KI-Agenten Observability - aiMOOC 1

KI-Agenten Observability / From Vibe Coding to Agentic Coding

Einleitung

Dieser aiMOOC führt Dich in das Thema KI-Agenten Observability ein und verbindet es mit dem Wandel von Vibe Coding zu Agentic Coding. Im Mittelpunkt steht die Frage: Wie kannst Du KI-Agenten, die Code schreiben, Werkzeuge benutzen, Tests ausführen und Entscheidungen vorbereiten, so beobachten, prüfen und steuern, dass ihre Ergebnisse nachvollziehbar, sicher und verbesserbar werden?

{{#ev:youtube| https://www.youtube.com/watch?v=XpYbNqsereM |500|center}}

Das eingebundene Video behandelt den Übergang von schnellem, intuitivem KI-unterstütztem Programmieren hin zu stärker strukturierten agentischen Entwicklungsprozessen. Es eignet sich als Einstieg, um über Chancen, Risiken und neue Kompetenzen in der Softwareentwicklung zu diskutieren.

Lernziele

Nach diesem aiMOOC kannst Du erklären, was Observability in Softwaresystemen bedeutet, warum KI-Agenten andere Beobachtungsformen benötigen als klassische Programme und wie Tracing, Metriken, Logs, Evals und Human-in-the-Loop zusammenwirken. Du kannst den Unterschied zwischen Vibe Coding und Agentic Coding beschreiben, typische Risiken agentischer Coding-Workflows analysieren und einen einfachen Observability-Plan für einen KI-Agenten entwerfen.

Warum das Thema wichtig ist

Künstliche Intelligenz verändert das Programmieren grundlegend. Früher stand meist das direkte Schreiben von Quellcode im Zentrum. Heute können große Sprachmodelle Code vorschlagen, Fehler erklären, Tests erzeugen, Dokumentation schreiben und sogar mehrere Werkzeuge nacheinander bedienen. Dadurch entsteht eine neue Arbeitsteilung: Der Mensch formuliert Ziele, bewertet Ergebnisse, setzt Grenzen und verantwortet die Qualität. Der KI-Agent übernimmt Teile der Ausführung, bleibt aber probabilistisch, kontextabhängig und fehleranfällig. Genau deshalb brauchst Du Observability.

Die Abbildung zeigt vereinfacht ein künstliches neuronales Netz. Sie erinnert daran, dass KI-Systeme nicht wie klassische Regelprogramme Schritt für Schritt nach festen Wenn-dann-Regeln funktionieren. Ihre Ausgaben entstehen aus gelernten Mustern, Wahrscheinlichkeiten und Kontextinformationen. Für Lernende, Entwicklerinnen und Entwickler bedeutet das: Eine Antwort kann plausibel klingen und trotzdem falsch, unvollständig oder unsicher sein.

Grundbegriffe: Observability, Monitoring und Telemetrie

Monitoring fragt häufig: Ist ein System gerade gesund? Es nutzt zum Beispiel Warnmeldungen, Dashboards und Schwellenwerte. Observability geht weiter. Sie fragt: Warum verhält sich ein System so, wie es sich verhält? Dafür werden Telemetriedaten gesammelt, verbunden und analysiert. In modernen Systemen sind besonders vier Signalarten wichtig: Logs, Metriken, Traces und Profiles.

Begriff	Bedeutung	Beispiel bei KI-Agenten
Log	Ereignisprotokoll mit einzelnen Meldungen	Der Agent ruft ein Werkzeug auf und erhält eine Fehlermeldung
Metrik	Messwert über Zeit	Durchschnittliche Antwortzeit, Tokenverbrauch oder Fehlerrate
Trace	Ablaufspur einer Anfrage über mehrere Schritte	Prompt, Modellaufruf, Tool Call, Testlauf und finale Antwort werden als zusammenhängender Lauf sichtbar
Span	Teilabschnitt eines Traces	Ein einzelner Datenbankzugriff oder ein einzelner Codegenerierungs-Schritt
Eval	Bewertungsverfahren für Qualität, Sicherheit oder Zielerreichung	Ein Test prüft, ob generierter Code die Anforderungen erfüllt

