LangGraph-Training: KI-Agenten-Workflows bauen

Architektur und Projektsetup

• LangGraph-Laufzeitmodell und State Graphs
• Typisierter State mit Reducern
• Projektstruktur für Agenten-Anwendungen
• Sichere Konfiguration für Modellzugriffe

KI-Agenten-Workflows modellieren

• Nodes für fachliche Arbeitsschritte
• Edges für bedingte Kontrollflüsse
• Loops mit klaren Abbruchregeln
• Subgraphs für wiederverwendbare Abläufe

Tool Calling und Datenanbindung

• Tool-Schemas für validierte Eingaben
• Recherche-Agent mit strukturierter Ablage
• Datenanalyse-Agent mit Python-Auswertung
• Support-Agent mit Ticket-Kontext

Memory, Checkpointing und Human Approval

• Conversation State über mehrere Schritte
• Persistente Checkpoints zur Wiederaufnahme
• Human-in-the-Loop für Freigaben
• Review-Knoten für riskante Aktionen

Multi-Agent-Systeme mit LangGraph

• Supervisor-Pattern für Agenten-Routing
• Rollenmodelle für spezialisierte Agenten
• Übergaben zwischen Agenten-Nodes
• Entscheidungsknoten für Konfliktfälle

Stabilisierung und Qualitätssicherung

• Retry-Regeln für Tool-Fehler
• Tracing einzelner Graph-Runs
• Run-Metadaten für Observability
• Fachliche Testfälle für Evaluierung

Betrieb und Deployment

• FastAPI-Service im Container
• Secrets und Endpunkte konfigurieren
• Grenzen produktiver Agenten-Aktionen
• Übergabecheckliste für den Service-Betrieb

• Sichere Python-Kenntnisse und Erfahrung mit APIs
• Grundverständnis von LLMs, Prompting und JSON-Datenstrukturen
• Erfahrung mit virtuellen Python-Umgebungen, Paketverwaltung und Debugging
• Optional zur Vorbereitung: Python Aufbaukurs

• Python-Entwicklerinnen und Python-Entwickler mit LLM-Erfahrung
• Software-Architektinnen und Software-Architekten für KI-Automatisierung
• Data-Scientistinnen und Data-Scientists mit Agenten-Prototypen
• DevOps-Engineerinnen und DevOps-Engineers im KI-Service-Betrieb
• AI-Engineerinnen und AI-Engineers für LangGraph-Workflows