Python-Optimierungskurs für Agentic AI

Lektion 1 • Objektorientierte Muster für Agenten

Wenden Sie Klassen, Vererbung und Komposition zur Modellierung von Agentenkomponenten an. Vermittelt das strukturelle Vokabular, das im gesamten Kurs verwendet wird.

Lektion 2 • Einrichtung und Werkzeuge der Python-Umgebung

Konfigurieren Sie reproduzierbare Python-Umgebungen mit virtuellen Umgebungen und Abhängigkeitsmanagern. Schafft die konsistente Arbeitsumgebung, von der alle nachfolgenden Kapitel abhängen.

Lektion 3 • Fehlerbehandlung und Protokollierungspraktiken

Implementieren Sie strukturierte Ausnahmeklassenhierarchien und strukturierte Protokollierung. Zuverlässige Fehlerbehandlung ist entscheidend für lang laufende autonome Agenten.

Lektion 4 • Rückblick auf grundlegende Python-Datenstrukturen

Betrachten Sie Listen, Dicts, Sets und Tupel erneut mit Schwerpunkt auf Leistungskompromissen. Unterstützt direkt die effiziente Zustandsverwaltung innerhalb von Agenten.

Lektion 1 • Asynchrone Warteschlangen und Erzeuger-Verbraucher-Agenten

Verwenden Sie asyncio-Warteschlangen, um Agentenerzeuger von Verbrauchern zu entkoppeln. Modelliert mehrstufige Agenten-Pipelines mit Gegendruckkontrolle.

Lektion 2 • Synchrone vs. asynchrone Ausführung

Vergleichen Sie blockierende und nicht blockierende Ausführungsmodelle mit konkreten Benchmarks. Schafft die Motivation für die Einführung asynchroner Muster in Agentensystemen.

Lektion 3 • Verwalten von Tasks und Gather-Mustern

Planen Sie mehrere Coroutinen mit asyncio-Tasks und Gather. Ermöglicht es Agenten, Werkzeugaufrufe aufzufächern und Ergebnisse effizient zu sammeln.

Lektion 4 • Asynchrone Kontextmanager und Generatoren

Implementieren Sie asynchrone Kontextmanager und asynchrone Generatoren für ressourcensicheres Streaming. Unterstützt das Streaming von LLM-Antworten innerhalb von Agentenschleifen.

Lektion 1 • Persistente Speicher-Backends

Persistieren Sie das Agentengedächtnis über Sitzungen hinweg mit relationalen und Schlüssel-Wert-Speichern. Ermöglicht zustandsbehaftete Agenten, die den Kontext nach Neustarts wieder aufnehmen.

Lektion 2 • Strategien zur Optimierung des Kontextfensters

Komprimieren, zusammenfassen und priorisieren Sie Speicher, um LLM-Kontextgrenzen einzuhalten. Verbessert direkt die Kohärenz des Agenten bei lang laufenden Aufgaben.

Lektion 3 • Taxonomie des Agentengedächtnisses

Klassifizieren Sie das Agentengedächtnis in Arbeits-, episodisches, semantisches und prozedurales Gedächtnis. Liefert die konzeptionelle Landkarte für alle Speicherentwurfsentscheidungen im Kapitel.

Lektion 4 • Vektorspeicher für semantischen Abruf

Betten Sie Text ein und fragen Sie Vektorspeicher ab, um Agenten ein semantisches Langzeitgedächtnis zu geben. Verbindet Retrieval-Augmented Generation mit Entscheidungsschleifen von Agenten.

Lektion 1 • Funktionsaufruf mit LLM-APIs

Übergeben Sie Werkzeugschemata an LLM-APIs und parsen Sie strukturierte Funktionsaufruf-Antworten. Überbrückt die Lücke zwischen LLM-Ausgabe und ausführbaren Python-Funktionen.

Lektion 2 • Prinzipien des Werkzeugentwurfs

Definieren Sie, was ein gutes Agentenwerkzeug ausmacht: Atomarität, Idempotenz und klare Schemata. Legt Entwurfsstandards fest, die auf jedes im Kapitel gebaute Werkzeug angewendet werden.

Lektion 3 • Wiederholungslogik und Fehlerbehebung

Implementieren Sie exponentielles Backoff, Circuit Breaker und Fallback-Strategien für Werkzeuge. Stellt sicher, dass Agenten funktionsfähig bleiben, wenn externe Dienste degradieren.

Lektion 4 • Sandboxing und sichere Werkzeugausführung

Führen Sie codegenerierende Werkzeuge in isolierten Unterprozessen oder Containern aus. Mindert Sicherheitsrisiken durch von Agenten generierte Codeausführung.