Warum KI-Agenten besondere Observability brauchen

Ein klassisches Programm führt vorab festgelegte Anweisungen aus. Ein KI-Agent kann dagegen Ziele interpretieren, Zwischenschritte planen, externe Werkzeuge nutzen und seinen nächsten Schritt auf Basis vorheriger Ergebnisse anpassen. Das macht ihn leistungsfähig, aber auch schwerer vorhersehbar. Ohne Observability bleibt oft unklar, welcher Prompt, welche Kontextdaten, welches Modell, welcher Tool Call oder welche Zwischenentscheidung zu einem Ergebnis geführt hat.

Besonders wichtig ist das bei Agentic Coding, weil hier nicht nur Text erzeugt wird. Ein Agent kann Dateien ändern, Abhängigkeiten installieren, Tests ausführen, Pull Requests vorbereiten oder Deployments anstoßen. Jede dieser Aktionen kann Kosten verursachen, Sicherheitsrisiken erhöhen oder bestehende Software verändern. Deshalb reicht es nicht, nur das Endergebnis anzuschauen. Du musst den Weg zum Ergebnis nachvollziehen können.

Von Vibe Coding zu Agentic Coding

Vibe Coding beschreibt eine intuitive, dialogische Form des Programmierens mit KI. Du beschreibst in natürlicher Sprache, was Du ungefähr möchtest, lässt Dir Code generieren, probierst ihn aus, gibst Feedback und verfeinerst die Lösung. Dieser Ansatz ist hilfreich für Ideen, schnelle Prototypen, Lernprozesse und kreative Experimente. Er kann aber riskant werden, wenn Anforderungen unklar bleiben, Tests fehlen oder generierter Code ungeprüft übernommen wird.

Agentic Coding geht einen Schritt weiter. Hier arbeitet ein KI-Agent zielgerichtet in einem Entwicklungsprozess: Er zerlegt Aufgaben, plant Schritte, verändert Code, führt Tests aus, beobachtet Ergebnisse, korrigiert Fehler und dokumentiert Entscheidungen. Dadurch entsteht ein geschlossener Arbeitszyklus aus Ziel, Handlung, Beobachtung und Verbesserung. Dieser Zyklus braucht klare Grenzen, überprüfbare Kriterien und Observability, damit Du als Mensch verantwortlich steuern kannst.

Die Abbildung zum Softwareentwicklungszyklus zeigt, dass professionelle Softwareentwicklung nicht nur aus Coding besteht. Anforderungen, Design, Implementierung, Testen und Weiterentwicklung hängen zusammen. Agentic Coding muss sich in diesen Zyklus einfügen, statt ihn zu ersetzen.

Vergleich: Vibe Coding und Agentic Coding

Aspekt	Vibe Coding	Agentic Coding
Ausgangspunkt	Idee, Stimmung, grobe Absicht	Ziel, Aufgabe, Kontext und Akzeptanzkriterien
Rolle des Menschen	Prompten, Ausprobieren, Korrigieren	Ziele setzen, Grenzen definieren, Ergebnisse prüfen, Freigaben erteilen
Rolle der KI	Code vorschlagen und erklären	Planen, ausführen, testen, beobachten, iterieren
Qualitätssicherung	Häufig informell und manuell	Tests, Traces, Reviews, Evals und Regeln im Workflow
Risiko	Unklare Anforderungen und ungeprüfte Annahmen	Tool-Missbrauch, Kosten, Sicherheitslücken, fehlerhafte autonome Entscheidungen
Geeignet für	Prototypen, Lernen, Ideenskizzen	Wiederholbare Entwicklungsaufgaben, Refactoring, Testgenerierung, größere Codebasen

Agenten-Observability als Denkmodell

Ein guter Observability-Ansatz für KI-Agenten beantwortet vier Kernfragen. Erstens: Was hat der Agent gesehen? Dazu gehören Prompt, Systemanweisung, Kontextfenster, abgerufene Dokumente und Eingabedaten. Zweitens: Was hat der Agent entschieden? Dazu gehören Plan, Zwischenschritte, Tool-Auswahl und Abbruchkriterien. Drittens: Was hat der Agent getan? Dazu gehören Dateiänderungen, Befehle, API-Aufrufe, Tests und externe Aktionen. Viertens: Wie gut war das Ergebnis? Dazu gehören funktionale Tests, Sicherheitsprüfungen, Kosten, Latenz, Nutzerfeedback und Evals.

