1
LLM
Die Reasoning Engine
Intuition für Transformer & Attention, Latent Space, Scaling Laws, Non-Determinismus, System- vs. User-Prompts.
OST – Ostschweizer Fachhochschule · Weiterbildung
Generative AI &
Agentische Systeme
Vom Prompt zum produktionsreifen Agenten – in zwei kompakten Tagen.
Ein praxisorientierter Intensivkurs für Software-Entwickler:innen, IT-Architekt:innen, Data Scientists, ML-Engineers und technische Projektleiter:innen, die agentische Systeme nicht nur verstehen, sondern bauen und betreiben wollen.
2 Tage · 16 Lektionen8 Module · 4 SäulenHands-on · Code first
Übersicht
Warum dieser Kurs – warum jetzt?
Agentische KI ist der nächste grosse Schritt nach dem Chatbot-Zeitalter. Systeme, die planen, Werkzeuge nutzen, sich erinnern und reflektieren, verändern bereits heute, wie Software gebaut, Wissen erschlossen und Geschäftsprozesse automatisiert werden.
Wer heute LLM-APIs nur als Text-Generatoren nutzt, schöpft einen Bruchteil ihres Potenzials aus. Der entscheidende Hebel liegt in der Architektur drumherum: Wie verbindet man Modelle mit Tools, gibt ihnen ein verlässliches Gedächtnis, lässt sie planen und reflektieren – und betreibt das Ganze sicher, evaluierbar und kostenbewusst im Produktivbetrieb?
Genau hier setzt dieser Kurs an. Wir verzichten bewusst auf akademische Deep-Learning-Theorie und konzentrieren uns auf das, was Sie wirklich brauchen: Systemarchitektur, sauberen Code und Best Practices aus aktuellen Enterprise-KI-Deployments.
Nach zwei Tagen verstehen Sie nicht nur, wie ein Agent funktioniert – Sie haben einen selbst gebaut, evaluiert und produktionsreif gemacht.
Ihr Nutzen
Architektonische Klarheit
Sie treffen begründete Entscheidungen statt Tools blind in einen ReAct-Loop zu werfen – und wissen, wann Single-Agent reicht und wann Multi-Agent sinnvoll ist.
Sofort einsetzbarer Code
Alle Hands-on-Module liefern produktionsnahe Notebooks mit Function Calling, MCP, Hybrid-Search-RAG, LangGraph-Topologien und Eval-Harness.
Produktionsreife & Sicherheit
Sie lernen, agentische Systeme entlang der OWASP Top 10 für LLM Apps zu härten und mit LLM-as-a-Judge systematisch zu evaluieren.
Strategischer Wettbewerbsvorteil
Sie werden zur Ansprechperson für agentische KI im eigenen Team – und können Use-Cases von der Idee bis zum stabilen Betrieb begleiten.
Der rote Faden
Die vier Säulen agentischer Systeme
„Ein Agent ist mehr als ein Chatbot.“ Wir betrachten und bauen Systeme entlang dieser vier Bausteine – jeder bekommt sein eigenes Modul, am Ende werden sie zu einem funktionierenden System vereint.
2
Tool Use
Die Hände des Agenten
Function Calling, Structured Outputs mit pydantic / instructor, Model Context Protocol (MCP) als neuer Industrie-Standard.
3
Memory
Das Gedächtnis
Context Engineering, Token Budgeting, Prefix Caching, Rolling Summarization, Vektor-DBs und Production-RAG.
4
Planning
Die Autonomie
Task Decomposition, Plan-and-Execute vs. ReAct, Self-Reflection, Multi-Agent-Orchestrierung mit LangGraph.
Für wen ist dieser Kurs gedacht?
Der Kurs richtet sich an alle, die im Alltag mit gehosteten LLMs und APIs arbeiten und produktionsnahe agentische Systeme entwerfen oder betreiben wollen.
- Software-Entwickler:innen
- IT-Architekt:innen
- Data Scientists
- ML-Engineers
- Technische Projektleiter:innen
Voraussetzungen
- Solides Python-Grundwissen (Funktionen, Klassen, Pakete, async)
- Erste Erfahrungen mit Jupyter-Notebooks, REST-APIs und JSON
- Grundverständnis moderner LLM-Schnittstellen (OpenAI, Anthropic oder Open-Source)
- Eigener Laptop mit Python ≥ 3.10, Git, VS Code/Jupyter, optional Docker
Optionales Pre-Read: Wer die mathematischen Grundlagen von Transformern, Attention und Tokenisierung nachholen möchte, erhält vor Kursbeginn ein kompaktes Pre-Read-Paket (PDF + Notebooks).
Programm
Zwei Tage, acht Module, ein klarer Bogen
Jedes Modul folgt dem gleichen Rhythmus: kurze Architektur-Diskussion, Live-Demo, ausgedehnter Hands-on-Teil im Notebook und gemeinsame Reflexion.
