Seminar KI-Agenten mit Python – Tool Calling und Agentenlogik

Beschreibung

Das Seminar macht die Mechanik eines KI-Agenten im Anwendungscode nachvollziehbar. Ausgehend von einer vorbereiteten Python-Umgebung entsteht ein Agent, der Informationen abfragt, strukturierte Zwischenergebnisse erzeugt und daraus einen Bearbeitungsvorschlag ableitet. Ein austauschbarer Modelladapter verhindert, dass die gesamte Fachlogik von einer einzelnen Anbieterschnittstelle abhängt.

Werkzeuge werden als klar begrenzte Funktionen implementiert. Das Modell schlägt Werkzeugaufrufe vor; Python-Code prüft Name, Parameter, Berechtigungen und Ausführungsbudget. Erst danach wird eine Aktion durchgeführt. Zum Projekt gehören bewusst auch ungültige Modellantworten, Netzwerkausfälle und wiederholte Anfragen. Die Übungen arbeiten mit synthetischen Daten und einem Testdienst, sodass Fehlerfälle reproduzierbar untersucht werden können.

Das Beispielprojekt verarbeitet synthetische Servicevorgänge und greift auf einen kleinen Statusdienst zu. Zunächst werden nur Informationen gelesen. Danach entsteht ein strukturierter Änderungsvorschlag, dessen Felder fachlich geprüft werden können. Erst eine passende Freigabe ermöglicht die Änderung im Testdienst. Diese schrittweise Erweiterung hält die Agentenmechanik verständlich und liefert getrennt prüfbare Bausteine. Derselbe Fall wird mit vorbereiteten und echten Modellantworten ausgeführt, sodass die nicht deterministischen Anteile der Anwendung erkennbar bleiben.

Seminarziele

• Eine begrenzte Agentenschleife verständlich implementieren.
• Werkzeugaufrufe und strukturierte Ausgaben gegen Schemata validieren.
• Modellzugriff, Fachlogik und Aktionsausführung getrennt testen.
• Schreibende Aktionen mit geprüfter Identität und Freigabe verbinden.

Seminarinhalte

• Projekt und Modelladapter
• Tool Calling implementieren
• Agentenlogik und Ausgaben
• Kontrollierte Aktionen
• Tests und Fehlerdiagnose

Projekt und Modelladapter

• Virtuelle Umgebung, Abhängigkeiten und Konfiguration reproduzierbar vorbereiten.
• Nachrichten, Modellantworten und Werkzeugdefinitionen im Adapter vereinheitlichen.
• Geheimnisse über geeignete Konfiguration laden und aus Protokollen entfernen.

Tool Calling implementieren

• Lesende Python-Funktionen mit eindeutigen Parametern und Ergebnissen definieren.
• Werkzeugnamen zulassen, Argumente validieren und unbekannte Aufrufe ablehnen.
• Werkzeugergebnisse dem Modell zuordnen und Fehler strukturiert zurückgeben.

Agentenlogik und Ausgaben

• Verarbeitungsschleife mit Iterations-, Zeit- und Kostenbudget bauen.
• Strukturierte Modellausgaben getrennt von Werkzeugaufrufen verarbeiten.
• Fachliche Plausibilität zusätzlich zur syntaktischen Schemagültigkeit prüfen.

Kontrollierte Aktionen

• Änderungen zunächst als prüfbaren Vorschlag mit stabiler Kennung ausgeben.
• Freigabe, Identität und unveränderte Parameter unmittelbar vor Ausführung prüfen.
• Wiederholte Anfragen mit Idempotenzschlüsseln gegen Doppeländerungen absichern.

Tests und Fehlerdiagnose

• Werkzeuge isoliert testen und Modellantworten für Tests ersetzen.
• Timeouts, fehlende Felder und unzulässige Aktionen gezielt einspeisen.
• Ausgewählte echte Modellläufe mit einem festen Aufgabensatz vergleichen.

Praxisübungen

1. Einen Modelladapter anbinden und einen ersten rein lesenden Lauf mit protokolliertem Werkzeugaufruf ausführen.
2. Informations- und Statuswerkzeuge implementieren und ungültige Argumente kontrolliert zurückweisen.
3. Eine Bearbeitungsschleife mit festem Budget, strukturiertem Ergebnis und definiertem Abbruch aufbauen.
4. Eine Änderungsaktion über Vorschlag, Freigabe und idempotente Ausführung in einem Testdienst ergänzen.
5. Fehlerfälle automatisiert prüfen und Unterschiede zwischen Werkzeugfehler, Modellfehler und fachlichem Fehler auswerten.

Arbeitsumgebung

Vorbereitete Entwicklungs-VM mit Python, Editor, Git, Testwerkzeugen und einer Beispiel-API. Ein freigegebener Modellendpunkt mit geprüfter Tool-Calling-Unterstützung wird für die Übungen verwendet.