In diesem Modul entwerfen und implementieren Sie die Abrufebene eines multimodalen RAG-Systems unter Verwendung strukturierter Restaurant-Textdaten und Bilder von Speisen. Sie erstellen multimodale Vektorindizes, generieren Text- und Bild-Embeddings und entwickeln Abruf-Workflows, die Ähnlichkeitssuche mit Metadatenfilterung kombinieren. Außerdem werden Sie Late-Fusion-Techniken implementieren, um Ergebnisse modalitätsübergreifend zu kombinieren und neu zu ordnen, wodurch die Relevanz der abgerufenen Ergebnisse verbessert wird. Das Modul folgt einer schrittweisen Abruf-Pipeline, vom Aufbau des Indexes über den hybriden Abruf bis hin zum multimodalen Ranking, wobei der Schwerpunkt auf dem praktischen Entwurf und nicht auf toolspezifischen Funktionen liegt.

In diesem Modul entwerfen und implementieren Sie ein Multi-Agenten-Empfehlungssystem. Sie definieren spezialisierte Agenten mit klar definierten Rollen, Zielen, Hintergrundgeschichten und Aufgaben und integrieren diese in einen koordinierten Multi-Agenten-Workflow. Anschließend testen Sie, wie mehrere Agenten zusammenarbeiten, um anhand einer einzigen Benutzereingabe Empfehlungen für Restaurants und Rezepte zu generieren. Abschließend erstellen Sie mithilfe von Gradio eine interaktive Chatbot-Oberfläche, um das System zugänglich zu machen. Der Chatbot verarbeitet Benutzeranfragen, zeigt die koordinierten Ergebnisse der Agenten an und unterstützt grundlegende Funktionen zur Datenbankbearbeitung innerhalb der Oberfläche.

In diesem Modul organisieren Sie Agent-Tools, Datenbanken und Dokumente innerhalb eines MCP-Servers. Anschließend erstellen Sie einen MCP-Client und einen LLM-basierten MCP-Host, die mit dem Server kommunizieren, und validieren das System durch Tests. Außerdem entwerfen und implementieren Sie einen LLM-gestützten MCP-Host mit einer grafischen Benutzeroberfläche (GUI), wodurch das LLM auf vom Server bereitgestellte Tools und Dokumente zugreifen kann. Dieses Modul führt zuvor erstellte Komponenten zu einem einheitlichen MCP-basierten System zusammen und validiert die durchgängige Tool-Ausführung über eine GUI-basierte Anwendung.

In diesem Modul schließen Sie Ihr AI-Abschlussprojekt ab, indem Sie Screenshots der in den vorangegangenen Übungen durchgeführten Aufgaben einreichen. Sie werden diese Arbeitsergebnisse strukturieren und präsentieren, um anschaulich zu veranschaulichen, wie Sie strukturierte Daten, multimodale RAG-Systeme und Multi-Agenten-Workflows mithilfe von LangChain, LangGraph und MCP entworfen, umgesetzt und integriert haben. Diese Einreichung dient als abschließende Bewertung durch ein KI-basiertes Benotungssystem und bietet eine portfoliofähige Präsentation Ihrer durchgängigen generativen KI-Lösung.