Signale für KI-Agenten

Signal	Beobachtbare Frage	Nutzen
Prompt	Welche Anweisung wurde verwendet?	Erklärt Absicht, Rahmen und mögliche Fehlinterpretationen
Kontextfenster	Welche Informationen lagen dem Modell vor?	Hilft, fehlende oder veraltete Informationen zu erkennen
Tool Call	Welche Werkzeuge wurden wann aufgerufen?	Macht externe Aktionen und Nebenwirkungen sichtbar
Token	Wie viele Eingabe- und Ausgabetoken wurden verbraucht?	Unterstützt Kostenkontrolle und Effizienzbewertung
Latenz	Wie lange dauerte ein Schritt?	Zeigt Engpässe und Wartezeiten
Trace	Welche Schrittfolge führte zum Ergebnis?	Ermöglicht Debugging über den gesamten Agentenlauf
Eval	Wurde das Ziel erfüllt?	Verbindet Beobachtung mit Qualitätsbewertung

Beispiel: Trace eines Coding-Agenten

Stell Dir vor, Du beauftragst einen Coding-Agenten: „Erstelle eine Login-Funktion mit Passwort-Reset und schreibe Tests.“ Ein einfacher Trace könnte so aussehen:

Schritt	Span	Beobachtung	Mögliche Qualitätsfrage
Anforderung verstehen	intent.parse	Der Agent fasst die Aufgabe zusammen	Hat er Datenschutz und Sicherheit erwähnt?
Plan erstellen	plan.create	Der Agent plant Datenmodell, API und Tests	Sind die Schritte vollständig und realistisch?
Code ändern	code.edit	Der Agent bearbeitet mehrere Dateien	Sind Änderungen nachvollziehbar und begrenzt?
Tests ausführen	test.run	Unit-Tests laufen durch oder schlagen fehl	Wurden relevante Fehler erkannt?
Fehler korrigieren	code.fix	Der Agent passt Code nach Testergebnissen an	Entstehen neue Nebenwirkungen?
Ergebnis bewerten	eval.security	Sicherheitsregeln werden geprüft	Gibt es Risiken wie unsichere Token oder fehlende Rate Limits?

Ohne diesen Trace würdest Du nur das Endergebnis sehen. Mit Trace erkennst Du, wo ein Fehler entstanden ist, ob der Agent wichtige Anforderungen vergessen hat und ob eine Korrektur wirklich begründet war.

Werkzeuge und Standards

Ein zentraler Begriff ist OpenTelemetry. OpenTelemetry ist ein herstellerneutraler Ansatz, um Telemetriedaten wie Traces, Metriken und Logs zu erzeugen, zu sammeln und an Auswertungssysteme weiterzugeben. Für KI-Agenten ist das wichtig, weil Teams nicht an ein einzelnes Tool gebunden sein sollten. Standards erleichtern den Vergleich, die Integration und die langfristige Wartbarkeit.

Dashboards helfen, Muster zu erkennen. Sie ersetzen aber nicht die Analyse. Ein Dashboard kann zeigen, dass die Latenz steigt oder die Fehlerrate zunimmt. Ein Trace kann zeigen, welcher Agentenschritt verantwortlich war. Eine Evaluation kann zeigen, ob die Antwort fachlich korrekt, sicher und nützlich war. Erst das Zusammenspiel macht KI-Agenten Observability stark.

