LangGraph-Training: KI-Agenten-Workflows bauen

Dieses LangGraph-Training richtet sich an Entwicklerinnen und Entwickler, die aus LLM-Prototypen belastbare Agenten-Workflows machen möchten. Du startest mit dem Laufzeitmodell von LangGraph und übersetzt einen fachlichen Ablauf in einen State Graph mit typisiertem Zustand. Daraus entstehen Nodes für einzelne Arbeitsschritte, Edges für Entscheidungen und Schleifen mit definierten Abbruchregeln.

Im nächsten Schritt bindest Du Tools an, validierst Eingaben über Schemas und baust einen Recherche-Agenten, der Ergebnisse strukturiert sammelt. Die Schulung behandelt außerdem Memory, Checkpointing und Human Approval, damit mehrstufige Abläufe an definierten Stellen freigegeben oder wieder aufgenommen werden können.

Für Multi-Agent-Systeme arbeitest Du mit einem Supervisor-Pattern und modellierst Übergaben zwischen spezialisierten Agenten. Ein eigener Abschnitt widmet sich Fehlerbehandlung, Tracing und Observability, weil Agenten-Runs im Betrieb nachvollziehbar bleiben müssen.

Zum Abschluss bereitest Du einen Workflow als API-Service vor und besprichst sinnvolle Grenzen für die produktive Nutzung. Die Übungen bleiben entwicklernah: Code wird schrittweise erweitert, fehlerhafte Runs werden im Debugger analysiert und Architekturentscheidungen werden im Review begründet. So entsteht ein wiederverwendbares Muster für Support-, Recherche- und Datenanalyse-Agenten.

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

Das Training richtet sich an Python-Entwicklerinnen und -Entwickler sowie AI-Engineerinnen und -Engineers, die LLM-Prototypen zu belastbaren, steuerbaren Agenten-Workflows weiterentwickeln möchten. Auch Software-Architektinnen und -Architekten, die KI-Automatisierung konzipieren, sowie Data Scientists mit ersten Agenten-Prototypen und DevOps-Engineerinnen und -Engineers im KI-Service-Betrieb finden hier praxisnahe Inhalte.

Angesprochen sind Teilnehmende, die bereits über Prompt-Demos hinausgehen wollen und den nächsten Schritt zu produktionsnahen, mehrstufigen Agenten-Architekturen mit Review, Checkpoints und Observability gehen möchten.

Du solltest sichere Python-Kenntnisse und Erfahrung mit APIs mitbringen sowie ein Grundverständnis von LLMs, Prompting und JSON-Datenstrukturen haben. Außerdem wird Erfahrung mit virtuellen Python-Umgebungen, Paketverwaltung und Debugging vorausgesetzt, da die Übungen direkt auf dieser Grundlage aufbauen.