Lektion 1 • Prompt-Engineering für das Reasoning

Erstellen Sie System- und Benutzer-Prompts, die strukturierte Chain-of-Thought-Logik hervorrufen. Gut gestaltete Prompts reduzieren Halluzination und verbessern die Planqualität.

Lektion 2 • Selbstkorrektur- und Reflexionsmechanismen

Fügen Sie Reflexionsschritte hinzu, in denen Agenten ihre eigenen Ausgaben kritisieren und überarbeiten. Verbessert die Qualität der endgültigen Antwort bei komplexen, offenen Aufgaben.

Lektion 3 • Zielzerlegung und Aufgabenplanung

Zerlegen Sie übergeordnete Ziele mithilfe von LLM-generierten Plänen in geordnete Teilaufgaben. Ermöglicht es Agenten, mehrstufige Probleme jenseits von Single-Turn-Reasoning anzugehen.

Lektion 4 • Implementierung der ReAct-Schleife in Python

Codieren Sie eine vollständige ReAct-Schleife mit Gedankenparsing, Werkzeugverteilung und Beobachtungsinjektion. Übersetzt das ReAct-Papier in ausführbaren, testbaren Python-Code.

Lektion 1 • Implementierung des Orchestrator-Agenten

Bauen Sie einen Orchestrator, der Teilaufgaben an Spezialisten-Agenten delegiert und Ergebnisse aggregiert. Demonstriert das zentrale Koordinationsmuster in Multi-Agenten-Systemen.

Lektion 2 • Agentenkommunikationsprotokolle

Definieren Sie Nachrichtenschemata und Routing-Regeln für die agentenübergreifende Kommunikation. Standardisierte Protokolle verhindern Integrationsfehler bei wachsender Agentenzahl.

Lektion 3 • Fehlertoleranz in Multi-Agenten-Systemen

Implementieren Sie Health Checks, Neustarts und Aufgabenumverteilung für ausfallende Agenten. Stellt sicher, dass das Gesamtsystem trotz individueller Agentenausfälle weiterarbeitet.

Lektion 4 • Gemeinsamer Speicher und Zustandsynchronisation

Synchronisieren Sie gemeinsamen Zustand agentenübergreifend mit Sperren, Warteschlangen und verteilten Speichern. Verhindert Race Conditions und veraltete Lesezugriffe in nebenläufigen Agentensystemen.

Lektion 1 • Profiling-Werkzeuge und -Techniken

Verwenden Sie cProfile, line_profiler und memory_profiler, um Leistungs-Hotspots zu lokalisieren. Profiling vor der Optimierung verhindert verschwendeten Aufwand für unkritische Codepfade.

Lektion 2 • Caching-Strategien für Agentenaufrufe

Wenden Sie In-Memory- und verteiltes Caching an, um redundante LLM- und Werkzeugaufrufe zu vermeiden. Caching ist die Optimierung mit der höchsten Hebelwirkung für latenzempfindliche Agenten.

Lektion 3 • Parallelität mit Multiprocessing und Threads

Verlagern Sie CPU-gebundene Aufgaben in Prozesspools und I/O-gebundene Aufgaben in Threadpools. Ergänzt asynchrone Muster für Arbeitslasten, die die Ereignisschleife blockieren.

Lektion 4 • Optimierung der Python-Datenverarbeitung

Ersetzen Sie langsame Python-Schleifen durch vektorisierte NumPy-Operationen und effiziente Comprehensions. Reduziert die CPU-Zeit für datenintensive Vorverarbeitungsschritte von Agenten.

Lektion 1 • Containerisierung und Deployment-Muster

Paketieren Sie Agenten in Containern und deployen Sie sie mit Orchestrierungsplattformen. Containerisierung gewährleistet Umgebungsparität zwischen Entwicklung und Produktion.

Lektion 2 • Frameworks zur Agentenevaluierung

Messen Sie die Agentenleistung mit Metriken zur Aufgabenerfüllungsrate, Genauigkeit und Latenz. Quantitative Evaluierung ersetzt subjektive Beurteilung durch reproduzierbare Bewertungen.

Lektion 3 • CI/CD-Pipelines für agentische Systeme

Automatisieren Sie Testen, Evaluierung und Deployment durch CI/CD-Pipelines. Continuous Delivery reduziert das Risiko, fehlerhaftes Agentenverhalten auszuliefern.

Lektion 4 • Unit- und Integrationstests für Agenten

Schreiben Sie pytest-basierte Unit-Tests für Werkzeuge und Integrationstests für Agentenschleifen. Automatisierte Tests fangen Regressionen ab, bevor sie die Produktion erreichen.