AI Agent Engineer (IHK)

Grundlagen Agentic AI und technische Systemperspektive
- Einordnung generativer KI, LLMs und multimodaler Modelle im Agenten-Kontext
- Was einen KI-Agenten technisch ausmacht: Ziele, Zustand, Werkzeuge, Planung und Ausführung Konzept AI Agent Engineer
- Abgrenzung: Prompt, Assistenzsystem, Workflow-Automation und autonomer Agent
- Überblick über Plattformen, Frameworks und typische Einsatzszenarien
- Typische Risiken: Prompt Injection, Tool-Missbrauch, Datenabfluss, Shadow AI und Over Automation
- DSGVO-relevante Datenflüsse, Rollen, Auftragsverarbeitung und Protokollierung
- EU AI Act im Überblick: Risikoperspektive, Transparenz, Dokumentation und Governance
- Technische und organisatorische Schutzmaßnahmen für Agentenlösungen

Prompting, Instructions und Steuerungslogik für Agenten
- Systematische Formulierung von Rollen, Zielen, Constraints, Outputformaten und Abbruchkriterien
- Prompt- und Instruction-Design für Tool-Nutzung, mehrstufige Aufgaben und kontrollierte Autonomie
- Guardrails, Validierungsregeln und strukturierte Ausgaben mit JSON-Schemata
- Aufbau einer wiederverwendbaren Prompt- und Instruction-Bibliothek

Agentenarchitekturen und Design Patterns
- Architekturmuster: ReAct, Plan-and-Execute, Router, Evaluator, Supervisor und Multi-Agenten Ansätze
- Rollen von System Prompt, Tool Schema, Memory, Kontextfenster und Ausführungslogik
- Entscheidungskriterien für Single-Agent-, Workflow- und Multi-Agenten-Setups
- Skizzieren einer belastbaren Zielarchitektur für einen eigenen Use Case

Daten, Wissen und Retrieval-Augmented Generation
- Grundlagen von Embeddings, Vektorsuche, Chunking, Metadaten und Kontextaufbereitung
- Aufbau einfacher Wissensbasen für Agenten mit Dokumenten und strukturierten Daten
- Qualitätsfaktoren für Retrieval: Quellenbezug, Aktualität, Relevanz und Halluzinationsreduktion
- Praktische Anbindung einer Wissensquelle an den Agentenprototyp

Tool- und API-Integration
- Funktion und Aufbau von Tools, Actions, API-Calls und Schnittstellen in Agentensystemen
- Arbeiten mit Parametern, Authentifizierung, Fehlerantworten und Datenformaten
- Sichere Integration externer Dienste und interner Systeme
- Praktische Umsetzung einer Tool-Anbindung im eigenen Workflow

Workflow-Orchestrierung I: Von der Aufgabe zum Ablauf
- Prozessaufnahme: Trigger, Schritte, Daten, Rollen, Übergaben und Entscheidungspunkte
- Übersetzung eines Use Cases in einen agententauglichen Soll-Ablauf
- Orchestrierung mit Low-Code-/No-Code-Werkzeugen und technischen Frameworks
- Definition von Kontrollpunkten, Zuständen und Eskalationslogik

Workflow-Orchestrierung II: Komplexe Agentenabläufe
- Verkettung von Prompts, Tools, Datenabfragen und Entscheidungen
- Routing, Schleifen, Verzweigungen, Retry-Mechanismen und Fallbacks
- Koordination mehrerer spezialisierter Agenten oder Subflows
- Stabilisierung eines mehrstufigen Workflows im Praxisbeispiel

Entwicklung eines Agentenprototyps I: Grundgerüst
- Einrichtung der Arbeitsumgebung und Auswahl geeigneter Werkzeuge
- Aufbau eines lauffähigen Agentengrundgerüsts mit Trigger, Zieldefinition und erster Aktion
- Strukturierung von Inputs, Outputs und Zwischenergebnissen
- Dokumentation der Architekturentscheidungen im Projektkontext

Entwicklung eines Agentenprototyps II: Daten und Tools
- Erweiterung des Agenten um Wissensquellen, Dateien, Tabellen oder Datenbanken
- Einbindung externer Tools, APIs oder Automatisierungsschritte
- Umgang mit Berechtigungen, Datenminimierung und Zugriffskontrolle
- Praxistransfer auf das eigene Abschlussprojekt

Testing, Evaluation und Qualitätsmanagement
- Testdesign für Agenten: Testfälle, Referenzergebnisse, Edge Cases und Regressionstests
- Bewertung von Genauigkeit, Vollständigkeit, Robustheit, Kosten und Latenz
- Debugging von Agentenabläufen, Prompt-Versionierung und systematische Iteration
- Aufbau eines einfachen Evaluationsrasters für den eigenen Agenten

