Schulung · Agentic Coding · Python-Entwicklung

Agentic Coding für Python-Entwickler:innen

Autonome Coding-Agenten wirksam einsetzen: Spezifikation statt Prompt, Aufgabenzerlegung, testgetriebene Loops, Multi-Agent-Setups und Governance.

Dauer
2 Tage (14 Std.)
Format
Online oder vor Ort
Sprache
Deutsch oder Englisch
Teilnehmende
offene Termine oder exklusiv für Ihr Team
Abschluss
Teilnahmebescheinigung

Überblick

In diesem Kurs verbinden wir Agentic Coding mit den typischen Abläufen im Bereich Python-Entwicklung. Die Teilnehmenden arbeiten an realistischen Szenarien und nehmen sofort einsetzbare Prompts, Workflows und Checklisten mit.

Agentic Coding bezeichnet die Arbeit mit KI-Agenten, die Entwicklungsaufgaben weitgehend selbstständig erledigen: Sie lesen Code, planen Änderungen, führen Befehle und Tests aus und korrigieren sich anhand der Ergebnisse. Werkzeuge wie Claude Code, OpenAI Codex, der GitHub Copilot Coding Agent oder der Agent-Modus von Cursor machen diese Arbeitsweise alltagstauglich. Dieses herstellerneutrale Training vermittelt die Methodik dahinter, damit Sie unabhängig vom Werkzeug verlässliche Ergebnisse erzielen und die Rolle der Entwicklerin oder des Entwicklers neu definieren.

Im Zentrum steht der Wechsel vom spontanen Prompt zur belastbaren Spezifikation. Sie lernen, Aufgaben so zu zerlegen und zu beschreiben, dass Agenten sie zuverlässig lösen, testgetriebene Schleifen aufzusetzen, in denen Tests als objektives Abnahmekriterium dienen, und mehrere Agenten parallel oder arbeitsteilig einzusetzen. Darüber hinaus behandeln wir Review-Strategien für agentisch erzeugten Code sowie Governance im Team: Berechtigungen, Sicherheitsgrenzen, Verantwortlichkeiten, Kostenkontrolle und die schrittweise Einführung agentischer Workflows in bestehende Entwicklungsprozesse.

Python ist die Sprache, in der viele Teams Web-Backends, Automatisierung, Datenpipelines und KI-Anwendungen gleichzeitig betreiben – entsprechend heterogen sind die Codebasen. KI-Coding-Assistenten und Agenten verändern den Alltag hier besonders spürbar: Sie schreiben pytest-Suiten auf Basis vorhandener Fixtures, ergänzen Type Hints bis mypy sauber durchläuft, migrieren Legacy-Skripte auf moderne Packaging-Standards mit pyproject.toml und erklären fremde Django- oder FastAPI-Projekte in Minuten statt Tagen. Entscheidend ist, die Werkzeuge mit klarem Kontext zu führen: Projektkonventionen, Linter-Regeln von Ruff, Testbefehle und Architekturentscheidungen gehören in Anweisungsdateien und Prompts. Wer das beherrscht, delegiert Routinearbeit verlässlich und konzentriert sich auf Design, Review und fachliche Logik.

Das Training findet live statt – wahlweise online im virtuellen Klassenraum oder vor Ort in unseren Trainingsräumen in München, Salzburg, Berlin, Augsburg, Hannover, Bremen, Stuttgart und Kaiserslautern. Auf Wunsch kommen wir auch exklusiv für Ihr Team zusammen.

Für wen ist das Training?

  • Python-Backend-Entwickler:innen mit Django, Flask oder FastAPI
  • Automatisierungs- und Skripting-Spezialist:innen in IT und Fachbereichen
  • Data- und ML-Engineers, die produktiven Python-Code pflegen
  • Tech Leads, die Code-Qualität und Review-Prozesse verantworten
  • Entwickler:innen, die Legacy-Python-Code modernisieren

Typische Herausforderungen, die wir adressieren

  • Gewachsene Codebasen ohne Type Hints und mit lückenhafter Testabdeckung
  • Abhängigkeitschaos zwischen requirements.txt, Poetry, uv und virtuellen Umgebungen
  • Zeitaufwändige Reviews und uneinheitlicher Stil trotz Linter und Formatter
  • Einarbeitung in fremde Projekte mit implizitem Wissen und fehlender Dokumentation

