Verlässliche AI Workflows & Context Engineering – PythonAI

KI-Agenten revolutionieren die Softwareentwicklung – doch der Schritt von experimentellem Prompting zu verlässlichen, produktionsreifen AI-Workflows erfordert systematische Methoden. In diesem zweitägigen Praxisseminar lernen Sie, wie Sie mit Agentic Primitives und Context Engineering skalierbare KI-Lösungen entwickeln, die konsistent, nachvollziehbar und wartbar sind.
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.

  • Entwickler*innen und KI-Ingenieur*innen, die produktionsreife AI Workflows aufbauen möchten
  • DevOps-Teams, die AI-Automatisierung in CI/CD-Pipelines integrieren wollen
  • IT-Leads und Projektmanager*innen im Softwareumfeld, die AI-Projekte strukturiert skalieren möchten
  • Gute Python- oder TypeScript-Kenntnisse werden empfohlen.
  • Erste Erfahrung mit Git und CI/CD-Pipelines ist von Vorteil.
  • Grundkenntnisse in Prompting oder AI-Tools sind nützlich, aber nicht zwingend erforderlich

Was werden Sie in diesem Training erlernen?

Agentic Primitives sind wiederverwendbare, strukturierte Bausteine (wie .instructions.md, .prompt.md, .context.md), die AI-Workflows deterministisch und wartbar machen – im Gegensatz zu Ad-hoc-Prompting. Sie erleben praxisnah, wie Sie modulare KI-Agenten entwickeln und nahtlos in moderne Development- und CI/CD-Umgebungen integrieren.

Warum ist dieses Seminar wertvoll für Sie?
Die Integration von KI in Entwicklungsprozesse bietet enormes Potenzial – von automatisierten Code-Reviews über Dokumentationsgenerierung bis zu intelligenten Testing-Workflows. Doch ohne systematische Strukturierung bleiben KI-Agenten unberechenbar und schwer wartbar. Dieses Training vermittelt Ihnen die Werkzeuge und Best Practices, um produktionsreife AI-Workflows zu entwickeln, die sich nahtlos in bestehende Infrastrukturen einfügen und messbare Effizienzgewinne liefern. 

Agenda

Einführung: Von Ad-hoc zu Reliable AI
Was sind Agentic Primitives und warum sind sie entscheidend?
Der Wandel von unstrukturiertem Prompting zu systematischen, wiederholbaren KI-Prozessen
Architektur: Die Drei-SchichtenStrategie für stabile Workflows (Markdown-Struktur, Primitives, Kontextmanagement)
Praktische Umsetzung: Strukturierte Prompts mit Markdown
.instructions.md: Systemanweisungen und Verhaltensregeln
.prompt.md: Wiederverwendbare Prompt-Templates
.context.md: Kontextdefinitionen und Grenzen
.spec.md, .memory.md, .chatmode.md: Spezialisierte Primitives
Strategien für klare Kontextgrenzen und gezielte Input-Gestaltung
Hands-on: Entwicklung eines ersten Reliable-Agenten
Praktisches Projekt: Code-Review-Agent mit GitHub Copilot und VS Code
Strukturierung, Testing und Iteration
Debugging-Strategien für AI-Workflows
Vertiefung: Testing & Monitoring von AI-Agenten
Testing-Strategien: Unit-Tests für Primitives, Integration-Tests für Workflows
Metriken für Verlässlichkeit: Konsistenz, Erfolgsrate, Latenz
Monitoring in Production: Logging, Tracing, Alerting
Fehlerbehandlung: Retry-Strategien, Fallback-Mechanismen, Graceful Degradation
Tooling & Infrastruktur
Einführung in Agent Package Manager (APM) für Versionskontrolle und Distribution
Alternative Ansätze: Git-basierte Workflows, Custom Tooling
Integration von CLI-Runtimes: GitHub Copilot CLI, OpenAI Codex CLI, MCP
Automatisierung: Paketierung und Deployment in CI/CD Pipelines (GitHub Actions)
Security & Best Practices
Schutz vor Kontext-Verunreinigung und Cross Domain-Zugriffen
Input-Validierung und Output-Sanitization
Rollenbasierte Zugriffskontrolle für AI-Workflows
Hands-on-Projekt: End-to-End AI-Workflow
Use Case: Dokumentations Generator mit automatischer Versionskontrolle
Entwicklung, Testing, Paketierung mit APM
Deployment via GitHub Actions
Monitoring und Troubleshooting
Vertiefung: Testing & Monitoring von AI-Agenten
Testing-Strategien: Unit-Tests für Primitives, Integration-Tests für Workflows
Metriken für Verlässlichkeit: Konsistenz, Erfolgsrate, Latenz
Monitoring in Production: Logging, Tracing, Alerting
Fehlerbehandlung: Retry-Strategien, Fallback-Mechanismen, Graceful Degradation 1
Tooling & Infrastruktur
Einführung in Agent Package Manager (APM) für Versionskontrolle und Distribution
Alternative Ansätze: Git-basierte Workflows, Custom Tooling
Integration von CLI-Runtimes: GitHub Copilot CLI, OpenAI Codex CLI, MCP
Automatisierung: Paketierung und Deployment in CI/CD Pipelines (GitHub Actions)
Security & Best Practices
Schutz vor Kontext-Verunreinigung und Cross Domain-Zugriffen
Input-Validierung und Output-Sanitization
Rollenbasierte Zugriffskontrolle für AI-Workflows
Hands-on-Projekt: End-to-End AI-Workflow
Use Case: Dokumentations
Generator mit automatischer Versionskontrolle
Entwicklung, Testing, Paketierung mit APM
Deployment via GitHub Actions
Monitoring und Troubleshooting
  • 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 2 Tage
Trainingssprache Deutsch
Nicht verfügbar

1.390,00 €

Startdatum und Ort wählen

Terminübersicht