Der Anhalter-Leitfaden für agentische KI: Von den Grundlagen zu den Systemen

Zusammenfassung

Der Per Anhalter durch die Welt der Agentischen KI ist ein umfassendes Praktiker-Nachschlagewerk für den Aufbau autonomer KI-Systeme. Das Buch deckt den gesamten Stack von den ersten Prinzipien bis zur Produktionsbereitstellung ab und ist um eine zentrale These herum aufgebaut: Die Entwicklung großartiger agentischer Systeme erfordert das Verständnis jeder Ebene der Pipeline, nicht nur einer. Das Buch beginnt mit der LLM-Basis – Transformer-Architektur, GPU-Systeme, Training und Feinabstimmung (SFT, LoRA, MoE), Modellkompression und Inferenzoptimierung – behandelt als wesentliche Grundlagen, nicht als primärer Fokus. Anschließend entwickelt es die Ausrichtungs- und Reasoning-Ebene: Reinforcement Learning aus menschlichem Feedback (RLHF), PPO, DPO und seine Varianten, GRPO, Reward-Modellierung und RL für große Reasoning-Modelle, einschließlich Chain-of-Thought und Testzeit-Skalierung. Die zweite Hälfte ist der eigentlichen agentischen KI gewidmet. Themen umfassen agentisches Training und trajektorienbasiertes RL, Retrieval-Augmented Generation (RAG und Agentisches RAG), Gedächtnissysteme (im Kontext, extern, episodisch und semantisch), Agenten-Harness-Design und Kontextmanagement sowie eine Taxonomie von Agenten-Entwurfsmustern. Die Koordination zwischen Agenten wird eingehend behandelt: das Model Context Protocol (MCP), Agentenfähigkeiten und Werkzeugnutzung, das Agent-to-Agent (A2A)-Kommunikationsprotokoll sowie Multi-Agenten-Architekturen mit zentralisierten, dezentralen und hierarchischen Topologien. Das Buch schließt mit Agentenentwicklungs-Frameworks, agentischem UI-Design, Evaluierungsmethodik für agentische Aufgaben und Produktionsbereitstellung. Jedes Kapitel verbindet rigorose theoretische Grundlagen mit Implementierungsanleitungen, Codebeispielen und Verweisen auf die Primärliteratur.

English

The Hitchhiker's Guide to Agentic AI is a comprehensive practitioner's reference for building autonomous AI systems. The book covers the full stack from first principles to production deployment, organized around a central thesis: building great agentic systems requires understanding every layer of the pipeline, not just one. The book opens with the LLM substrate -- transformer architecture, GPU systems, training and fine-tuning (SFT,LoRA, MoE), model compression, and inference optimization -- treated as essential foundations rather than the primary focus. It then develops the alignment and reasoning layer: reinforcement learning from human feedback (RLHF), PPO, DPO and its variants, GRPO, reward modeling, and RL for large reasoning models including chain-of-thought and test-time scaling. The second half is devoted to agentic AI proper. Topics include agentic training and trajectory-based RL, retrieval-augmented generation (RAG and Agentic RAG), memory systems (in-context, external, episodic, and semantic), agent harness design and context management, and a taxonomy of agent design patterns. Inter-agent coordination is covered in depth: the Model Context Protocol (MCP), agent skills and tool use, the Agent-to-Agent (A2A) communication protocol, and multi-agent architectures spanning centralized, decentralized, and hierarchical topologies. The book concludes with agent development frameworks, agentic UI design, evaluation methodology for agentic tasks, and production deployment. Each chapter pairs rigorous theoretical foundations with implementation guidance, code examples, and references to the primary literature.