Tag 1
Das Fundament
LLMs, Tools & Long-Term Memory
Modul 1 Säule 1
LLMs als „Reasoning Engine“
- Intuition für Transformer & Attention – ohne Mathematik
- Latent Space, Scaling Laws, Non-Determinismus
- System- vs. User-Prompts in der Praxis
Modul 2 Säule 2 Hands-on
Tool Use, Structured Outputs & MCP
- Function Calling & Structured Outputs (pydantic / instructor)
- Model Context Protocol (MCP) als neuer Standard
- Hands-on: eigener arXiv-MCP-Server, Anbindung an Claude
Modul 3 Säule 3a
Context Engineering & Memory Management
- Token Budgeting als Kern-Architekturentscheidung
- Prefix Caching & Rolling Summarization
- Embeddings und Vektor-DBs (Qdrant, Pinecone)
Modul 4 Memory Hands-on
Advanced RAG in Production
- Hybrid Search (BM25 + Vektor) und Re-Ranking
- RAG als abrufbares Tool für das LLM
- Hands-on: produktionsreife RAG-Pipeline · Ausblick GraphRAG
Tag 2
Autonomie
Planning, State & Multi-Agent Orchestration
Modul 5 Säule 4
Planning, Reasoning & Reflection
- Task Decomposition – wie KI Probleme zerlegt
- Plan-and-Execute vs. Adaptive Planning / ReAct
- Self-Reflection & Self-Correction gegen Endlosschleifen
Modul 6 Integration Hands-on
Single Agent Build
- Alle 4 Säulen in einem Loop vereint
- Bau eines autonomen „Research-Agenten“
- Web-Suche + RAG aus Tag 1 + Planning / Reflection
Modul 7 Säule 3b
Multi-Agent Teams & State Management
- „Single-Agent First“ – Premature Complexity vermeiden
- LangGraph-Topologien: Sequential, Concurrent, Debate
- Global State, Checkpointing, Human-in-the-Loop
Modul 8 AgentOps Hands-on
Automatisierte Evaluation & Security
- Eval Harness entlang 4 Metrik-Quadranten
- LLM-as-a-Judge, Context Drift in Long-Running Sessions
- OWASP Top 10 für LLM/Agentic Apps, Prompt Injection
Was Sie am Ende können
01
Die vier Säulen eines agentischen Systems sauber abgrenzen und architektonisch kombinieren
02
Eigene Tool-Anbindungen mit Function Calling, Structured Outputs und MCP entwerfen und implementieren
03
Context Engineering bewusst betreiben – Kosten und Latenz unter Kontrolle halten
04
Produktionsreife RAG-Pipelines mit Hybrid Search und Re-Ranking aufbauen
05
Begründet zwischen Plan-and-Execute und ReAct wählen und Self-Reflection integrieren
06
Multi-Agent-Topologien mit LangGraph modellieren und Premature Complexity vermeiden
07
Agenten systematisch evaluieren und nach OWASP-Top-10-Standards härten
Dozenten
Erfahrung aus Lehre und Industrie
Christoph Würsch
Prof. für Physik, Mathematik und Machine Learning
OST – Ostschweizer Fachhochschule
Verbindet wissenschaftliche Tiefe mit langjähriger Praxis in industriellen ML-Projekten und KI-gestützter Systementwicklung.
Shao Jü Woo
Dozent für Data Analytics und Machine Learning
OST – Ostschweizer Fachhochschule
Fokussiert auf praxisnahe Datenarchitekturen, LLM-gestützte Anwendungen und produktionsnahe ML-Engineering-Workflows.
Was Sie mitnehmen
Slidesets aller 8 Module
Im PDF/Beamer-Format – inklusive Diagrammen, Architektur-Skizzen und Quellen.
Ausführliches Kursskript
Deutschsprachig im Lehrbuch-Stil, mit Modul-Mapping zu den 4 Säulen.
Jupyter-Notebooks mit Lösungen
MCP-Lab, RAG-Lab, Single-Agent-Build, AgentOps-Lab – jeweils mit Coach-Lösungen.
Code-Repository
Konfigurationen für lokale und Cloud-LLMs, MCP-Server-Templates, LangGraph-Beispiele.
Optionales Pre-Read
Transformer-Mathematik, Attention, Tokenisierung als PDF + Notebooks.
Kuratierte Literaturliste
Industrie- und Community-Quellen, die den Enterprise-Agentik-Fokus prägen.
Anmeldung
Investieren Sie in Ihre KI-Kompetenz
Limitierte Teilnehmerzahl, um eine intensive Betreuung in den Hands-on-Phasen zu gewährleisten.
Fragen zum Kurs?
Schreiben Sie uns – wir beantworten gerne Ihre Fragen zur Eignung, zu Inhalten oder zu firmeninternen Durchführungen.
christoph.wuersch@ost.ch