Kursbeschreibung
Das LangGraph-Training übersetzt einen fachlichen Agentenprozess in einen ausführbaren State Graph, der den Zustand speichert, Werkzeuge aufruft und Freigaben an den richtigen Stellen erzwingt. Du zerlegst den Prozess in State, Nodes und Edges, weist jedem Knoten eine begrenzte Aufgabe zu und machst Entscheidungen im Graph sichtbar. So bleibt die Kontrolllogik im Code prüfbar, statt zwischen langen Prompt-Texten zu verschwinden.
Trainingsprojekt: steuerbarer Agenten-Workflow
Über drei Tage entwickelst du einen durchgängigen Workflow für Recherche, Datenanalyse oder Support. Der Agent nimmt strukturierte Eingaben entgegen, ruft Tools über validierte Schemas auf und speichert Zwischenergebnisse im State. Checkpoints erlauben die Wiederaufnahme unterbrochener Runs. Vor einer kritischen Aktion stoppt der Graph und fordert eine menschliche Freigabe an. Anschließend ergänzt du ein Supervisor-Pattern, untersuchst fehlgeschlagene Runs anhand von Traces und bereitest den Workflow als API-Service vor. Konfiguration und Secrets bleiben dabei vom Anwendungscode getrennt.
Das Ergebnis ist ein LangGraph-Workflow, dessen Ausführung du verfolgen, unterbrechen und nach Fehlern fortsetzen kannst. Das reduziert das Risiko unkontrollierter Tool-Aufrufe und erleichtert die Übergabe an Entwicklungs- oder Plattform-Teams. Das Training gehört zum Bereich KI-Entwicklung und Programmierung. Für die spätere Betriebskontrolle vertiefst du im Training zum Monitoring von KI-Agenten Tracing, Kontrolle und Sicherheitsfragen.
Du arbeitest in einer kleinen Gruppe von zwei bis acht Personen mit einem Trainer aus der Praxis. Du kannst einen passenden Termin und die gewünschte Durchführungsform für deine Einzelteilnahme oder für ein Team bei uns anfragen.
Die wichtigsten Themen im Überblick
- State Graphs modellieren
- Tool Calling validieren
- Checkpoints gezielt einsetzen
- Freigaben technisch erzwingen
- Agenten-Runs analysieren
- API-Service vorbereiten
Zielgruppe
- Python-Entwickler mit LLM-API-Erfahrung
- Software-Architekten für KI-Automatisierung
- Fachkräfte aus dem Bereich Data Science mit Agenten-Prototypen
- DevOps-Teams für den KI-Service-Betrieb
- Fachkräfte mit ersten LLM-Projekten und Bedarf an zustandsbehafteten Workflows
Voraussetzung für die Schulung
- Sichere Python-Kenntnisse und Erfahrung mit APIs
- Grundverständnis von LLMs, Prompting und JSON-Datenstrukturen
- Umgang mit virtuellen Python-Umgebungen, Paketverwaltung und Debugging
- Für die Vorbereitung: Python-Aufbaukurs
- Bei fehlender Praxis mit LLM-APIs: APIs mit KI nutzen
Kursinhalte
Architektur und Workflow-Modellierung
- LangGraph-Laufzeitmodell und State Graphs
- Typisierter State mit Reducern
- Nodes mit begrenzten Aufgaben
- Edges für bedingte Kontrollflüsse
- Loops mit definierten Abbruchregeln
- Subgraphs für wiederverwendbare Abläufe
Tool-Calling und Datenanbindung
- Tool-Schemas für validierte Eingaben
- Fehlerbehandlung bei Tool-Aufrufen
- Recherche-Agent mit strukturierter Ablage
- Datenanalyse-Agent mit Python-Auswertung
- Support-Agent mit Ticket-Kontext
State, Checkpoints und Freigaben
- Conversation-State über mehrere Schritte
- Persistente Checkpoints zur Wiederaufnahme
- Human-in-the-Loop für Freigaben
- Review-Knoten vor kritischen Aktionen
Multi-Agent-Systeme mit LangGraph
- Supervisor-Pattern für Agenten-Routing
- Rollen für spezialisierte Agenten
- Übergaben zwischen Agenten-Nodes
- Entscheidungsknoten bei Konflikten
Fehleranalyse und Qualitätssicherung
- Retry-Regeln für Tool-Fehler
- Tracing einzelner Graph-Runs
- Run-Metadaten für Observability
- Fachliche Testfälle zur Evaluierung
API-Service und Deployment
- FastAPI-Service im Container
- API-Schlüssel außerhalb des Codes
- Konfiguration von Secrets und Endpunkten
- Grenzen produktiver Agenten-Aktionen
- Übergabecheckliste für den Service-Betrieb
