Grundlagen von KI-Agenten – Agentic AI: Begriffe, Konzepte und typische Architekturen – Abgrenzung zu klassischen Chatbots und LLM-Anwendungen – Planung, Kontext, Memory und Tool-Nutzung – Typische Einsatzszenarien in Unternehmen – Chancen und Grenzen agentischer Systeme Agentenarchitekturen und Design Patterns – Single-Agent- und Multi-Agent-Ansätze – Planner-Executor-Pattern – Supervisor- und Reviewer-Pattern – Human-in-the-Loop als Steuerungsmechanismus – Entscheidungskriterien für passende Agentenarchitekturen Retrieval-Augmented Generation (RAG) – Architektur und Funktionsweise von RAG-Systemen -Einbindung eigener Dokumente, Wissensquellen und Datenbanken – Chunking, Embeddings und Vektorsuche – Kontextanreicherung für präzisere Antworten – Qualitätsprobleme, Halluzinationen und Gegenmaßnahmen Tool-Nutzung und API-Integration – Tool Calling und Function Calling als Kernprinzip von KI-Agenten – Anbindung externer Systeme über APIs – Integration von Datenbanken, Webservices und Unternehmenssystemen – Fehlerbehandlung, Timeouts, Rate Limits und Fallbacks – Sichere Begrenzung von Tool-Berechtigungen MCP und standardisierte Kontextanbindung – Grundidee des Model Context Protocol (MCP) – Trennung von Modell, Kontextquellen und Tools – Einbindung externer Daten- und Toolserver – Vorteile standardisierter Schnittstellen für Agentensysteme – Einordnung gegenüber klassischen API-Integrationen Multi-Agent-Systeme – Rollenbasierte Agenten: Planner, Executor, Researcher, Reviewer – Kommunikation und Aufgabenverteilung zwischen Agenten – Koordination komplexer Workflows – Risiken: Schleifen, Fehlentscheidungen und Kontrollverlust – Praxisbeispiele für Multi-Agent-Workflows Praxisprojekt – Konzeption eines eigenen KI-Agenten – Einbindung von RAG und mindestens einem externen Tool – Optionaler Ausbau zu einem Multi-Agent-System – Test, Diskussion und Optimierung der Ergebnisse