Darum lohnt sich der Kurs
In diesem Training erwerben Sie praxisnahe Kenntnisse für die Entwicklung, Integration und den Betrieb von Agentic AI Systems in modernen Softwareentwicklungsprozessen. Sie lernen, KI-Agents in den Software Development Lifecycle (SDLC) einzubinden, Agent Architectures zu entwerfen, GitHub Workflows und Model Context Protocol (MCP) zu nutzen sowie Multi-Agent-Systeme sicher zu orchestrieren. Darüber hinaus implementieren Sie Governance- und Guardrail-Konzepte, um Qualität, Sicherheit, Nachvollziehbarkeit und Zuverlässigkeit agentischer KI-Systeme in produktiven Entwicklungsumgebungen sicherzustellen.Seminarinhalt
Dieses Training vermittelt die Entwicklung, Bereitstellung und den produktiven Einsatz agentischer KI-Systeme in GitHub-basierten Entwicklungsumgebungen. Behandelt werden sowohl Architektur- und Integrationskonzepte als auch Governance, Überwachung und Optimierung von KI-Agenten.
Nach dem Training:
Nach dem Training:
- integrieren Sie KI-Agents strukturiert in den Software Development Lifecycle (SDLC) und definieren deren Aufgaben, Ein- und Ausgaben sowie Ausführungsgrenzen.
- entwerfen Sie Agent Architectures, die Planning, Reasoning und Execution klar voneinander trennen und dadurch Zuverlässigkeit sowie Steuerbarkeit verbessern.
- konfigurieren Sie Agent Tools, Berechtigungen und Model Context Protocol (MCP)-Server für sichere Entwicklungsumgebungen.
- entwickeln Sie Multi-Agent-Systeme und koordinieren deren Zusammenarbeit mit GitHub Workflows.
- implementieren Sie Konzepte für Speicher und Statusverwaltung von KI-Agents und erhalten den Kontext über verschiedene Ausführungsumgebungen hinweg.
- definieren Sie Evaluationskriterien und Quality Gates, analysieren das Verhalten von KI-Agents und optimieren deren Leistungsfähigkeit.
- implementieren Sie Governance-, Guardrail- und Human-in-the-Loop-Konzepte mit nativen GitHub Controls.
- betreiben Sie agentische KI-Systeme sicher, nachvollziehbar und zuverlässig in produktiven Softwareentwicklungsprozessen.
Programm
Entwicklung in Agentic AI Systems – Teil 1
Grundlagen agentischer KI in GitHub
Agent Architecture und SDLC-Integration
Tools, MCP und Agent Runtime Environments
Entwicklung in Agentic AI Systems - Teil 2
Multi-Agent Systems und Orchestrierung
Memory, State und Evaluation
Governance, Guardrails und Operations
Grundlagen agentischer KI in GitHub
- Agentic AI im Software Development Lifecycle (SDLC)
- Agent-Lebenszyklus: Plan, Act, Evaluate
- GitHub als System of Record und Control Plane
- Verantwortlichkeiten, Risiken, Anti-Patterns und Nachvollziehbarkeit
- Contributor-Modell für KI-generierten Code
Agent Architecture und SDLC-Integration
- Zuordnung von Agentenrollen innerhalb des SDLC
- Definition von Inputs, Outputs und Erfolgskriterien
- Trennung von Planung, Reasoning und Ausführung
- Pull-Request Governance mit CODEOWNERS, Repository Rules und Umgebungsrichtlinien
- Zuverlässige Agent-Workflows mit Triggern, Kontexten, Outputs und Task-Handoffs
- Betrieb von Agents mit Observability, MCP, Secrets und Hooks
Tools, MCP und Agent Runtime Environments
- Nutzung von GitHub APIs und GitHub Workflows
- Model Context Protocol (MCP), Server und Allowlists
- Ausführungskontexte und Laufzeitgrenzen
- Sicherheitsmechanismen und Guardrails für Agent-Ausführungen
Entwicklung in Agentic AI Systems - Teil 2
Multi-Agent Systems und Orchestrierung
- Rollenverteilung von Agents im SDLC
- Orchestrierung über GitHub Workflows
- Isolation von Ausführungen durch Branches, Berechtigungen und Parallelisierung
- Konfliktlösung mit nativen GitHub-Mechanismen
- Observability, Nachvollziehbarkeit und Artefaktverwaltung
- Fehlerdiagnose und Recovery in Multi-Agent-Systemen
Memory, State und Evaluation
- Speicherstrategien für KI-Agents
- Verwaltung von Agent-State und Context Drift
- Kontinuität von Speicher und Zustand über verschiedene Umgebungen hinweg
- Definition von Evaluationsmetriken und Quality Gates
- Analyse und Optimierung des Agent-Verhaltens
Governance, Guardrails und Operations
- Risikobasierte Autonomie- und Aktionsgrenzen
- Governance mit nativen GitHub Controls
- Human-in-the-Loop-Workflows
- Least-Privilege-Prinzip für Agent-Berechtigungen
- Auditierbarkeit, Nachvollziehbarkeit und Compliance
- Operative Zuverlässigkeit und kontinuierliche Governance
Zielgruppen
- AI Engineer:innen
- Entwickler:innen
- DevOps Engineer:innen
- App-Entwickler:innen
- Lösungsarchitekt:innen
Vorkenntnisse
Teilnehmende sollten über praktische Erfahrung in folgenden Bereichen verfügen:
- Software Development Lifecycle (SDLC)
- GitHub-Workflows und GitHub-Kontrollen
- Codequalität, Code-Reviews und Sicherheitspraktiken
- GitHub Copilot
- MCP-Servern
- Anpassung von KI-Agenten (z. B. Custom Instructions, Custom Agents und Tools)