Das können Sie nach dem Training

  • Sie verstehen die Funktionsweise von Coding-Agenten und wählen das passende Werkzeug und den passenden Autonomiegrad.
  • Sie schreiben Spezifikationen und Projektkontext, mit denen Agenten verlässlich arbeiten.
  • Sie zerlegen Vorhaben in überprüfbare Teilaufgaben und steuern Agenten über testgetriebene Loops.
  • Sie setzen Multi-Agent-Setups und parallele Arbeit kontrolliert ein.
  • Sie lassen KI-Agenten pytest-Suiten, Type Hints und Refactorings in Ihrer Python-Codebasis zuverlässig umsetzen.
  • Sie hinterlegen Projektkonventionen, Tooling wie Ruff, mypy und uv sowie Testbefehle so, dass der Assistent sie konsequent einhält.
  • Sie prüfen generierten Python-Code systematisch auf Korrektheit, Sicherheit und Wartbarkeit, bevor er gemergt wird.

Inhalte & Ablauf

Tag 1

Modul 1 Grundlagen agentischer Entwicklung
  • Funktionsweise von Coding-Agenten: Werkzeugaufrufe, Kontextfenster und Feedback-Schleifen
  • Werkzeuge im Vergleich: Terminal-Agenten, IDE-Agenten und Cloud-Agenten
  • Geeignete Aufgaben erkennen und Autonomiegrade bewusst wählen
  • Die neue Rolle im Team: von der Umsetzung zur Steuerung und Abnahme
Modul 2 Spezifikation statt Prompt
  • Aufgaben mit Ziel, Kontext, Randbedingungen und Abnahmekriterien beschreiben
  • Projektkontext dauerhaft in Dateien wie CLAUDE.md, AGENTS.md oder Rules hinterlegen
  • Plan-First-Vorgehen: Lösungsweg vom Agenten entwerfen und vor der Umsetzung prüfen
  • Spezifikationen versionieren und als Teil des Repositorys pflegen
Modul 3 Aufgabenzerlegung und testgetriebene Agenten-Loops
  • Große Vorhaben in unabhängige, überprüfbare Teilaufgaben zerlegen
  • Tests zuerst schreiben lassen und als objektives Abbruchkriterium nutzen
  • Linter, Typprüfungen und Builds als automatische Rückmeldung einsetzen
  • Festgefahrene Loops erkennen und mit neuer Strategie neu starten
Modul 4 Multi-Agent-Setups und Parallelisierung
  • Spezialisierte Subagents für Recherche, Implementierung, Tests und Review definieren
  • Parallele Arbeit mit Branches, Worktrees und isolierten Umgebungen organisieren
  • Orchestrierung: Ergebnisse zusammenführen und Konflikte auflösen
  • Werkzeuge und Datenquellen über MCP gemeinsam nutzbar machen

Tag 2

Modul 5 Review, Sicherheit und Governance im Team
  • Review-Strategien für große, agentisch erzeugte Änderungen
  • Berechtigungen, Sandboxing und Schutz vor Prompt Injection festlegen
  • Agenten in CI-Pipelines und Pull-Request-Prozesse einbinden
  • Teamrichtlinien, Verantwortlichkeiten, Kosten und schrittweise Einführung planen
Modul 6 Praxislabor: Python-Entwicklung
  • pytest-Tests generieren
  • Type Hints und mypy-Bereinigung
  • Django-Migrationen und ORM-Refactoring
  • FastAPI-Endpunkte mit Pydantic
  • Legacy-Skripte modernisieren
  • Codebasis verstehen und dokumentieren
Modul 7 Datenschutz, Qualität & Transfer in den Alltag
  • Klären Sie, welcher Quellcode an Cloud-Modelle übertragen werden darf, schließen Sie Secrets aus .env-Dateien konsequent aus und prüfen Sie generierten Code auf Lizenzübernahmen sowie neu eingeführte PyPI-Abhängigkeiten (Typosquatting, Supply-Chain-Risiken). Für Produkte mit digitalen Elementen gewinnen zudem die Pflichten des Cyber Resilience Act an Bedeutung.
  • Spielregeln für den sicheren KI-Einsatz im Team
  • Ergebnisse prüfen: Fakten, Quellen, Tests und Vier-Augen-Prinzip
  • Persönlicher Umsetzungsplan für die nächsten 30 Tage
  • Offene Fragen, Ausblick und Ressourcen zum Weiterlernen

Praxisszenarien aus Ihrem Bereich

pytest-Tests generieren

Der Assistent analysiert Funktionen und vorhandene Fixtures, schreibt parametrisierte pytest-Tests inklusive Edge Cases und Mocks für externe Dienste und führt sie iterativ aus, bis sie grün sind und die gewünschte Abdeckung erreichen.

