Claude Certified Architect (CCA-F): Study Guide to Pass First Try — Claude Certified Architect Studienleitfaden

🧠 Lernnotizen: KI-Agenten-Architektur (Key Concepts)

Diese Notizen konzentrieren sich auf die architektonischen Muster und Best Practices für den Bau zuverlässiger KI-Agenten.

Agent-Loop (Der Orchestrator): Der Agent muss den gesamten Prozess steuern (Planung → Ausführung → Überprüfung). Er muss in der Lage sein, Fehler zu erkennen und den Workflow selbst zu korrigieren (Self-Correction).
Tools (Externe Fähigkeiten): Tools sind externe Funktionen (z. B. Datenbankabfrage). Sie müssen klar definiert und mit spezifischen Eingabeparametern versehen sein.
Tool-Kombination: Komplexe Aufgaben erfordern nicht nur ein Tool, sondern eine Abfolge von Tools (Orchestrierung), die die Daten von einem Schritt zum nächsten weiterleitet.
Design Patterns:
ReAct (Reasoning + Acting): Das Standardmuster. Der Agent muss immer zuerst nachdenken (Reasoning) und dann handeln (Acting).
Chain-of-Thought (CoT): Die Fähigkeit, komplexe Probleme in logische, aufeinander aufbauende Schritte zu zerlegen.
Retrieval-Augmented Generation (RAG): Versorgt das Modell mit externem, aktuellem Wissen. Der Prozess ist: Query → Retrieval (Suche) → Augmentation (Kontext hinzufügen) → Generation.

Zustandsverwaltung (State Management): Da LLMs zustandslos (stateless) sind, muss der Entwickler den Zustand (z. B. IDs, Ergebnisse der letzten Schritte) manuell im Prompt oder im Speicher an den nächsten Aufruf übergeben.
"Lost in the Middle" Effekt: Bei langen Kontexten neigt das Modell dazu, sich auf den Anfang und das Ende zu konzentrieren.
Mitigation: Identifiziere dauerhafte Fakten (IDs, Beträge) und verankere diese in einem strukturierten "Case Block" am Ende des Kontextes, um sie bei jedem Turn zu gewährleisten.
Prompt Caching: Um Kosten zu sparen, sollten wiederverwendbare Präfixe wie System-Prompts und Few-Shot-Beispiele gecached werden. Der Benutzer-Turn ist nicht zu cachen.

Halluzinationen:
Mitigation: Zwinge das Modell, nur auf dem bereitgestellten Kontext zu antworten und verlangen Sie immer Quellenangaben.
Tool-Sicherheit (Guardrails):
Zweck: Verhindert schädliche oder unerwünschte Tool-Aktionen.
Implementierung: Definieren Sie strenge Eingabe- und Ausgabe-Validierungen für jedes Tool.
Fehlerbehandlung (Structured Error Responses): Bei einem Tool-Fehler muss die Ausgabe ein strukturiertes JSON-Objekt sein, das das Modell zur Entscheidungsfindung unterstützt (z. B. is_error, category, retryable).
Eskalation (Confidence Check): Ein Agent muss wissen, wann er nicht weiß. Implementieren Sie eine Zuversichtsprüfung; fällt diese unter einen Schwellenwert, muss der Prozess an einen Menschen mit einem strukturierten Protokoll übergeben werden.

Tool-Definition (Disambiguierung): Tool-Beschreibungen müssen wie API-Dokumentationen verfasst werden:
Klare Funktionsbeschreibung (1 Satz).
Klare Disambiguierungsregel (Wann gegenüber ähnlichen Tools zu nutzen).
Realistisches Anwendungsbeispiel.
Transport-Auswahl:
STDIO: Immer wählen, wenn Server und Client auf derselben Maschine laufen können (keine Latenz, kein Auth-Overhead).
SSE: Nur wählen, wenn der Server zwingend auf einem anderen Host laufen muss.
Vermeidbare Fallen:
Zusammenfassungsfalle: Niemals Gespräche zusammenfassen, wenn kritische IDs, Beträge oder Zahlen enthalten sind.
Vage Adjektiv Falle: Vermeiden Sie vage Adjektive ("sorgfältig"); nutzen Sie stattdessen nummerierte, kategorische Regeln.
Blanket Retry Falle: Bei einem Fehler nur den fehlgeschlagenen Sub-Agent erneut ausführen, nicht den gesamten Prozess.

Diese Notizen fassen die kritischen architektonischen Muster und Best Practices für den Bau zuverlässiger KI-Agenten zusammen.

Agent-Loop (Orchestrierung): Der Agent muss einen geschlossenen Zyklus steuern: Planung → Ausführung → Überprüfung. Ein zentrales Feature ist die Selbstkorrektur bei Fehlern.
Design Patterns:
ReAct: Das Standardmuster. Der Agent muss immer zuerst nachdenken (Reasoning) und dann handeln (Acting).
RAG (Retrieval-Augmented Generation): Gewährleistet Aktualität. Der Prozess ist: Query → Retrieval (Suche) → Augmentation (Kontext hinzufügen) → Generation.
Tool-Nutzung: Tools müssen als externe, klar definierte Funktionen mit spezifischen Parametern behandelt werden. Komplexe Aufgaben erfordern die Orchestrierung (Abfolge) mehrerer Tools.

Zustandsverwaltung (State Management): Da LLMs zustandslos sind, muss der Entwickler den Zustand (z. B. IDs, Ergebnisse) manuell im Prompt an den nächsten Aufruf übergeben.
"Lost in the Middle" Effekt: Um kritische Informationen zu sichern, müssen dauerhafte Fakten (IDs, Beträge) in einem strukturierten "Case Block" am Ende des Kontextes verankert werden.
Prompt Caching: Wiederverwendbare Präfixe (System-Prompts, Few-Shot-Beispiele) sollten gecached werden, um Kosten zu sparen.

Halluzinations-Mitigation: Zwinge das Modell, nur auf dem bereitgestellten Kontext zu antworten und verlangen Sie immer Quellenangaben.
Tool-Sicherheit: Implementiere strenge Eingabe- und Ausgabe-Validierungen (Guardrails) für jedes Tool, um schädliche Aktionen zu verhindern.
Fehlerbehandlung: Bei Tool-Fehlern muss die Ausgabe ein strukturiertes JSON-Objekt sein, das das Modell zur Entscheidungsfindung unterstützt (z. B. is_error, retryable).
Eskalation (Confidence Check): Der Agent muss einen Schwellenwert der Zuversicht (Confidence) definieren. Fällt dieser unter diesen Wert, muss der Prozess an einen Menschen übergeben werden.

Tool-Definition: Beschreibungen müssen wie API-Dokumentationen verfasst werden: Klare Funktion, Disambiguierungsregel (Wann gegenüber ähnlichen Tools zu nutzen) und ein Anwendungsbeispiel.
Datenverlust vermeiden: Niemals Gespräche zusammenfassen, wenn kritische IDs, Beträge oder Zahlen enthalten sind.
Fehlerbehebung: Bei einem Fehler nur den fehlgeschlagenen Sub-Agent erneut ausführen, nicht den gesamten Prozess.
Regeln statt Adjektive: Vermeide vage Adjektive ("sorgfältig"); nutze stattdessen nummerierte, kategorische Regeln.