Typische Risiken in agentischen Coding-Workflows

Halluzination: Der Agent erfindet Funktionen, Bibliotheken oder Testergebnisse, die nicht existieren.
Prompt Injection: Eingaben oder Dokumente enthalten Anweisungen, die den Agenten zu unerwünschtem Verhalten verleiten.
Sicherheitslücke: Generierter Code enthält unsichere Authentifizierung, geheime Schlüssel oder fehlende Eingabevalidierung.
Kostenkontrolle: Zu viele Modellaufrufe, lange Kontexte oder Endlosschleifen erhöhen Kosten und Wartezeit.
Datenleck: Vertrauliche Informationen werden in Prompts, Logs oder externen Tools sichtbar.
Regression: Eine Änderung löst ein altes Problem, erzeugt aber neue Fehler.
Verantwortung: Unklarheit darüber, wer eine Änderung geprüft und freigegeben hat, erschwert Governance.

Gute Praxis: Mensch, Agent und System gemeinsam denken

Professionelles Agentic Coding bedeutet nicht, dass der Mensch verschwindet. Im Gegenteil: Die menschliche Rolle wird anspruchsvoller. Du musst Ziele präzise formulieren, Risiken einschätzen, Tests lesen, Logs interpretieren und entscheiden, wann ein Agent stoppen oder nachfragen soll. Besonders wirksam sind klare Akzeptanzkriterien, kleine Arbeitspakete, versionierte Prompts, reproduzierbare Tests, getrennte Entwicklungsumgebungen und menschliche Freigaben vor riskanten Aktionen.

Minimaler Observability-Plan für einen KI-Coding-Agenten

Ein einfacher Plan kann so aussehen:

Bereich	Beobachtung	Mindestregel
Eingabe	Nutzerziel, Systemanweisung, relevante Dateien	Keine geheimen Daten in Prompts
Planung	Aufgabenzerlegung und Annahmen	Agent muss offene Fragen markieren
Ausführung	Tool Calls, Dateiänderungen, Befehle	Riskante Befehle nur nach Freigabe
Qualität	Tests, Linting, Sicherheitsprüfung	Keine Übergabe ohne Testbericht
Kosten	Token, Laufzeit, Wiederholungen	Abbruch bei Schleifen oder Kostenlimit
Nachvollziehbarkeit	Trace, Modellversion, Promptversion	Jeder Lauf erhält eine eindeutige ID

Didaktischer Merksatz

Vibe Coding hilft Dir, schnell Ideen in Code zu verwandeln. Agentic Coding hilft Dir, komplexere Entwicklungsziele in wiederholbare Arbeitsabläufe zu überführen. KI-Agenten Observability sorgt dafür, dass diese Arbeitsabläufe sichtbar, prüfbar, sicher und verbesserbar bleiben.

Interaktive Aufgaben

Quiz: Teste Dein Wissen

Was ist das Hauptziel von Observability in Softwaresystemen? (Die Ursachen eines Systemverhaltens nachvollziehbar machen) (!Nur die Farbe eines Dashboards anpassen) (!Programmiersprachen automatisch ersetzen) (!Alle Tests grundsätzlich abschalten)

Was beschreibt ein Trace am besten? (Die zusammenhängende Ablaufspur einer Anfrage oder Aufgabe) (!Eine zufällige Liste von Passwörtern) (!Eine grafische Dekoration im Codeeditor) (!Eine Lizenz für offene Software)

Was ist ein typisches Merkmal von Vibe Coding? (Intuitives Programmieren durch natürliche Sprache und schnelles Ausprobieren) (!Ausschließliches Programmieren in Maschinencode) (!Vollständig papierbasierte Softwareentwicklung) (!Verbot jeder KI-Unterstützung)

Was unterscheidet Agentic Coding besonders von einfachem KI-Codevorschlag? (Ein Agent kann planen, Werkzeuge nutzen, testen und iterieren) (!Der Mensch darf keine Ziele mehr setzen) (!Code wird ohne Computer geschrieben) (!Alle Ergebnisse sind automatisch fehlerfrei)

Welche Information ist für KI-Agenten Observability besonders wichtig? (Welcher Prompt, Kontext und Tool Call zu einem Ergebnis geführt hat) (!Wie laut die Tastatur beim Schreiben war) (!Welche Hintergrundfarbe die Webseite hat) (!Wie viele Fenster im Raum geöffnet sind)

