Verlässliche AI Workflows & Context Engineering

KI-Agenten revolutionieren die Softwareentwicklung – doch der Schritt von experimentellem Prompting zu verlässlichen, produktionsreifen AI-Workflows erfordert systematische Methoden. In diesem zweitägigen Praxisseminar lernen Sie, wie Sie mit Agentic Primitives und Context Engineering skalierbare KI-Lösungen entwickeln, die konsistent, nachvollziehbar und wartbar sind.

Agentic Primitives sind wiederverwendbare, strukturierte Bausteine (wie .instructions.md, .prompt.md, .context.md), die AI-Workflows deterministisch und wartbar machen – im Gegensatz zu Ad-hoc-Prompting. Sie erleben praxisnah, wie Sie modulare KI-Agenten entwickeln und nahtlos in moderne Development- und CI/CD-Umgebungen integrieren.

Warum ist dieses Seminar wertvoll für Sie?
Die Integration von KI in Entwicklungsprozesse bietet enormes Potenzial – von automatisierten Code-Reviews über Dokumentationsgenerierung bis zu intelligenten Testing-Workflows. Doch ohne systematische Strukturierung bleiben KI-Agenten unberechenbar und schwer wartbar. Dieses Training vermittelt Ihnen die Werkzeuge und Best Practices, um produktionsreife AI-Workflows zu entwickeln, die sich nahtlos in bestehende Infrastrukturen einfügen und messbare Effizienzgewinne liefern.

Einführung: Von Ad-hoc zu Reliable AI

• Was sind Agentic Primitives und warum sind sie entscheidend?
• Der Wandel von unstrukturiertem Prompting zu systematischen, wiederholbaren KI-Prozessen
• Architektur: Die Drei-SchichtenStrategie für stabile Workflows (Markdown-Struktur, Primitives, Kontextmanagement)

Praktische Umsetzung: Strukturierte Prompts mit Markdown

• .instructions.md: Systemanweisungen und Verhaltensregeln
• .prompt.md: Wiederverwendbare Prompt-Templates
• .context.md: Kontextdefinitionen und Grenzen
• .spec.md, .memory.md, .chatmode.md: Spezialisierte Primitives
• Strategien für klare Kontextgrenzen und gezielte Input-Gestaltung

Hands-on: Entwicklung eines ersten Reliable-Agenten

• Praktisches Projekt: Code-Review-Agent mit GitHub Copilot und VS Code
• Strukturierung, Testing und Iteration
• Debugging-Strategien für AI-Workflows

Vertiefung: Testing & Monitoring von AI-Agenten

• Testing-Strategien: Unit-Tests für Primitives, Integration-Tests für Workflows
• Metriken für Verlässlichkeit: Konsistenz, Erfolgsrate, Latenz
• Monitoring in Production: Logging, Tracing, Alerting
• Fehlerbehandlung: Retry-Strategien, Fallback-Mechanismen, Graceful Degradation

Tooling & Infrastruktur

• Einführung in Agent Package Manager (APM) für Versionskontrolle und Distribution
• Alternative Ansätze: Git-basierte Workflows, Custom Tooling
• Integration von CLI-Runtimes: GitHub Copilot CLI, OpenAI Codex CLI, MCP
• Automatisierung: Paketierung und Deployment in CI/CD Pipelines (GitHub Actions)

Security & Best Practices

• Schutz vor Kontext-Verunreinigung und Cross Domain-Zugriffen
• Input-Validierung und Output-Sanitization
• Rollenbasierte Zugriffskontrolle für AI-Workflows

Hands-on-Projekt: End-to-End AI-Workflow

• Use Case: Dokumentations Generator mit automatischer Versionskontrolle
• Entwicklung, Testing, Paketierung mit APM
• Deployment via GitHub Actions
• Monitoring und Troubleshooting

Vertiefung: Testing & Monitoring von AI-Agenten

• Testing-Strategien: Unit-Tests für Primitives, Integration-Tests für Workflows
• Metriken für Verlässlichkeit: Konsistenz, Erfolgsrate, Latenz
• Monitoring in Production: Logging, Tracing, Alerting
• Fehlerbehandlung: Retry-Strategien, Fallback-Mechanismen, Graceful Degradation 1

Tooling & Infrastruktur

• Einführung in Agent Package Manager (APM) für Versionskontrolle und Distribution
• Alternative Ansätze: Git-basierte Workflows, Custom Tooling
• Integration von CLI-Runtimes: GitHub Copilot CLI, OpenAI Codex CLI, MCP
• Automatisierung: Paketierung und Deployment in CI/CD Pipelines (GitHub Actions)

Security & Best Practices

• Schutz vor Kontext-Verunreinigung und Cross Domain-Zugriffen
• Input-Validierung und Output-Sanitization
• Rollenbasierte Zugriffskontrolle für AI-Workflows

Hands-on-Projekt: End-to-End AI-Workflow

• Use Case: Dokumentations
• Generator mit automatischer Versionskontrolle
• Entwicklung, Testing, Paketierung mit APM
• Deployment via GitHub Actions
• Monitoring und Troubleshooting

• Entwickler\innen und KI-Ingenieur\innen, die produktionsreife AIWorkflows aufbauen möchten
• DevOps-Teams, die AI-Automatisierung in CI/CD-Pipelines integrieren wollen
• IT-Leads und Projektmanager\*innen im Softwareumfeld, die AI-Projekte strukturiert skalieren möchten

• Gute Python- oder TypeScript-Kenntnisse werden empfohlen.
• Erste Erfahrung mit Git und CI/CD-Pipelines ist von Vorteil.
• Grundkenntnisse in Prompting oder AI-Tools sind nützlich, aber nicht zwingend erforderlich