Warum AI Agents#

Learning objectives

1Klone das Kurs-Repo und richte die einmalige lokale Umgebung ein.
2Erkläre den Unterschied zwischen passivem LLM und aktivem Agent.
3Beschreibe, warum Tool-Nutzung ändert, was ein LLM leisten kann.

Kursmaterial und Setup#

Alle Labs nutzen dasselbe Repo. Einmal einrichten, bevor du Modul 2 Mit smolagents bauen startest.

Code: github.com/XamHans/smolagents-course
Slides: PDF-Kursfolien

bash

git clone https://github.com/XamHans/smolagents-course && cd smolagents-course
curl -LsSf https://astral.sh/uv/install.sh | sh
uv venv && source .venv/bin/activate && uv sync
cp .env.example .env   # HF_TOKEN von huggingface.co/settings/tokens

Lab-Umgebung vorbereiten

Repo geklont, uv-Env aktiv, HF_TOKEN in .env.

Repo klonen und Setup-Block oben ausführen.
PDF-Slides zum LLM-zu-Agent-Überblick skimmen.
Nach Lektion 6: `uv run first-agent.py` testen.

LLMs sind stark, aber passiv#

Ein LLM nimmt Text rein und gibt Text aus. Es lebt nicht in deiner Umgebung — ohne eingefügten Kontext kann es z.B. kein GitHub-Repo selbst analysieren.

Tools machen aus einem LLM einen Agent#

Websuche, PDF-Analyse, Code-Ausführung: Das Modell kann auf dein Ziel handeln, nicht nur statischen Input kommentieren.

Ein AI Agent ist ein LLM plus Interaktion mit der Umgebung — Tools, Code, Beobachtungen, wiederholen bis das Ziel erreicht ist.

Wann einen Agent bauen

Use when: Die Aufgabe braucht mehrere Schritte, externe Daten oder Code — nicht ein Prompt.
Avoid when: Ein guter Prompt mit Retrieval reicht.

Key takeaways

Takeaway 1: LLMs allein sind passiv; Agents fügen Tools und eine Schleife hinzu.
Takeaway 2: Repo, Slides und Setup liegen hier — für alle Labs in Modul 2.