Warum sind Evals in agentischen Workflows wichtig? (Sie bewerten, ob Ergebnisse fachlich, funktional oder sicher passend sind) (!Sie ersetzen jede menschliche Verantwortung) (!Sie löschen alle Traces automatisch) (!Sie verhindern jede Softwareänderung)

Was ist ein Risiko bei ungeprüftem KI-generiertem Code? (Er kann Sicherheitslücken oder falsche Annahmen enthalten) (!Er ist immer mathematisch bewiesen) (!Er benötigt nie Tests) (!Er kann nie externe Bibliotheken verwenden)

Welche Rolle hat Human-in-the-Loop in sicheren Agentenprozessen? (Menschen prüfen, steuern und geben riskante Schritte frei) (!Menschen dürfen keine Entscheidungen treffen) (!Der Agent wird dauerhaft deaktiviert) (!Alle Logs werden unlesbar gemacht)

Was kann eine Metrik in einem KI-Agenten-System messen? (Latenz, Fehlerrate oder Tokenverbrauch) (!Die Lieblingsfarbe des Agenten) (!Die physische Größe des Servers) (!Den Namen jeder Programmiertaste)

Welche Aussage beschreibt gute Agenten-Observability am besten? (Sie verbindet Beobachtung, Bewertung und nachvollziehbare Verantwortung) (!Sie macht Tests überflüssig) (!Sie verbirgt alle Zwischenschritte) (!Sie erlaubt unbegrenzte Tool-Nutzung ohne Regeln)

Memory

Trace	Ablaufspur
Span	Teilschritt
Metrik	Messwert
Log	Ereignisprotokoll
Eval	Qualitätsbewertung
Prompt	Anweisung
Tool Call	Werkzeugaufruf
Latenz	Wartezeit

Drag and Drop

Ordne die richtigen Begriffe zu.	Thema
Prompt	Eingabe oder Arbeitsanweisung an das KI-System
Trace	Zusammenhängende Spur eines Agentenlaufs
Eval	Bewertung der Ergebnisqualität
Sandbox	Begrenzte und geschützte Ausführungsumgebung
Human Review	Menschliche Prüfung vor Freigabe
Kostenlimit	Begrenzung von Tokenverbrauch und Laufzeit

...

Kreuzworträtsel

Tracing	Wie heißt das Verfahren, das einen Ablauf über mehrere Schritte sichtbar macht?
Prompt	Wie heißt eine Anweisung an ein KI-Sprachmodell?
Metrik	Wie nennt man einen messbaren Wert über Zeit?
Latenz	Wie heißt die Wartezeit bis zu einer Antwort?
Sandbox	Wie nennt man eine geschützte Ausführungsumgebung?
Agent	Wie nennt man ein KI-System, das Ziele verfolgt und Werkzeuge nutzen kann?

LearningApps

Lückentext

Bei der

geht es darum, das Verhalten eines Systems nachvollziehbar zu machen. Ein

zeigt den Ablauf einer Aufgabe über mehrere Schritte hinweg. Ein einzelner Abschnitt innerhalb eines solchen Ablaufs heißt

. Beim

entstehen Programme oft durch natürliche Sprache, schnelles Ausprobieren und iterative Rückmeldungen. Beim

übernimmt ein KI-Agent mehr Planung, Werkzeugnutzung, Testausführung und Korrektur. Für sichere Workflows braucht der Agent klare

. Ein

bewertet, ob ein Ergebnis fachlich, funktional oder sicher passend ist. Der Mensch bleibt durch

verantwortlich eingebunden. Besonders wichtig sind Schutzmaßnahmen gegen

, Datenlecks und unsichere Befehle. Gute Agenten-Observability verbindet Telemetrie, Tests, Kostenkontrolle und

.

Offene Aufgaben

Leicht

Begriffskarte Observability: Erstelle eine Begriffskarte mit mindestens acht zentralen Begriffen wie Trace, Span, Log, Metrik, Eval, Prompt, Tool Call und Latenz. Schreibe zu jedem Begriff ein eigenes Beispiel aus einem Coding-Agenten-Workflow.
Vibe Coding Tagebuch: Protokolliere eine kleine KI-unterstützte Programmieraufgabe. Notiere, welche Prompts Du genutzt hast, welche Fehler auftraten und wie Du entschieden hast, ob der Code brauchbar ist.
Fehler erkennen: Sammle drei Beispiele für plausible, aber falsche KI-Antworten beim Programmieren. Erkläre, woran Du die Fehler erkannt hast.
Dashboard Skizze: Zeichne ein einfaches Dashboard für einen KI-Agenten. Es soll mindestens Latenz, Fehlerrate, Tokenverbrauch und letzte Tool Calls anzeigen.

