Finde heraus, was Code-Agents auszeichnet und wie sie Python zum Schlussfolgern und Handeln nutzen. Baue deinen ersten Agent mit smolagents, füge integrierte und Community-Tools für den Webzugriff hinzu und erstelle Custom-Tools, um Agents mit Daten zu verbinden.

Einführung in Hugging Face smolagents

Lass den Agent rechnen: Ausgaben analysieren

Moment mal, du hast gar keine Funktionen geschrieben?

Einen Agenten mit Tools erstellen

Code über Prompts schreiben: Zinseszins

Lass Agenten das Web durchsuchen

Einen Agenten mit eigenen Tools erstellen

Einfach @tool hinzufügen: Ein eigenes Tool schreiben

Zahlen, bitte! Agenten Zugriff auf Daten geben

Ein Prompt, viele Tools

Wandle deine klassische RAG-Pipeline in ein agentisches System um, das Informationen iterativ abruft und über mehrere Schritte hinweg schlussfolgert. Baue zustandsbehaftete Tools für fortgeschrittenes Retrieval, steuere Agents mit Planungsintervallen für bessere Ergebnisse und nutze Callbacks, um das Agent-Verhalten zur Laufzeit zu verfolgen und anzupassen.

RAG-Auffrischung

RAG in Reihenfolge: Von Handbüchern zu Antworten

Was passiert in RAG eigentlich genau?

Der Schritt, der Bedeutung hinzufügt

Einführung in Agentic RAG

Stateful by Design: Baue ein RAG-Such-Tool

Tool verbinden, Agentic RAG freischalten

Mit Multi-Step-Agenten arbeiten

Agent-Schritte verfolgen, Aktionen im Blick behalten

Spielzeit: Führe den kompletten Agenten aus

Agentisches RAG und mehrschrittige Agents

Bewältige komplexe Workflows, indem du Teams spezialisierter Agents unter einem koordinierenden Manager orchestrierst. Füge Memory hinzu, um Kontext über Interaktionen hinweg zu erhalten, debugge das Agent-Verhalten mithilfe von Execution Traces und Reasoning-Schritten und implementiere robuste Validierungsstrategien für hochwertige, verlässliche Antworten.

Einführung in Multi-Agenten-Systeme

Teile und herrsche: Spezialisten-Agenten erstellen

Lern das Team kennen: Agenten-Koordination

Agenten‑Speicher verwalten

Nicht vergessen: Memory zwischen Aufrufen behalten

Ausführung des Agentencodes nachverfolgen

Validierung der finalen Agentenantwort

Sag mehr, Agent: Antwortlänge erzwingen

Cleverere Agents: Validieren und erneut versuchen

Glückwunsch!

Multi-Agent-Systeme, Memory und Validierung

Orders

AI-Agents verändern, wie wir mit Daten und Software arbeiten. Von der Automatisierung von Workflows bis hin zur Unterstützung bei komplexen Aufgaben können Agents in deinem Auftrag suchen, schlussfolgern und handeln. In diesem Kurs lernst du, wie du mit smolagents, einem leichtgewichtigen Python-Framework von Hugging Face, Agents entwickelst.

Praktisch arbeiten mit Code-Agents und Tools

Du lernst zunächst, was Code-Agents besonders macht und warum sie so leistungsfähig sind. Danach baust du deinen ersten Agent von Grund auf und nutzt smolagents, um Python-Code zu erzeugen und auszuführen. Außerdem lernst du, integrierte Tools einzubinden und eigene Tools zu erstellen, um die Fähigkeiten deiner Agents zu erweitern.

Agents mit RAG und Memory schlauer machen

Als Nächstes setzt du Retrieval-Augmented Generation (RAG) ein, damit Agents Informationen aus großen Dokumentensammlungen abrufen. Du gehst noch einen Schritt weiter und baust agentische RAG-Systeme — Agents, die über mehrere Schritte hinweg schlussfolgern, um bessere Antworten zu geben. Außerdem lernst du, wie du Memory hinzufügst, damit Agents Nachfragen natürlich handhaben und bereits erledigte Schritte im Blick behalten.

Multi-Agent-Systeme koordinieren und Ausgaben validieren

Im letzten Kapitel baust du Multi-Agent-Systeme, die spezialisierte Agents über einen Manager koordinieren. Du fügst Planungsintervalle hinzu, nutzt Callbacks für Einblicke in das Agent-Verhalten und validierst finale Antworten, damit deine Agents verlässlich und benutzerfreundlich bleiben.

Am Ende des Kurses weißt du, wie du Agents baust, die vorausdenken, zusammenarbeiten und Aufgaben erledigen.

Working with Hugging Face

Retrieval Augmented Generation (RAG) with LangChain

Lerne, intelligente Agenten mit Python zu entwickeln, die denken, handeln und reale Aufgaben lösen.

AI-Agents mit Hugging Face smolagents

Lerne, wie du mit Python intelligente Agenten entwickelst, die denken, handeln und echte Aufgaben lösen können.

Grundlagen von Hugging Face

VP of AI Curriculum, DataCamp

Agenten-Antwortvalidierung

Warum Validierung wichtig ist

Agenten-Antworten validieren

Ausgabevalidierung im Agenten nutzen

Meta-Evaluation: KI zur Validierung von KI nutzen

Logik mit Meta-Evaluator prüfen

Mehrfache Validierungen kombinieren

Intelligente Systeme entwerfen

Lass uns üben!

Multi-Agent-Systeme, Memory und Validierung - Validierung der finalen Agentenantwort

Validierung der finalen Agentenantwort

Create Your Free Account