Multi Agent LLM Workflows mit LangChain & LangGraph

Ziele

In dieser 2-tägigen Schulung "Multi Agent LLM Workflows mit LangChain & LangGraph" lernen Sie die Grundlagen von LangChain und LangGraph kennen und verstehen. Sie erwerben die Fähigkeit, einfache bis komplexe Agenten mit Python zu implementieren und Multi-Agenten-Systeme mittels LangGraph zu orchestrieren. Zudem entwickeln Sie Kompetenzen in der Anwendung von Best Practices für den Einsatz von Large Language Models (LLMs) in produktionsreifen Anwendungen. Abschließend entwickeln Sie ein eigenes Projekt, das die erlernten Konzepte integriert.

Zielgruppe

• Python-Entwickler mit Interesse an KI-gestützten Anwendungen
• Data Scientists und Machine Learning Engineers, die LLMs produktiv einsetzen möchten
• Technische Produktmanager und Solution Architects, die komplexe KI-Workflows verstehen und gestalten wollen
• Softwareentwickler, die sich mit Agentenarchitekturen und Workflow-Orchestrierung vertraut machen möchten
• Tech-Enthusiast, die praktische Erfahrung mit LangChain und LangGraph sammeln wollen

Voraussetzungen

• Solide Python-Kenntnisse, insbesondere in objektorientierter Programmierung
• Grundverständnis von LLMs (z. B. GPT-4) und deren Anwendungsmöglichkeiten
• Erfahrung mit API-Integration Vorteilhaft, nicht notwendig

Agenda

Einführung in Large Language Models (LLMs) und OpenAI API

• Grundlagen von LLMs und deren Einsatzmöglichkeiten
• Verwendung der OpenAI API mit Python
• Erste Schritte: Einfache Textgenerierung mit OpenAI
• Praxisbeispiel: Erstellen eines einfachen Chatbots, der auf Benutzeranfragen reagiert

Einstieg in LangChain

• Überblick über die LangChain-Bibliothek und ihre Komponenten
• Verwendung von Chains, Prompts und Tools
• Integration von Speicher (Memory) und externen Datenquellen
• Praxisbeispiel: Erstellen einer Chain zur Beantwortung von Fragen basierend auf bereitgestellten Dokumenten

Fortgeschrittene Konzepte in LangChain

• Arbeiten mit Agents und deren Entscheidungsprozessen
• Tool-Integration und Aktionsausführung durch Agents
• Fehlerbehandlung und Logging
• Praxisbeispiel: Entwicklung eines Agents, der Wetterdaten abruft und Empfehlungen gibt

Einführung in LangGraph

• Motivation für die Verwendung von LangGraph
• Grundlagen von StateGraph, Nodes und Edges
• Unterschiede zwischen LangChain und LangGraph
• Praxisbeispiel: Erstellen eines einfachen Workflows mit LangGraph zur Verarbeitung von Benutzeranfragen

Aufbau eines Multi-Agenten-Systems mit LangGraph

• Definition und Koordination mehrerer Agents
• Zustandsverwaltung und Nachrichtenweiterleitung zwischen Agents
• Parallelisierung und bedingte Pfade
• Praxisbeispiel: Entwicklung eines Systems mit mehreren Agents, die gemeinsam eine komplexe Aufgabe lösen, z. B. Reiseplanung mit Budget- und Aktivitätsempfehlungen

Erweiterte Themen und Best Practices

• Integration von LangGraph mit externen APIs und Datenbanken
• Persistente Speicherung von Zuständen und Ergebnissen
• Einsatz von LangSmith für Monitoring und Debugging
• Praxisbeispiel: Implementierung eines Systems, das Benutzerfeedback sammelt und zur Verbesserung der Agentenleistung nutzt

Abschlussprojekt: Entwicklung eines eigenen Multi-Agenten-Tools

• Planung und Design des Agenten-Workflows
• Implementierung mit LangChain und LangGraph
• Präsentation der Ergebnisse und Diskussion
• Praxisbeispiel: Jeder Teilnehmer oder jede Gruppe entwickelt ein individuelles Projekt, z. B. einen virtuellen Assistenten für spezifische Aufgaben