GH-600 – Developing in Agentic AI Systems

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.
Jetzt beraten lassen

Physisch oder virtuell?

Nehmen Sie an einem unserer Standorte oder virtuell an unseren Klassenraumtrainings teil. Unter “Termin buchen” werden Ihnen alle Optionen angezeigt, zuerst sortiert nach Standort, dann nach Datum.

  • AI Engineer:innen
  • Entwickler:innen
  • DevOps Engineer:innen
  • App-Entwickler:innen
  • Lösungsarchitekt:innen
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)

Wichtige Information

Dieses Training behandelt prüfungsrelevante Themen zum Examen:

GitHub zertifiziert: Agentic AI Developer – Certifications | Microsoft Learn

Was werden Sie in diesem Training erlernen?

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.

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.

Agenda

Entwicklung in Agentic AI Systems – Teil 1
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
  • Group Exercise: Review Architecting on AWS core best practices
  • Lab 1: Securing Amazon S3 VPC Endpoint Communications
  • Group Exercise: Review Architecting on AWS core best practices
  • AWS Organizations for multi-account access and permissions
  • AWS SSO to simplify access and authentication across AWS accounts and third-party services
  • AWS Control Tower
  • Permissions, access, and authentication
  • Group Exercise: Review Architecting on AWS core best practices
  • Lab 1: Securing Amazon S3 VPC Endpoint Communications
  • Group Exercise: Review Architecting on AWS core best practices
  • Lab 1: Securing Amazon S3 VPC Endpoint Communications

Dein Training im Überblick

Dauer 1 Tag
Trainingssprache Deutsch
Nicht verfügbar

690,00 €

Startdatum und Ort wählen

Terminübersicht