Human-in-the-Loop, Governance und Verantwortlichkeiten
- Sinnvolle Kontrollpunkte, Freigaben und Eskalationen in Agenten-Workflows
- Definition von Rollen: Owner, Betreiber, Fachverantwortliche, Datenschutz und IT-Security
- Transparenz, Nachvollziehbarkeit und Dokumentation von Agentenentscheidungen
- Betriebs- und Governance-Modell für den eigenen Use Case

Deployment, Monitoring und Operationalisierung
- Überführung vom Prototyp in einen geregelten Betrieb
- Monitoring von Qualität, Fehlern, Nutzungsverhalten, Kosten und Modelländerungen
- Wartung, Versionierung, Incident Handling und kontinuierliche Verbesserung
- Erstellung eines Betriebsplans für den eigenen Agenten

Praxisprojekt-Werkstatt und technische Review
- Weiterentwicklung des eigenen Agentenprototyps mit Fokus auf Architektur, Qualität und Betrieb
- Peer Review und fachliche Rückmeldung zu Use Case, Daten, Tools und Risiken
- Vorbereitung der Projektdokumentation und Präsentation
- Finalisierung von Testfällen, Governance- und Betriebsüberlegungen

Abschlussprojekt: Präsentation und Fachgespräch
- Präsentation und Pitch des eigenen AI-Agent-Engineering-Projekts
- Vorstellung von Zielbild, Architektur, Umsetzung, Evaluation und Betriebskonzept
- Fachgespräch zu technischen Entscheidungen, Risiken und Weiterentwicklung
- Reflexion der Lernergebnisse und Transfer in den eigenen Arbeitskontext

Technische Voraussetzungen

- Sicherer Umgang mit dem Computer, Webanwendungen, Cloud-Tools und gängigen Büro- bzw. Kollaborationsanwendungen.
- Verlässlicher Internetzugang sowie ein eigener Arbeitsplatzrechner mit Kamera und Mikrofon für die Live-Termine.
- Zugang zu leistungsfähigen KI-Modellen und geeigneten Agenten-, Automatisierungs- oder Entwicklungswerkzeugen während des Lehrgangs, z. B. ChatGPT, Microsoft Copilot, Copilot Studio, n8n, Flowise, LangChain/LangGraph oder vergleichbare Plattformen.
- Grundverständnis technischer Zusammenhänge ist erforderlich, Programmierkenntnisse in Python oder JavaScript sind hilfreich, aber nicht zwingend. Technische Übungen können je nach Lernumgebung auch mit Low-Code-Ansätzen umgesetzt werden.




Abschlussbeschreibung
Den Abschluss bildet ein eigenständiges Praxisprojekt, in dem die Teilnehmenden einen KI-Agenten für einen realistischen Arbeits- oder Unternehmenskontext entwerfen, prototypisch umsetzen, evaluieren und ein Betriebskonzept erstellen.
Das Abschlussprojekt wird im letzten Termin präsentiert und fachlich reflektiert.

Technische Voraussetzungen
- Sicherer Umgang mit dem Computer, Webanwendungen, Cloud-Tools und gängigen Büro- bzw. Kollaborationsanwendungen
- Verlässlicher Internetzugang sowie ein eigener Arbeitsplatzrechner mit Kamera und Mikrofon für die Live-Termine
- Zugang zu leistungsfähigen KI-Modellen und geeigneten Agenten-, Automatisierungs- oder Entwicklungswerkzeugen während des Lehrgangs, z. B. ChatGPT, Microsoft Copilot, Copilot Studio, n8n, Flowise, LangChain/LangGraph oder vergleichbare Plattformen
- Grundverständnis technischer Zusammenhänge ist erforderlich
- Programmierkenntnisse in Python oder JavaScript sind hilfreich, aber nicht zwingend
- echnische Übungen können je nach Lernumgebung auch mit Low-Code-Ansätzen umgesetzt werden

Ablauf
Dieser Zertifikatslehrgang wird vollständig online durchgeführt – einschließlich des lehrgangsinternen Abschlusstests, der ebenfalls online abgelegt wird.
Für einen erfolgreichen Abschluss empfehlen wir, an allen Veranstaltungen live online teilzunehmen.
Voraussetzung für den Erhalt des Zertifikats ist eine Anwesenheit von mindestens 80 Prozent sowie das Bestehen des Abschlusstests.

56 Stunden

IHK-Zertifikat / AI Agent Engineer (IHK)

Fachkräfte, Entwickler, technische Projektrollen und fortgeschrittene KI Anwender, die KI-Agenten entwickeln, integrieren und betreiben möchten

6228_271_02