In diesem Modul schlüpfen Sie in die Rolle des Lead Architects bei Praxis AI, um komplexe Orchestrierungsherausforderungen für zwei unterschiedliche Kunden zu bewältigen. Zunächst werden Sie den Reiseassistenten „Urban Hop“ retten, indem Sie das „Planner-Executor“-Muster implementieren und dabei die übergeordnete Logik von der deterministischen Ausführung trennen, um die Zuverlässigkeit zu gewährleisten. Anschließend wechseln Sie in die Rolle eines Site Reliability Engineers (SRE) für Global Freight und nutzen dabei verteilte Ablaufverfolgung und Observability, um Race-Conditions in einer Logistik-Engine mit hoher Parallelität zu diagnostizieren und zu beheben. Am Ende des Moduls beherrschen Sie die Architekturmuster, die für die Entwicklung agentenbasierter Systeme erforderlich sind, die nicht nur intelligent, sondern auch vorhersehbar, skalierbar und debuggbar sind.

In diesem Modul setzen Sie sich mit der Komplexität von persistenten Speichern in verteilten Systemen auseinander. Sie schlüpfen in die Rolle eines Systemingenieurs bei Global Freight und lösen kritische „Lost Update“-Race-Conditions mithilfe von Redis und pessimistischen Sperren. Gleichzeitig übernehmen Sie die Rolle eines KI-Architekten bei „Urban Hop“ und implementieren Vektorspeicher (zur Verwendung mit „Retrieval Augmented Generation“, auch bekannt als RAG) sowie Strategien zur Speicheroptimierung, um Ihrem Agenten einen langfristigen, semantischen Abruf zu ermöglichen, ohne das Kontextfenster zu überlasten.

In diesem abschließenden Modul verlagern wir den Schwerpunkt von der Funktionalität auf die Betriebsfähigkeit. Sie schlüpfen nun in die Rolle eines Site Reliability Engineers (SRE) bei Global Freight Co. und lösen als ehemaliger KI-Architekt kritische Probleme in einer Live-Staging-Umgebung. Das System ist derzeit zwar technisch betriebsbereit, jedoch aufgrund schwerwiegender Sicherheitslücken (Verletzung des Schutzes personenbezogener Daten) und einer ineffizienten Ressourcennutzung (hohe Kosten und Latenz) wirtschaftlich nicht tragfähig. Zunächst sichern Sie das System mithilfe der nativen Schutzmechanismen des Agents SDK, um sensible Daten abzufangen und zu schwärzen. Anschließend optimieren Sie die Leistung durch die Implementierung von Caching-Strategien und Modellorchestrierung, um Latenz und Kosten zu reduzieren und sicherzustellen, dass das System für den produktiven Einsatz bereit ist.