Schulungsübersicht
Vom Autocomplete zum Agent: Warum Agenten scheitern
• Anatomie eines Coding-Agenten: Modell, Harness, Tool-Oberfläche, Kontext, Berechtigungen
• Die Position der einzelnen Tools: Claude Code, GitHub Copilot, Cursor, Codex CLI, Gemini CLI
• Eine Taxonomie des Scheiterns: falscher Kontext, falsche Tools, kein Feedback, ungebundene Autonomie
Demonstration: Derselbe Auftrag, einmal gut und einmal schlecht ausgeführt, im Seitenvergleich
Context Engineering
• Das Context-Fenster als Budget: Was verdient es, Platz darin zu finden?
• AGENTS.md, CLAUDE.md, .cursor/rules, copilot-instructions.md — ein Konzept, mehrere Dateinamen, eine einzige Quelle der Wahrheit
• Konventionen, Build- und Testbefehle, architektonische Grenzen
• Retrieval versus expliziter Kontext; Aufgabenzergliederung und Sub-Agenten
Übung: Schreiben Sie Repository-Kontext für einen unbekannten Python-Service, führen Sie dann einen fehlgeschlagenen Auftrag erneut aus und vergleichen Sie die Ausgabe
Wiederverwendbare Workflows und Agent-Skills
• Die Wahl der Abstraktion: Instructions-Datei, Skill, benutzerdefinierter Befehl oder einfaches Skript
• Anatomie eines Skills: Auslösung, Anweisungen, gebündelte Skripte, progressive Offenlegung
• Portabilität über Tools hinweg und wo Vendor-Lock-in beginnt
• Versionierung, Review und Verteilung im Team; häufige Anti-Patterns
Übung: Erstellen und testen Sie einen wiederverwendbaren Workflow, der eine firmeninterne Coding-Norm durchsetzt
MCP: Verbindung von Agenten mit realen Systemen
• Architektur: Clients, Server, Tools, Ressourcen und Prompts; stdio- und HTTP-Transports
• Server, die sich ihren Platz verdienen: Git-Hosting, Issue-Tracker, Datenbanken, Browser, interne APIs
• Wann ein CLI oder Skript einem MCP-Server überlegen ist
• Pflege der Tool-Oberfläche: Warum mehr Tools zu weniger Zuverlässigkeit führen
Übung: Binden Sie MCP-Server ein und bearbeiten Sie einen Auftrag Ende-zu-Ende — Issue, Branch, Patch, Tests, Pull Request
Feedbackschleifen und Evaluation
• Tests, Typen und Linter als die Grundwahrheit des Agenten; Test-first-Ansätze als Kontrollmechanismus
• CI als Outer-Loop und Review-Disziplin für agentenverfasste Diffs
• Golden-Task-Evaluationsdatensätze: Was zu messen ist und wie man Regressionen erkennt
• Kosten und Latenz als erstklassige Metriken
Übung: Erstellen Sie einen kleinen Evaluationsdatensatz und bewerten Sie zwei Agenten-Konfigurationen daran
Sicherheit und Guardrails
• Prompt-Injection durch Issues, Pull Requests, READMEs, Abhängigkeiten und abgerufene Seiten
• Berechtigungsmodelle: Allowlists, Genehmigungen, Read-Only-Tools, Kontrolle des Netzwerk-Egress
• Hygiene bei Geheimnissen und Sandboxing: Container, ephemere Anmeldeinformationen, Begrenzung der Explosionsradius
• Supply-Chain-Risiken bei MCP-Servern von Drittanbietern und geteilten Skills
Übung: Beobachten Sie, wie ein Agent von einem vergifteten Repository übernommen wird, und härten Sie die Umgebung, damit dies nicht geschieht
Einführung dieses Ansatzes im Team
• Ein gestufter Adoption-Pfad; was zu standardisieren ist und was den Individuen überlassen werden kann
• Metriken, die echten Wert anzeigen, und solche, die dies nicht tun
Voraussetzungen
• Grundlegende Kenntnisse in Python, Git und der Kommandozeile
• Einige Vorerfahrung mit einem KI-Coding-Assistenten
• NobleProg richtet für die Teilnehmer Dadesktop-VMs mit Docker, VS Code und Python 3.11 oder höher ein
• Ein funktionierender KI-Coding-Assistent der Wahl des Teilnehmers: Claude Code, GitHub Copilot, Cursor, Codex CLI oder Gemini CLI. Die Übungen sind toolunabhängig und Anleitungen werden für jede Option bereitgestellt
Zielgruppe
• Software-Ingenieure, Tech-Leads und Architekten, die KI-Coding-Assistenten nutzen, aber keine zuverlässigen Ergebnisse erzielen
• Platform- und Developer-Experience-Ingenieure, die KI-Tooling in Teams 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
