Schritt 1 von 9
Einführung
Was passiert wirklich, wenn ein KI-Agent denkt, entscheidet und handelt?
Du kennst die sechs Dimensionen eines KI-Agenten – Gedächtnis, Rolle, Tools, Autonomie, Multi-Agent, Governance. Diese Lesson geht eine Ebene tiefer: Was steckt technisch dahinter?
Du solltest verstehen, warum bestimmte Designentscheidungen teurer, langsamer oder fragiler sind als andere – auch ohne selbst eine Zeile Code schreiben zu müssen.
Die Architektur im Überblick
Agent-Architektur (vereinfacht)
💬 Nutzer-Anfrage
↓
📋 Context Window
System Prompt + Gedächtnis + Anfrage + Tool-Ergebnisse
↓
🧠 LLM — das Sprachmodell
Denkt, plant, entscheidet ob ein Tool gerufen wird
↕
🔌 Tool Calls
Suche, Datenbankabfragen, API-Aufrufe, Schreib-Aktionen
↕
🗄️ RAG / Wissensspeicher
Vektor-Datenbank, Dokumente, Organisations-WissenDieses Diagramm ist der rote Faden durch die gesamte Lesson. Jeder Step erklärt eine dieser Schichten.
Was du in dieser Lesson lernst
| Konzept | Warum das wichtig ist |
|---|---|
| System Prompt | Qualität, Konsistenz und Kosten eines Agenten hängen hier dran |
| Context Window & Token | Direkte Auswirkung auf Kosten und Antwortqualität |
| RAG | Wie Agenten skalierbar auf Wissen zugreifen – ohne alles "zu wissen" |
| Tool Calls | Wie der Agent von Reden zu Handeln kommt – und wo Fehler entstehen |
| Agentic Loop | Wie mehrstufiges Denken funktioniert – und was es kostet |
| Evaluation | Wie man misst ob ein Agent wirklich funktioniert |
💡
Voraussetzung: Diese Lesson baut auf der Einsteiger-Lesson KI-Agenten verstehen auf. Wenn du die 6 Dimensionen noch nicht kennst, empfehlen wir diese zuerst.
