Schulungsübersicht
Von Autovervollständigung zu Agenten: Warum Agenten scheitern
• Anatomie eines Code-Agenten: Modell, Harness, Toolschnittstelle, Kontext, Berechtigungen
• Positionierung der einzelnen Tools: Claude Code, GitHub Copilot, Cursor, Codex CLI, Gemini CLI
• Eine Taxonomie des Scheiterns: falscher Kontext, falsche Tools, kein Feedback, ungebundene Autonomie
Demonstration: Derselbe Auftrag, einmal gut und einmal schlecht ausgeführt, nebeneinander
Kontext-Ingenieurwesen
• Der Kontext-Fenster als Budget: Was verdient es, darin Platz zu finden?
• AGENTS.md, CLAUDE.md, .cursor/rules, copilot-instructions.md — ein Konzept, mehrere Dateinamen, eine einzige Quelle der Wahrheit
• Konventionen, Build- und Test-Befehle, architectonische Grenzen
• Abfrage versus expliziter Kontext; Aufgabenzerlegung und Sub-Agenten
Übung: Schreiben eines Repository-Kontexts für einen unbekannten Python-Dienst, dann erneutes Ausführen eines fehlgeschlagenen Auftrags und Vergleich der Ausgabe
Wiederverwendbare Workflows und Agenten-Fähigkeiten
• Die richtige Abstraktion wählen: Instruktionsdatei, Fähigkeit, benutzerdefinierter Befehl oder einfaches Skript
• Anatomie einer Fähigkeit: Auslösung, Anweisungen, gebündelte Skripte, progressive Enthüllung
• Portabilität über Tools hinweg und wo Vendor-Lock-in beginnt
• Versionierung, Überprüfung und Verteilung im Team; gängige Anti-Patterns
Übung: Aufbau und Test eines wiederverwendbaren Workflows, der eine unternehmensinterne Coding-Standard enforced
MCP: Verbindung von Agenten mit realen Systemen
• Architektur: Clients, Server, Tools, Ressourcen und Prompts; stdio- und HTTP-Transports
• Server, die ihren Platz verdienen: Git-Hosting, Issue-Tracker, Datenbanken, Browser, interne APIs
• Wann eine CLI oder ein Skript einen MCP-Server schlägt
• Hygiene der Toolschnittstelle: Warum mehr Tools zu weniger Zuverlässigkeit führen
Übung: Einrichten von MCP-Servern und Bearbeiten eines Tickets von Anfang bis Ende — Issue, Branch, Patch, Tests, Pull Request
Feedback-Schleifen und Evaluation
• Tests, Typen und Linter als die Grundwahrheit des Agenten; Test-first-Arbeit als Kontrollmechanismus
• CI als äußere Schleife und Review-Disziplin für agentengenerierte Diffs
• Golden-Task-Evaluationsmengen: Was zu messen ist und wie man Regressionen erkennt
• Kosten und Latenz als erstklassige Metriken
Übung: Aufbau einer kleinen Evaluationsmenge und Bewertung zweier Agenten-Konfigurationen daran
Sicherheit und Schutzzonen
• Prompt-Injection durch Issues, Pull Requests, READMEs, Abhängigkeiten und abgerufene Seiten
• Berechtigungsmodelle: Allowlists, Genehmigungen, Lese-nur-Tools, Netzwerk-Ausgangssteuerung
• Umgang mit Geheimnissen und Sandboxing: Container, ephemere Anmeldeinformationen, Begrenzung der Schadensausbreitung
• Lieferkettenrisiken bei Third-Party-MCP-Servern und gemeinsam genutzten Fähigkeiten
Übung: Einen Agenten beobachten, wie er von einem vergifteten Repository übernommen wird, und anschließend die Konfiguration härten, damit dies nicht geschieht
Einführung im Team
• Ein gestufter Einführungsweg; was standardisiert werden soll und was individuell überlassen bleibt
• Metriken, die echten Wert anzeigen, und solche, die es nicht tun
Voraussetzungen
• Grundkenntnisse in Python, Git und der Kommandozeile
• Erste Erfahrung mit einem KI-Code-Assistenten
• NobleProv richtet für die Teilnehmer Dadesktop-VMs mit Docker, VS Code und Python 3.11 oder höher ein
• Ein funktionierender KI-Code-Assistent nach Wahl des Teilnehmers: Claude Code, GitHub Copilot, Cursor, Codex CLI oder Gemini CLI. Die Übungen sind werkzeugunabhängig und Anweisungen werden für jedes Tool bereitgestellt
Zielgruppe
• Softwareentwickler, technische Leiter und Architekten, die KI-Code-Assistenten nutzen, aber keine zuverlässigen Ergebnisse erhalten
• Plattform- und Entwicklererlebnis-Ingenieure, die KI-Tools teamweit einführen
• Ingenieurmanager, die Standards, Schutzzonen und Erfolgsmetriken festlegen
Erfahrungsberichte (3)
Der Trainer ist geduldig und sehr hilfsbereit. Er kennt sich gut mit dem Thema aus.
CLIFFORD TABARES - Universal Leaf Philippines, Inc.
Kurs - Agentic AI for Business Automation: Use Cases & Integration
Maschinelle Übersetzung
Guter Mix aus Wissen und Praxis
Ion Mironescu - Facultatea S.A.I.A.P.M.
Kurs - Agentic AI for Enterprise Applications
Maschinelle Übersetzung
Die Mischung aus Theorie und Praxis sowie den Perspektiven auf hohem und niedrigem Niveau
Ion Mironescu - Facultatea S.A.I.A.P.M.
Kurs - Autonomous Decision-Making with Agentic AI
Maschinelle Übersetzung