Type Hints und mypy-Bereinigung

Untypisierter Code wird modulweise mit Type Hints, TypedDict und Protocols versehen. Der Agent startet mypy oder Pyright, interpretiert die Meldungen und behebt sie schrittweise, ohne das Laufzeitverhalten zu verändern.

Django-Migrationen und ORM-Refactoring

Modelländerungen werden samt Datenmigrationen geplant, makemigrations-Konflikte aufgelöst und N+1-Abfragen mit select_related oder prefetch_related optimiert. Die KI erklärt Risiken für bestehende Produktionsdaten vor dem Deployment. Auch Rückwärtsmigrationen werden mitgedacht.

FastAPI-Endpunkte mit Pydantic

Aus einer fachlichen Beschreibung oder einem OpenAPI-Entwurf entstehen Pydantic-Modelle, Router, Dependency Injection und Validierungslogik inklusive Fehlerbehandlung und passender Tests mit dem TestClient. Die Endpunkte folgen Ihren bestehenden Projektkonventionen.

Legacy-Skripte modernisieren

Alte Skripte werden in Pakete mit pyproject.toml überführt, globale Zustände entfernt, argparse- oder Click-CLIs ergänzt und Ruff-Regeln angewendet. Der Agent dokumentiert jede Änderung nachvollziehbar im Commit.

Codebasis verstehen und dokumentieren

Der Assistent erkundet ein unbekanntes Repository, erstellt Architekturübersichten, erklärt Datenflüsse zwischen Modulen und ergänzt fehlende Docstrings im Google- oder NumPy-Stil, sodass neue Teammitglieder schneller produktiv werden.

Mögliche Praxisprojekte im Kurs

CLI für Log-Analyse

Ein Typer-basiertes Kommandozeilentool, das Anwendungslogs einliest, Fehlermuster gruppiert und eine kompakte Zusammenfassung als Markdown oder JSON ausgibt – inklusive Tests und Packaging.

FastAPI-Microservice mit Datenbank

Ein kleiner REST-Service mit SQLAlchemy, Alembic-Migrationen, Pydantic-Validierung und Docker-Setup, der vollständig per KI-Agent geplant, implementiert und getestet wird. Ideal, um den kompletten Agenten-Workflow zu üben.

Dependency-Audit-Skript

Ein Skript, das alle Projektabhängigkeiten ausliest, veraltete oder verwundbare Pakete über öffentliche Advisory-Datenbanken prüft und einen priorisierten Update-Bericht erstellt. Der Bericht lässt sich in die CI-Pipeline einbinden.

Voraussetzungen

Sie haben mehrjährige Entwicklungserfahrung, arbeiten sicher mit Git, Tests und CI und haben idealerweise bereits erste KI-Coding-Werkzeuge genutzt. Solide Python-Kenntnisse, Erfahrung mit Git, virtuellen Umgebungen und mindestens einem Framework wie Django, Flask oder FastAPI.

Technische Voraussetzungen

Eigener Laptop mit Git, Terminal und Ihrer Entwicklungsumgebung sowie Zugang zu mindestens einem Coding-Agenten wie Claude Code, Codex, Copilot oder Cursor.

Datenschutz & Compliance

Klären Sie, welcher Quellcode an Cloud-Modelle übertragen werden darf, schließen Sie Secrets aus .env-Dateien konsequent aus und prüfen Sie generierten Code auf Lizenzübernahmen sowie neu eingeführte PyPI-Abhängigkeiten (Typosquatting, Supply-Chain-Risiken). Für Produkte mit digitalen Elementen gewinnen zudem die Pflichten des Cyber Resilience Act an Bedeutung.

Terminvorschläge

Alle Termine sind Vorschläge – Ihr Wunschtermin ist jederzeit möglich.

