azena agents
Du verstehst, was einen KI-Agenten von einem Chatbot unterscheidet, baust selbst Agenten, die mehrstufige Aufgaben mit Tools lösen, orchestrierst mehrere Agenten als Team mit Review-Schleifen — und automatisierst damit echte Abläufe.
Was du danach kannst
- Den Agent-Loop (Plan → Handeln → Beobachten) verstehen und erklären
- Tools/Funktionen definieren, die ein Agent zuverlässig aufruft
- Mehrere Agenten als Team orchestrieren (Rollen, Übergaben, Review)
- Agenten verlässlich machen: Verifikation, Grenzen, menschliche Kontrolle
- Einen realen mehrstufigen Ablauf mit Claude Code automatisieren
Das Curriculum
19 Lektionen · Schritt für Schritt
- 01
Agent ≠ Chatbot — der Loop, der den Unterschied macht
10′Ein Chatbot antwortet. Ein Agent plant, handelt mit Tools, beobachtet das Ergebnis — und macht weiter.
- 02
Tools & Funktionen — wie ein Agent die Welt berührt
11′Ein Agent ist nur so stark wie seine Werkzeuge. Gute Tool-Definitionen sind die halbe Miete.
- 03
Vom Agenten zum Team — Orchestrierung & Review-Schleifen
11′Schwere Aufgaben löst man nicht mit einem Riesen-Agenten, sondern mit einem Team aus spezialisierten Rollen.
- 04
Verlässliche Agenten & echte Automation
10′Agenten halluzinieren und irren. Verifikation, Grenzen und menschliche Kontrollpunkte machen sie produktiv.
- 05
Agenten im Unternehmen — von der Aufgabe zur Transformation
12′Der größte Hebel ist nicht ein cleverer Agent, sondern ein neu gedachter Prozess — und Menschen, die ihn steuern.
- 06
Wenn der Agent irrt — Fehler diagnostizieren und fixen
11′Agenten irren auf wenige, wiederkehrende Weisen. Wer die vier Fehlerklassen benennt, fixt sie schnell.
- 07
Gedächtnis & RAG — Agenten, die deinen Kontext kennen
12′Ein Modell weiß nichts über DEINE Daten — bis du sie ihm zur Laufzeit gibst.
- 08
Evals — woher weißt du, dass es gut ist?
11′Ohne Messung ist „der Agent funktioniert“ nur ein Gefühl. Evals machen Qualität sichtbar.
- 09
Multi-Agent-Muster — wie man Teams verdrahtet
11′Vier wiederkehrende Bauformen, aus denen fast jeder Agenten-Workflow besteht.
- 10
Prompt-Injection & Agenten-Sicherheit
11′Sobald ein Agent fremde Inhalte liest und Tools nutzt, wird die Eingabe zur Angriffsfläche.
- 11
Planung & ReAct — denken und handeln im Loop
11′Ein guter Agent springt nicht sofort zum Tool — er denkt einen Schritt, handelt, beobachtet und denkt weiter.
- 12
Beobachtbarkeit & Tracing — den Agenten sichtbar machen
11′Was du nicht sehen kannst, kannst du nicht debuggen. Ein Trace macht jeden Schritt des Agenten nachvollziehbar.
- 13
Agent-Frameworks & MCP — die Werkzeuglandschaft
11′Du musst den Agent-Loop nicht jedes Mal neu erfinden. Frameworks und MCP geben dir Bausteine — wähle bewusst.
- 14
Deployment & Betrieb — Agenten zuverlässig live betreiben
11′Ein Agent im Notebook ist ein Prototyp. Live, mit echten Nutzern und echten Aktionen, gelten andere Regeln.
- 15
Gedächtnis-Architekturen — wie ein Agent sich Dinge merkt
12′Kontext ist flüchtig. Ein Agent, der über einen Lauf hinaus etwas behalten soll, braucht ein bewusst entworfenes Gedächtnis.
