Agentenschwärme: Autonome Agenten-Teams mit CrewAI, LangGraph und AutoGen
Ein einzelner Agent stößt schnell an Grenzen – ein Team aus spezialisierten Agenten nicht. In acht Wochen baust du Multi-Agenten-Systeme mit den drei wichtigsten Frameworks, lernst die gängigen Orchestrierungsmuster, gibst deinen Agenten Gedächtnis und machst sie robust, beobachtbar und produktionsreif. Jeden Tag schreibst du Python direkt im Browser; ein simuliertes LLM sorgt dafür, dass du ohne API-Schlüssel und ohne Kosten üben kannst.
Was du lernst.
- Multi-Agenten-Architekturen entwerfen und Rollen sinnvoll verteilen
- Agenten-Teams mit CrewAI aufbauen: Agents, Tasks, Crews, Tools und Prozesse
- Zustandsbehaftete Workflows mit LangGraph modellieren: State, Conditional Edges, Loops und Subgraphs
- Kollaborative Agenten-Chats mit AutoGen inklusive Code-Ausführung und Selbstkorrektur
- Shared State, Message Passing, Vector-Store-Memory und Checkpoints einsetzen
- Retries, Fallbacks, Escalation, Circuit Breaker und Observability für den Produktivbetrieb
So ist der Kurs aufgebaut.
- Woche 1 · Grundlagen & ArchitekturVom Einzel-Agenten zur Multi-Agent-Architektur, erster Workflow mit CrewAI, LangGraph und AutoGen.
- Woche 2 · CrewAI: Agenten-TeamsAgenten und Tasks definieren, Sequential vs. Hierarchical, Tools, Error-Handling, Mini-Projekt.
- Woche 3 · LangGraph: Stateful GraphsNodes und Edges, State-Schema, Conditional Edges, Loops, Subgraphs und Tracing.
- Woche 4 · AutoGen: Multi-Agent-ChatsAssistantAgent, UserProxyAgent, GroupChat, Code-Ausführung mit Selbstkorrektur, Chat-Logs.
- Woche 5 · Orchestrierung & Workflow-PatternsPipeline, Parallel, Manager-Agent, Fan-Out/Fan-In und Kommunikationsmuster.
- Woche 6 · State, Memory & PersistenceBlackboard, Message Queues, Vector-Store als Langzeitgedächtnis, SQLite-Checkpoints, Context-Compression.
- Woche 7 · Resilience & ObservabilityExponential Backoff, Fallbacks, Escalation, Circuit Breaker, Tracing und Metriken.
- Woche 8 · Production, Scaling & CapstoneContainer, API und Kubernetes, Auto-Scaling, Monitoring-Dashboard, Capstone mit CI/CD.
Für Entwicklerinnen und Entwickler, ML- und Plattform-Engineers sowie technische Teams, die über einzelne Chatbots hinaus zuverlässige Agenten-Teams bauen und betreiben wollen.
Solide Python-Kenntnisse (Funktionen, Klassen, Dictionaries) und erste Erfahrung mit LLMs oder Prompting. Agentic Coding oder Python Fortgeschritten sind eine gute Vorbereitung.
Du entwirfst Multi-Agenten-Systeme mit dem passenden Framework, orchestrierst sie robust und bringst sie mit Monitoring und Fehlerbehandlung in den Produktivbetrieb.
Häufige Fragen zu Agentenschwärme & Multi-Agenten-Architekturen.
Brauche ich einen API-Schlüssel für OpenAI oder Anthropic?
Nein. Im Python-Lab läuft ein simuliertes LLM, das CrewAI, LangGraph und AutoGen nachbildet. So übst du alle Muster ohne Kosten; für eigene Projekte schließt du später ein echtes Modell an.
Welches Framework sollte ich nehmen – CrewAI, LangGraph oder AutoGen?
Genau das lernst du im Kurs: CrewAI für rollenbasierte Teams, LangGraph für kontrollierbare, zustandsbehaftete Abläufe, AutoGen für kollaborative Chats mit Code-Ausführung. Die Orchestrierungsmuster ab Woche 5 gelten für alle drei.
Wie unterscheidet sich der Kurs von Agentic Coding?
Agentic Coding zeigt, wie du mit KI-Agenten besser programmierst. Hier baust du selbst Systeme aus mehreren Agenten und bringst sie in Produktion.
Läuft Python wirklich im Browser?
Ja, über Pyodide (WebAssembly). Die Laufzeit wird beim ersten Start geladen, danach läuft dein Code lokal im Browser.
Der CLAUDE.md-Spickzettel.
Vorlage, Regeln und häufige Fehler auf zwei Seiten – dazu etwa zwei Praxis-Tipps im Monat. Jederzeit abbestellbar.