Standard

Trace-Modell entwickeln: Entwirf für einen Coding-Agenten ein Trace-Schema mit mindestens sechs Spans. Beschreibe für jeden Span, welche Daten gespeichert werden und welche nicht gespeichert werden dürfen.
Risikomatrix KI-Agenten: Erstelle eine Risikomatrix für Agentic Coding mit den Kategorien Wahrscheinlichkeit, Schaden, Erkennbarkeit und Gegenmaßnahme. Nutze mindestens fünf Risiken.
Eval-Datensatz: Entwickle zehn Testfälle für einen Agenten, der kleine Python-Funktionen schreibt. Jeder Testfall soll Eingabe, erwartetes Ergebnis und Bewertungskriterium enthalten.
Human-in-the-Loop Prozess: Entwirf einen Freigabeprozess für riskante Agentenaktionen wie Dateilöschung, Paketinstallation oder Deployment. Erkläre, wann der Agent stoppen und nachfragen muss.

Schwer

Observability-Prototyp: Plane einen technischen Prototyp, der Prompts, Tool Calls, Testergebnisse und Kosten eines Coding-Agenten protokolliert. Beschreibe Architektur, Datenmodell und Datenschutzmaßnahmen.
Vergleichsanalyse: Vergleiche Vibe Coding und Agentic Coding anhand eines realistischen Projekts. Analysiere, welche Aufgaben sich für schnelle Exploration eignen und welche strukturierte Agenten-Workflows benötigen.
Sicherheitsreview: Entwickle eine Checkliste für ein Sicherheitsreview von KI-generiertem Code. Berücksichtige Eingabevalidierung, Authentifizierung, Geheimnisse, Abhängigkeiten und Logging.
Governance-Konzept: Erstelle ein Governance-Konzept für den Einsatz von KI-Agenten in einer Schule, einem Ausbildungsbetrieb oder einem Softwareteam. Gehe auf Rollen, Verantwortung, Nachvollziehbarkeit, Datenschutz und Lernkultur ein.

type=create break=no preload=CHAT GPT TEXT HIER EINFÜGEN default= width=30 placeholder= Dein MOOC Titel buttonlabel=MOOC erstellen </inputbox>

Lernkontrolle

Transfer Agenten-Workflow: Erkläre an einem selbst gewählten Softwareprojekt, welche Teile Du mit Vibe Coding bearbeiten würdest und welche nur mit strukturiertem Agentic Coding. Begründe Deine Entscheidung mit Risiken und Qualitätsanforderungen.
Ursachenanalyse: Ein KI-Agent hat funktionierenden Code erzeugt, aber dabei eine Sicherheitslücke eingebaut. Beschreibe, welche Observability-Daten Du untersuchen würdest, um die Ursache zu finden.
Evaluationsdesign: Entwickle ein Eval-Konzept für einen Agenten, der Fehlerberichte automatisch in Codeänderungen übersetzt. Berücksichtige funktionale Korrektheit, Verständlichkeit, Sicherheit und Kosten.
Grenzen der Automatisierung: Diskutiere, warum mehr Autonomie nicht automatisch bessere Software bedeutet. Beziehe Tests, menschliche Verantwortung und Kontextverständnis ein.
Datenschutzabwägung: Analysiere, welche Daten in Traces eines KI-Agenten gespeichert werden sollten und welche aus Datenschutzgründen maskiert, gekürzt oder gar nicht erfasst werden dürfen.
Organisationsentscheidung: Eine Schule oder Firma möchte KI-Agenten für Programmieraufgaben einführen. Formuliere eine begründete Empfehlung mit Mindestanforderungen an Observability, Schulung, Freigabeprozesse und Dokumentation.

