Agentische KI: Von Chatbots zu Agenten, die Arbeit erledigen

Dieser Kurs wurde unter Zuhilfenahme von künstlicher Intelligenz erstellt.

Alle verkaufen gerade „Agenten“. Manche dieser Produkte planen tatsächlich, rufen Tools auf und erledigen mehrstufige Arbeit. Viele sind Chatbots oder feste Workflows mit neuem Etikett. Dieser Kurs gibt Ihnen einen klaren, anbieterneutralen Weg, den Unterschied zu erkennen, und führt Sie dann vom Verständnis von Agenten bis dahin, einen zu bauen, zu testen und seine Kosten zu berechnen.

Er ist eine breite Einführung für Fachleute und neue Entwickler. Sie brauchen keinen Hintergrund in maschinellem Lernen. Wenn Sie ChatGPT, Claude, Gemini oder Copilot regelmäßig nutzen und wissen wollen, was sich ändert, wenn das Modell anfängt zu handeln, ist dies der richtige Einstieg.

Ein Unternehmen, ein Pilotprojekt, von Anfang bis Ende

Wir begleiten Harborline Logistics, eine erfundene Spedition mit einem Rückstau an E-Mails zum Sendungsstatus und verspäteten Zollpapieren. Das Betriebsteam führt ein Agenten-Pilotprojekt über 90 Tage namens Relay durch. Jedes Konzept des Kurses wird auf dieses Pilotprojekt angewendet, sodass Sie denselben Agenten von einer ersten Schleife bis zu einem getesteten, beaufsichtigten und kalkulierten System wachsen sehen.

Was der Kurs behandelt

• Abschnitt 1, Was agentische KI ausmacht: Chatbot, Copilot, Workflow und Agent; die Agentenschleife; fünf Autonomiestufen; wie man Agent Washing erkennt
• Abschnitt 2, Wie Agenten denken: Modell, Tools und Anweisungen; ReAct, Planung und Reflexion; fünf Workflow-Muster und wann man keinen Agenten nutzt
• Abschnitt 3, Tools, MCP und Computer Use: Tool-Aufrufe, das Model Context Protocol, Browser- und Computer-Nutzung sowie Agentenmodi in ChatGPT, Claude und Gemini
• Abschnitt 4, Gedächtnis, Wissen und Kontext: Context Engineering, Abruf (RAG), Skills und wie man einen Agenten in Arbeitsanweisungen des Unternehmens verankert
• Abschnitt 5, Agenten ohne Code bauen: die No-Code-Landschaft, zuerst eine Agentenspezifikation schreiben und einen Sendungsstatus-Agenten in n8n bauen
• Abschnitt 6, Agenten in Python bauen: ein SDK ohne Bindung wählen, ein funktionierender Agent in etwa fünfzig Zeilen, die Anbindung an einen MCP-Server und das Lesen von Traces
• Abschnitt 7, Multi-Agenten-Systeme: wann ein Agent nicht reicht, Orchestratoren und Übergaben, das A2A-Protokoll und ein Zollschalter mit zwei Agenten
• Abschnitt 8, Vertrauen, Nutzen, Einführung: Evaluation, typische Fehlermuster und Guardrails, menschliche Freigabe, Kosten pro Aufgabe, KPIs und eine Einführungs-Roadmap über 90 Tage

Praxis-Labs, die auf Ihrem eigenen Computer laufen

Die Bau-Labs laufen lokal mit kostenlosen Tools: Python, Ollama für lokale Modelle und n8n in Docker. Sie brauchen keinen kostenpflichtigen API-Schlüssel. Der Starter-Ordner enthält eine Mock-API für die Sendungsverfolgung, einen MCP-Server, zwölf Arbeitsanweisungen von Harborline sowie die Test-E-Mails und Zollfälle aus den Videos.

• Lab 1: dieselbe Aufgabe in den Agentenmodi von ChatGPT, Claude und Gemini ausführen und ihre Aktionsprotokolle lesen
• Lab 2: die Arbeitsanweisungen von Harborline indexieren und Antworten mit und ohne Abruf vergleichen
• Lab 3: einen No-Code-Status-Agenten in n8n bauen und ihn mit zehn Test-E-Mails ausführen
• Lab 4: diesen Agenten in Python nachbauen, sein Tool hinter einen MCP-Server verlegen und einen eingebauten Fehler im Trace finden
• Lab 5: einen zweiten Agenten mit Übergabe ergänzen und Ergebnisse und Token-Verbrauch mit dem einzelnen Agenten vergleichen

Ein paar ehrliche Hinweise. Lab 1 nutzt den Agentenmodus eines Chat-Assistenten in Ihrem Browser, und welche Agentenmodi Sie nutzen können, hängt von Ihrem Tarif und Ihrer Region ab. Bietet Ihrer keinen an, können Sie den aufgezeichneten Sitzungen trotzdem folgen. Lokale Modelle sind nicht deterministisch, daher weichen Ihre Antworten und Erfolgsquoten etwas von den Videos ab. Das lokale Modell der Labs braucht etwa 6 GB freien Arbeitsspeicher. Der Python-Abschnitt ist optional, wenn Sie nur die Konzepte und den No-Code-Weg wollen.

Übung und Lernkontrolle

Jeder der acht Abschnitte hat ein Quiz und eine Praxisaufgabe mit ausgearbeiteter Musterlösung. Im Abschlussprojekt wählen Sie eine Aufgabe aus Ihrem eigenen Job und erstellen eine Agentenspezifikation, eine Autonomiestufe mit Freigabeschritten, ein Evaluations-Set mit zehn Fällen und eine Kostenschätzung mit einer Roadmap über 90 Tage. Ein abschließender Übungstest mit 60 Fragen deckt alle acht Abschnitte ab.

Was dieser Kurs nicht ist

Er ist kein tiefgehender Engineering-Kurs zu einem einzelnen Framework, und er verspricht weder einen Job noch ein Zertifikat noch ein bestimmtes Ergebnis. Er ist eine Landkarte des Feldes mit genug Praxis, damit Sie Agentenvorschläge beurteilen, ein kleines Pilotprojekt durchführen und entscheiden können, was Sie als Nächstes lernen. Die Tools in diesem Feld ändern sich schnell, deshalb lehrt der Kurs portable Bausteine (Spezifikation, Prompts, Tools und Evaluationen), die bei einem Plattformwechsel erhalten bleiben.