Schulungsübersicht
Von Autocomplete zu Agenten: Warum Agenten scheitern
• Anatomie eines Coding-Agenten: Modell, Harness, Tool-Oberfläche, Kontext, Berechtigungen
• Verortung der einzelnen Tools: Claude Code, GitHub Copilot, Cursor, Codex CLI, Gemini CLI
• Taxonomie der Fehlerquellen: falscher Kontext, falsche Tools, kein Feedback, ungebundene Autonomie
Demonstration: Dasselbe Aufgabenszenario – einmal erfolgreich und einmal fehlerhaft – im Vergleich
Kontext-Engineering
• Das Context-Fenster als Budget: Was verdient einen Platz darin?
• AGENTS.md, CLAUDE.md, .cursor/rules, copilot-instructions.md – ein Konzept, verschiedene Dateinamen, eine einzige Source of Truth
• Konventionen, Build- und Testbefehle, architektonische Grenzen
• Retrieval versus expliziter Kontext; Aufgabenzersplitterung und Sub-Agenten
Übung: Repository-Kontext für einen unbekannten Python-Service schreiben, anschließend eine fehlerhafte Aufgabe erneut ausführen und die Ausgabe vergleichen
Wiederverwendbare Workflows und Agent Skills
• Abstraktionsauswahl: Instruction-File, Skill, benutzerdefinierten Befehl oder plain Script
• Anatomie eines Skills: Trigger, Anweisungen, gebündelte Scripts, progressive Enthüllung
• Portabilität über Tools hinweg und der Beginn von Vendor Lock-in
• Versionierung, Review und Verteilung im Team; gängige Anti-Patterns
Übung: Einen wiederverwendbaren Workflow erstellen und testen, der einen firmenspezifischen Coding-Standard durchsetzt
MCP: Agenten mit realen Systemen verbinden
• 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 ein CLI oder Script besser geeignet ist als ein MCP-Server
• Hygiene der Tool-Oberfläche: Warum mehr Tools weniger Zuverlässigkeit bedeuten
Übung: MCP-Server anbinden und ein Ticket von Anfang bis Ende abwickeln – Issue, Branch, Patch, Tests, Pull Request
Feedback-Schleifen und Evaluation
• Tests, Typen und Lints als Ground Truth des Agenten; test-getriebene Arbeit als Kontrollmechanismus
• CI als Outer Loop und Review-Disziplin für agent-generierte Diffs
• Golden-Task-Evaluationsmengen: Was messen und wie Regressionsfänge sicherstellen
• Kosten und Latenz als erstklassige Metriken
Übung: Eine kleine Evaluation-Set erstellen und zwei Agent-Konfigurationen daran bewerten
Sicherheit und Guardrails
• Prompt-Injection über Issues, Pull Requests, READMEs, Abhängigkeiten und abgerufene Webseiten
• Berechtigungsmodelle: Allowlists, Approvals, Read-Only-Tools, Network-Egress-Control
• Hygiene beim Umgang mit Secrets und Sandboxing: Container, ephemeral Credentials, Begrenzung des Schadensradius
• Supply-Chain-Risiken bei Third-Party-MCP-Servers und geteilten Skills
Übung: Beobachten, wie ein Agent durch ein vergiftetes Repository übernommen wird, anschließend das Setup härten, damit dies nicht mehr geschieht
Einführung in ein Team
• Ein phasenweiser Adoption-Weg; was standardisiert werden sollte und was einzelnen überlassen bleiben kann
• Metriken, die echten Wert anzeigen, und solche, die dies nicht tun
Voraussetzungen
• Grundlegende Kenntnisse in Python, Git und der Befehlszeile
• Vorkenntnisse mit einem KI-Coding-Assistenten
• NobleProv richtet für die Teilnehmer Dadesktop-VMs mit Docker, VS Code und Python 3.11 oder neuer ein
• Ein eigener KI-Coding-Assistent der Wahl: Claude Code, GitHub Copilot, Cursor, Codex CLI oder Gemini CLI. Die Übungen sind tool-agnostisch und Anleitungen für alle Tools werden bereitgestellt
Zielgruppe
• Softwareingenieure, Tech-Leads und Architekten, die KI-Coding-Assistenten nutzen, aber keine zuverlässigen Ergebnisse erzielen
• Platform-Engineers und Entwickler-Erfahrungs-Experten, die KI-Tools teamsübergreifend einführen
• Engineering-Manager, die Standards, Guardrails 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
