Seminar Agentic AI Engineering – Context Engineering, RAG und Memory

Dieses Seminar zeigt, wie Agenten zur richtigen Zeit den passenden Kontext erhalten, ohne Prompt, Kosten und Angriffsfläche unnötig zu vergrößern. Kurzzeitstatus, Langzeitgedächtnis, Retrieval, Kompression und kontextabhängige Tool-Auswahl werden gemeinsam entworfen. Die Teilnehmenden können Kontextquellen priorisieren, Speicherstrategien implementieren und die Qualität durch messbare Retrieval- und Antworttests statt durch Prompt-Tuning nach Gefühl verbessern.

Einordnung und Nutzen

Agentische Systeme verbinden probabilistische Modellentscheidungen mit deterministischen Softwarekomponenten. Deshalb behandelt das Seminar Architektur, Implementierung, Sicherheitsgrenzen und überprüfbare Qualität gemeinsam. Technische Entscheidungen werden an realistischen Fehlerszenarien und nicht nur am erfolgreichen Idealablauf bewertet.

Zielgruppe

AI Engineers, Data Engineers, Such- und Plattformteams sowie Entwickler wissensintensiver Assistenzsysteme.

Voraussetzungen

Python oder eine vergleichbare Sprache, Grundlagen von Embeddings und Vektorsuche sowie erste Erfahrung mit LLM-Anwendungen.

Seminarinhalte

• Kontextfenster als begrenztes Budget planen und überwachen
• Systemregeln, Aufgabenstatus, Nutzerprofil und Fachwissen trennen
• Chunking, Metadaten, Filter, hybride Suche und Reranking
• Agentic Retrieval mit Suchplanung und iterativer Evidenzprüfung
• Kurzzeit-, episodisches, semantisches und prozedurales Memory
• Zusammenfassung, Kompression, Forgetting und Konfliktauflösung
• Mandantentrennung, Datenschutz und Schutz vor vergiftetem Kontext
• Groundedness, Recall, Precision und nutzerbezogene Qualität testen
• Kosten, Latenz und Aktualität im Retrievalpfad optimieren

Praxisprojekt

Die Teilnehmenden bauen einen wissensgestützten Agenten mit hybrider Suche, sitzungsübergreifendem Memory und automatisierten Testfällen für Quellenabdeckung, Kontextleckagen und widersprüchliche Informationen.

Lernziele

Die Teilnehmenden können Kontextquellen priorisieren, Speicherstrategien implementieren und die Qualität durch messbare Retrieval- und Antworttests statt durch Prompt-Tuning nach Gefühl verbessern. Außerdem können die Teilnehmenden Architekturentscheidungen begründen, typische Fehlerbilder diagnostizieren und geeignete Tests sowie Kontrollpunkte für den eigenen Einsatzkontext festlegen.

Arbeitsweise

Kurze Theorieblöcke wechseln mit Demonstrationen, Entwurfsaufgaben und Übungen am System. Zwischenergebnisse werden gemeinsam überprüft; Alternativen, Grenzen und betriebliche Auswirkungen werden transparent diskutiert. Das Praxisprojekt verbindet die Einzelthemen zu einer konsistenten Lösung.