- 16
Tool-Design-Patterns — eine Tool-Bibliothek bauen, die hält
12′Einzelne gute Tools hast du schon kennengelernt. Hier geht es um die Bibliothek: ein Satz Tools, der robust, fehlertolerant und sicher wiederholbar ist.
- 17
Computer-Use & Browser-Agenten — den Bildschirm bedienen
11′Die meiste Software hat keine API. Computer-Use-Agenten bedienen sie wie ein Mensch: Bildschirm per Screenshot sehen, per Maus und Tastatur handeln. Mächtig — und mit großer Schadensfläche.
- 18
Wann KEIN Agent — der einfachere, billigere Weg
11′Die reifste Entscheidung ist oft, gar keinen Agenten zu bauen. Eine feste Pipeline ist häufig schneller, günstiger und verlässlicher.
- 19
Kosten & Latenz im Griff
10′Ein Agent, der zu teuer oder zu langsam ist, kommt nie in Produktion.
Was du baust
Echte Artefakte, keine Theorie
Einen mehrstufigen Ablauf mit Claude Code lösen
Ergebnis: Kurze Notiz: Welche Schritte hat der Agent gemacht, wo hat er auf ein Ergebnis reagiert/nachgebessert — und wo hättest du eingegriffen?
Ein eigenes Tool für einen Agenten definieren
Ergebnis: Die Tool-Definition (Schema) + 2-3 Sätze, warum die Beschreibung präzise genug für zuverlässige Aufrufe ist.
Ein Mini-Agenten-Team skizzieren
Ergebnis: Dein Team-Entwurf: Rollen, Übergaben, Review-Punkt, Grenzen und der menschliche Kontrollpunkt.
Einen fehlerhaften Agenten diagnostizieren & fixen
Ergebnis: Die Zuordnung zur Fehlerklasse + der Ursachen-Fix (Schema/Beschreibung) + die eingezogene Schutzmaßnahme.
Capstone: Agenten-Team baut & deployt ein Mini-Feature
Ergebnis: Beschreibung des Team-Designs (Rollen/Übergaben/Review/Grenzen) + die Eval-Suite + das gebaute Feature (Repo/Diff) + dein Befund zu Kosten/Latenz & Injection-Risiko.
Belege & Quellen
Jede Aussage ist belegt — echte, geprüfte Quellen statt Behauptungen.
Reinschnuppern
Gratis-VorschauGO vs. NO-GO — ein echtes Beispiel aus dem Track.
Wie der Track läuft
Mit Nova als Mentor
Dein KI-Mentor erklärt jedes Konzept, gibt dir fertige Claude-Code-Prompts und hilft bei jeder Frage.
Geprüftes Siegel
Erkläre Nova an einem konkreten Ablauf, wie du ihn mit einem Agenten oder Agenten-Team automatisieren würdest. Beschreibe den Loop (Plan → Handeln → Beobachten), welche Tools der Agent braucht, wo eine Review-Schleife sitzt, welche harten Grenzen du setzt und an welcher Stelle ein Mensch bestätigen muss. Was würde ohne diese Struktur schiefgehen?
In deinem Tempo
Rund 218 Minuten Kerninhalt — plus deine eigenen Projekte. Jederzeit pausierbar.
Fehler, die du vermeidest
- Den Agenten wie einen Chatbot behandeln (perfekte Frage) statt Ziel + Tools + Grenzen zu geben.
- Vage Tool-Beschreibungen → falsche/zufällige Aufrufe.
- Einen Alleskönner-Agenten bauen statt Aufgabe auf spezialisierte Rollen zu zerlegen.
- Keine Review-Schleife — Ergebnisse blind durchreichen.
- Keine Grenzen (Schritte/Tools/Budget) — der Agent verrennt sich oder eskaliert Kosten.
- Unwiderrufliche Aktionen vollautomatisch ohne menschlichen Kontrollpunkt.
Bereit für azena agents?
250 Token · 19 Lektionen · von der KI geprüft.