Ein halber Tag hands-on: wie Agenten an eure Fachsysteme kommen – und wie sie untereinander arbeiten. Kein Zuschauer-Workshop: Jede Komponente baut ihr selbst.
Entwicklerinnen und Entwickler, die bereits praktisch mit einem Coding-Assistenten gearbeitet haben und Agenten an eigene Fachsysteme anbinden wollen.
4 h netto, kurze Theorie-Impulse + viel Praxis, vor Ort oder remote
Eine Aufgabe von der Anforderung bis zum Review begleitet, sicherer Umgang mit Terminal und Git, Grundverständnis von HTTP und JSON.
Eine Entscheidungshilfe, wann MCP trägt – und wann ein Skript mit lokaler CLI die günstigere Antwort ist.
Gearbeitet wird durchgehend am Fallbeispiel der fiktiven Versicherung Capitol: Ein Schadenfall wächst über den Vormittag mit – erst ein einzelner Assistent, am Ende mehrere spezialisierte Agenten, die den Fall gemeinsam bearbeiten. Versicherungsfachwissen ist nicht nötig, die Capitol-Fachlichkeit erklären wir unterwegs. Kotlin-Kenntnisse setzen wir ebenfalls nicht voraus – wer Java, TypeScript oder C# liest, kommt mit.
MCP ist die Schnittstelle, über die Agenten eure Fachsysteme aufrufen. Wer sie selbst gebaut hat – Server und Client –, weiß danach, was ein Assistent sonst im Verborgenen tut, wo dabei Angriffsfläche entsteht und was der Betrieb kostet.
Schulung anfragenEine Berechnung, die der Assistent aufrufen muss, statt sie zu erfinden – das ist der Unterschied zwischen einer plausiblen und einer richtigen Antwort.
Ob ein Modell ein Werkzeug zuverlässig trifft, entscheidet sich an dessen Beschreibung. Im Lab zeigt sich das unmittelbar: Das Werkzeug wird getroffen oder eben nicht.
Transport, Discovery, Registrierung der Werkzeuge: Von Hand verdrahtet wird nachvollziehbar, was sonst unsichtbar passiert – und wo die Security-Implikationen von MCP hängen.
Ein MCP-Server will betrieben werden, ein zusätzlicher Agent kostet Laufzeit und Token. Beides tritt gegen die einfachste Lösung an – ein lokales Skript.
Fachlogik als Werkzeug bereitstellen – in Kotlin mit Spring AI, lauffähig am Ende des Blocks
Transport, Discovery und Registrierung selbst aufsetzen – und damit verstehen, was der Assistent sonst verbirgt
Werkzeugbeschreibungen so formulieren, dass ein Modell sie zuverlässig auswählt
Mehrere Agenten ihre Fähigkeiten veröffentlichen lassen und sie von außen über einen Orchestrator beauftragen
Die Angriffsfläche beider Ansätze benennen – und einschätzen, was Betrieb kostet, wenn Laufzeit und Token gemessen auf dem Tisch liegen
Beurteilen, wann sich der Aufwand rechnet – und wann ein einfacheres Mittel genügt
Jede Komponente wird selbst gebaut. Was am Ende bleibt, ist nicht nur ein laufender Server, sondern eine belastbare Antwort auf die Frage, ob sich der Aufwand trägt.
Kein Deep Dive in LLM-Architekturen, kein Modelltraining. Autonome Abarbeitung – Subagents, Skills, Factory-Betrieb – ist Thema von Agent Factory bauen & betreiben. Die Grundlagen – führen, prüfen, freigeben – vermittelt der Einstieg in Agentic Engineering; wer beides am Stück will, nimmt das Agentic Engineering Bootcamp mit Vertiefung MCP. Die Übersicht der vier Formate sortiert sie nach vorausgesetzter Erfahrung.
Karsten Silz
Senior Principal Consultant Software Engineering
Karsten arbeitet seit 26 Jahren als Full-Stack-Java-Entwickler in Europa und den USA. Als Mitgründer leitete er 13 Jahre lang die Produktentwicklung eines Software-Produkt-Start-ups in den USA, das 2016 erfolgreich verkauft wurde. Im Jahr 2020 war er Mitgründer eines SaaS-Start-ups in England. Er ist seit 2003 auch Freiberufler. Seit Mai 2025 arbeitet er für atra.consulting in Stuttgart.
David Kreutzer
Senior Consultant Software Engineering
David arbeitet seit 15 Jahren als Senior Software-Entwickler an anspruchsvollen Enterprise-Applikationen. In Projekten bei Industrie-, Tech- und Versicherungskunden hat er intensiv mit verschiedensten KI-Modellen gearbeitet. Sein Fokus liegt auf der praxisnahen Integration von Machine Learning, Computer Vision und generativer KI in produktive Software-Lösungen.
Schreiben Sie uns, wo Ihr Team heute steht – wir schlagen den passenden Zuschnitt vor.