Lernnachweis

Für den Lernnachweis erstellst Du ein eigenes Mini-Konzept für einen beobachtbaren KI-Coding-Agenten. Dein Konzept soll zeigen, dass Du die Zusammenhänge zwischen KI-Agent, Softwareentwicklung, Observability, Evaluation und Verantwortung verstanden hast.

Anforderungen an den Lernnachweis

Szenario: Beschreibe eine konkrete Coding-Aufgabe, die ein KI-Agent bearbeiten soll.
Agentenprozess: Stelle dar, wie der Agent Ziel, Planung, Ausführung, Test und Korrektur durchläuft.
Observability-Konzept: Lege fest, welche Traces, Logs, Metriken und Evals erfasst werden.
Sicherheitsregeln: Formuliere mindestens fünf Grenzen, bei denen der Agent stoppen oder menschliche Freigabe einholen muss.
Reflexion: Bewerte, welche Risiken trotz Observability bleiben und welche Rolle der Mensch übernimmt.

Bewertungskriterien

Kriterium	Erwartung
Fachlichkeit	Die Begriffe werden korrekt verwendet und sinnvoll verbunden
Transfer	Das Konzept wird auf ein eigenes realistisches Szenario angewendet
Sicherheit	Datenschutz, Zugriffsbeschränkung und Freigabeprozesse werden berücksichtigt
Nachvollziehbarkeit	Die geplanten Telemetriedaten ermöglichen eine Ursachenanalyse
Reflexion	Chancen und Grenzen agentischer Entwicklung werden ausgewogen dargestellt

OERs zum Thema

Quellen und Vertiefung

OpenTelemetry: Offizielle OpenTelemetry-Dokumentation zur Erfassung und Weitergabe von Telemetriedaten.
Grafana: Grafana-Dokumentation zu Traces, Logs, Metriken und weiteren Observability-Signalen.
LangSmith: LangSmith-Dokumentation zu Observability, Evaluation und Entwicklung von LLM-Anwendungen.
Langfuse: Langfuse-Dokumentation zu Open-Source-LLM-Observability, Tracing und Evaluation.
Wikimedia Commons: Artificial neural network.svg, SDLC - Software Development Life Cycle.jpg und Observability dashboard.png als freie Lernmedien.
Wikipedia: Künstliche Intelligenz, Softwaretechnik und Observability software als Einstieg in Grundbegriffe.

