bestehende Entwicklungs- und Releaseprozesse integrieren lassen.