  • Do, 26. November 2026 – Fr, 27. November 2026 Online Anfragen
  • Mi, 9. Dezember 2026 – Do, 10. Dezember 2026 Berlin Anfragen
  • Di, 15. Dezember 2026 – Mi, 16. Dezember 2026 Online Anfragen
  • Mi, 13. Januar 2027 – Do, 14. Januar 2027 Stuttgart Anfragen
  • Di, 26. Januar 2027 – Mi, 27. Januar 2027 Online Anfragen
  • Di, 9. Februar 2027 – Mi, 10. Februar 2027 Hannover Anfragen

Häufige Fragen

Worin unterscheidet sich Agentic Coding von Vibe Coding?

Vibe Coding setzt auf schnelle, intuitive Iteration in natürlicher Sprache und eignet sich besonders für Prototypen. Agentic Coding ist ein ingenieurmäßiger Ansatz für professionelle Codebasen: Präzise Spezifikationen, Tests als Abnahmekriterium, klare Berechtigungen und strukturierte Reviews sorgen dafür, dass Agenten auch in komplexen, langlebigen Projekten verlässliche und wartbare Ergebnisse liefern.

Ist der Kurs an ein bestimmtes Werkzeug gebunden?

Nein. Der Kurs vermittelt Methoden, die mit Claude Code, OpenAI Codex, dem GitHub Copilot Coding Agent, Cursor und vergleichbaren Werkzeugen funktionieren. Die Übungen zeigen Unterschiede und Gemeinsamkeiten, etwa bei Kontextdateien, Berechtigungen und Subagents. Sie können mit dem Werkzeug arbeiten, das in Ihrem Unternehmen eingesetzt wird oder werden soll.

Wie behalten wir bei autonomen Agenten die Kontrolle über Qualität und Sicherheit?

Kontrolle entsteht durch mehrere Ebenen: eng gefasste Berechtigungen und Sandboxing, Tests und statische Analysen als automatische Prüfinstanz, verpflichtende menschliche Reviews vor dem Merge und klare Teamregeln zu Verantwortlichkeiten. Im Kurs entwickeln Sie ein Governance-Konzept, das zu Ihren Prozessen, Sicherheitsanforderungen und regulatorischen Vorgaben passt.

Funktioniert KI-gestütztes Coding auch in großen Django-Monolithen?

Ja, sofern der Agent den richtigen Kontext erhält. Im Kurs lernen Sie, Anweisungsdateien mit Architekturregeln, App-Struktur und Testbefehlen anzulegen und Aufgaben so zu schneiden, dass der Assistent gezielt einzelne Apps oder Module bearbeitet. So bleiben Änderungen überschaubar und reviewbar, auch wenn das Gesamtprojekt sehr umfangreich ist.

Ersetzt die KI meine Code-Reviews?

Nein. KI-Assistenten beschleunigen das Schreiben von Code und können Reviews vorbereiten, etwa durch Hinweise auf fehlende Tests oder riskante Stellen. Die fachliche und sicherheitsrelevante Verantwortung bleibt beim Team. Wir zeigen, wie Sie Review-Checklisten, statische Analyse und Tests kombinieren, damit generierter Code denselben Qualitätsmaßstäben genügt wie handgeschriebener.

Was kostet die Schulung „Agentic Coding für Python-Entwickler:innen“?

Die Schulung kostet pauschal 949 € zzgl. gesetzl. MwSt. pro Teilnehmer:in – unabhängig davon, ob sie online oder vor Ort stattfindet. Enthalten sind 2 Trainingstag(e) mit Live-Trainer:in, Kursunterlagen, Übungsumgebung und Teilnahmebescheinigung.

Kann ich einen eigenen Wunschtermin angeben?

Ja. Unsere Terminvorschläge sind eine Orientierung. Im Anfrageformular können Sie jederzeit einen Wunschtermin oder Zeitraum im Freitext angeben – wir prüfen die Verfügbarkeit und bestätigen innerhalb eines Werktags.

Findet der Kurs online oder vor Ort statt?

Beides ist möglich: live online im virtuellen Klassenraum oder vor Ort in München, Salzburg, Berlin, Augsburg, Hannover, Bremen, Stuttgart oder Kaiserslautern. Auf Wunsch führen wir das Training auch exklusiv für Ihr Team durch.

Weitere Kurse für Python-Entwickler:innen

Weitere Kurse zu Agentic Coding

Alle 32 Kurse zu Agentic Coding

Agentic Coding · MünchenAgentic Coding · SalzburgAgentic Coding · BerlinAgentic Coding · AugsburgAgentic Coding · HannoverAgentic Coding · BremenAgentic Coding · StuttgartAgentic Coding · KaiserslauternAgentic Coding · Online