Links

KI-Agenten Observability

aiMOOC-Projekte

Schulfach+

Prüfungsliteratur 2026
Bundesland	Bücher	Kurzbeschreibung
Baden-Württemberg	Abitur Der zerbrochne Krug - Heinrich von Kleist Heimsuchung - Jenny Erpenbeck Mittlere Reife Der Markisenmann - Jan Weiler oder Als die Welt uns gehörte - Liz Kessler Ein Schatten wie ein Leopard - Myron Levoy oder Pampa Blues - Rolf Lappert	Abitur Dorfrichter-Komödie über Wahrheit/Schuld; Roman über einen Ort und deutsche Geschichte. Mittlere Reife Wahllektüren (Roadtrip-Vater-Sohn / Jugendroman im NS-Kontext / Coming-of-age / Provinzroman).
Bayern	Abitur Der zerbrochne Krug - Heinrich von Kleist Heimsuchung - Jenny Erpenbeck	Abitur Lustspiel über Machtmissbrauch und Recht; Roman als Zeitschnitt deutscher Geschichte an einem Haus/Grundstück.
Berlin/Brandenburg	Abitur Der zerbrochne Krug - Heinrich von Kleist Woyzeck - Georg Büchner Der Biberpelz - Gerhart Hauptmann Heimsuchung - Jenny Erpenbeck	Abitur Gerichtskomödie; soziales Drama um Ausbeutung/Armut; Komödie/Satire um Diebstahl und Obrigkeit; Roman über Erinnerungsräume und Umbrüche.
Bremen	Abitur Nach Mitternacht - Irmgard Keun Mario und der Zauberer - Thomas Mann Emilia Galotti - Gotthold Ephraim Lessing oder Miss Sara Sampson - Gotthold Ephraim Lessing	Abitur Roman in der NS-Zeit (Alltag, Anpassung, Angst); Novelle über Verführung/Massenpsychologie; bürgerliche Trauerspiele (Moral, Macht, Stand).
Hamburg	Abitur Der zerbrochne Krug - Heinrich von Kleist Das kunstseidene Mädchen - Irmgard Keun	Abitur Justiz-/Machtkritik als Komödie; Großstadtroman der Weimarer Zeit (Rollenbilder, Aufstiegsträume, soziale Realität).
Hessen	Abitur Der zerbrochne Krug - Heinrich von Kleist Woyzeck - Georg Büchner Heimsuchung - Jenny Erpenbeck Der Prozess - Franz Kafka	Abitur Gerichtskomödie; Fragmentdrama über Gewalt/Entmenschlichung; Erinnerungsroman über deutsche Brüche; moderner Roman über Schuld, Macht und Bürokratie.
Niedersachsen	Abitur Der zerbrochene Krug - Heinrich von Kleist Das kunstseidene Mädchen - Irmgard Keun Die Marquise von O. - Heinrich von Kleist Über das Marionettentheater - Heinrich von Kleist	Abitur Schwerpunkt auf Drama/Roman sowie Kleist-Prosatext und Essay (Ehre, Gewalt, Unschuld; Ästhetik/„Anmut“).
Nordrhein-Westfalen	Abitur Der zerbrochne Krug - Heinrich von Kleist Heimsuchung - Jenny Erpenbeck	Abitur Komödie über Wahrheit und Autorität; Roman als literarische „Geschichtsschichtung“ an einem Ort.
Saarland	Abitur Heimsuchung - Jenny Erpenbeck Furor - Lutz Hübner und Sarah Nemitz Bahnwärter Thiel - Gerhart Hauptmann	Abitur Erinnerungsroman an einem Ort; zeitgenössisches Drama über Eskalation/Populismus; naturalistische Novelle (Pflicht/Überforderung/Abgrund).
Sachsen (berufliches Gymnasium)	Abitur Der zerbrochne Krug - Heinrich von Kleist Woyzeck - Georg Büchner Irrungen, Wirrungen - Theodor Fontane Der gute Mensch von Sezuan - Bertolt Brecht Heimsuchung - Jenny Erpenbeck Der Trafikant - Robert Seethaler	Abitur Mischung aus Klassiker-Drama, sozialem Drama, realistischem Roman, epischem Theater und Gegenwarts-/Erinnerungsroman; zusätzlich Coming-of-age im historischen Kontext.
Sachsen-Anhalt	Abitur (keine fest benannte landesweite Pflichtlektüre veröffentlicht; Themenfelder)	Abitur Schwerpunktsetzung über Themenfelder (u. a. Literatur um 1900; Sprache in politisch-gesellschaftlichen Kontexten), ohne feste Einzeltitel.
Schleswig-Holstein	Abitur Der zerbrochne Krug - Heinrich von Kleist Heimsuchung - Jenny Erpenbeck	Abitur Recht/Gerechtigkeit und historische Tiefenschichten eines Ortes – umgesetzt über Drama und Gegenwartsroman.
Thüringen	Abitur (keine fest benannte landesweite Pflichtlektüre veröffentlicht; Orientierung am gemeinsamen Aufgabenpool)	Abitur In der Praxis häufig Orientierung am gemeinsamen Aufgabenpool; landesweite Einzeltitel je nach Vorgabe/Handreichung nicht einheitlich ausgewiesen.
Mecklenburg-Vorpommern	Abitur (Quelle aktuell technisch nicht abrufbar; Beteiligung am gemeinsamen Aufgabenpool bekannt)	Abitur Land beteiligt sich am länderübergreifenden Aufgabenpool; konkrete, veröffentlichte Einzeltitel konnten hier nicht ausgelesen werden.
Rheinland-Pfalz	Abitur (keine landesweit einheitliche Pflichtlektüre; schulische Auswahl)	Abitur Keine landesweite Einheitsliste; Auswahl kann schul-/kursbezogen erfolgen.