iSAQB CPSA-A AGENTA

Beschreibung

Die Teilnahme an der iSAQB® CPSA-A Schulung Architektur für agentische Software-Engineering-Kontexte (AGENTA) bringt den Teilnehmenden 20 Kompetenzpunkte im Bereich Methodik (MC) und 10 Kompetenzpunkte im Bereich Technik (TC) ein. Diese werden auf die 70 Punkte angerechnet, die für die Zulassung zur iSAQB CPSA-A Prüfung bei Brightest erforderlich sind. Dabei ist zu beachten, dass innerhalb der insgesamt 70 Punkte, die für die Teilnahme an der iSAQB CPSA-A Prüfung bei Brightest erforderlich sind, jeweils mindestens zehn Kompetenzpunkte in den folgenden Bereichen erworben werden müssen: 

• Technische Kompetenz (TC)
• Methodische Kompetenz (MC)
• Kommunikative Kompetenz (CC)

Die akkreditierte iSAQB® AGENTA Schulung – Architektur für agentische Software-Engineering-Kontexte (CPSA-A) basiert auf dem aktuellen iSAQB® Curriculum:

Teil 1 – Einführung und Grundlagen

• Die Zusammenhänge zwischen künstlicher Intelligenz, maschinellem Lernen, generativer KI und großen Sprachmodellen verstehen
• Zwischen KI-gestütztem, erweitertem und agentischem Coding unterscheiden
• KI-Orchestrierung, agentische Workflows und agentisches Engineering verstehen
• Die Unterschiede zwischen agentischem Engineering und Vibe Coding erkennen
• Die Fähigkeiten und Grenzen großer Sprachmodelle verstehen, einschließlich Halluzinationen, Verzerrungen, Wissensgrenzen und Kontextbeschränkungen
• Den Einfluss von Prompt Engineering und Context Engineering auf die Qualität KI-generierter Ergebnisse erklären
• Zwischen KI-Assistenten und KI-Agenten unterscheiden
• Agentische Schleifen, Werkzeugnutzung, Zustandsverwaltung, Planung, Sub-Agenten und Human-in-the-Loop-Ansätze verstehen
• Unterschiedliche Autonomiestufen im agentischen Engineering einordnen
• Ansätze wie Spec-Driven Development, Agentenschwärme und Conversational Programming kennen
• Entscheiden, ob eine Aufgabe von einem Menschen, einem klassischen Softwarewerkzeug oder einem KI-Agenten ausgeführt werden sollte
• Verstehen, wie KI-Assistenten und KI-Agenten Tätigkeiten in der Softwarearchitektur unterstützen können, ohne die menschliche architektonische Beurteilung zu ersetzen

Teil 2 – KI-gestützte Architekturentscheidungen

• Den Lebenszyklus von Architekturentscheidungen und die Auswirkungen des agentischen Engineerings darauf verstehen
• Kontinuierliche Feedbackschleifen zwischen Architektur, Entwicklung, Test und Betrieb einrichten
• KI zur Unterstützung kontinuierlicher und evidenzbasierter Architekturentscheidungen einsetzen
• Qualitätsziele zu bewertbaren Architekturtreibern und Qualitätsszenarien konkretisieren
• Konflikte zwischen Qualitätszielen, Randbedingungen und architektonischen Absichten identifizieren
• Strukturelle Schwächen, Architekturdrift, technische Schulden und zunehmende Komplexität erkennen
• Etablierte Analysewerkzeuge mit KI-gestützten Architektur-Reviews und -Bewertungen kombinieren
• KI einsetzen, um Architekturalternativen zu erstellen, weiterzuentwickeln und zu vergleichen
• Architekturoptionen anhand von Treibern, Randbedingungen, Prinzipien und bestehenden Entscheidungen bewerten
• Architekturentscheidungen als überprüfbare Hypothesen mit ausdrücklichen Annahmen und Validierungskriterien behandeln
• Leichtgewichtige Experimente, Prototypen, Simulationen, Spikes und direkte Vergleiche entwerfen
• Die Grenzen und Risiken KI-gestützter Überlegungen zur Architektur erkennen
• Review-Punkte, Leitplanken und Grenzen für folgenreiche Architekturentscheidungen festlegen
• Die Architekturarbeit von der Vorgabe konkreter Implementierungsdetails hin zur Orchestrierung von Zielen, Randbedingungen und Akzeptanzkriterien verlagern
• Orchestrierungsrisiken wie unkontrolliert agierende Agenten, Endlosschleifen und sich ausbreitende Fehler erkennen und begrenzen
• Kosten und Nachhaltigkeit bei der Gestaltung agentischer Workflows berücksichtigen

Teil 3 – Architektonisches Wissen für Agenten bereitstellen

• Verstehen, wie die einem KI-Agenten verfügbaren Informationen die Qualität und architektonische Konsistenz seiner Ergebnisse beeinflussen
• Die Bereitstellung architektonischen Wissens für Agenten als Engineering- und Gestaltungsaufgabe betrachten
• Für KI-Agenten relevante Architekturentscheidungen, Randbedingungen, Qualitätsziele, Prinzipien, Domänenkonzepte und Systemgrenzen identifizieren
• Präzise, wartbare und wirksame Darstellungen architektonischen Wissens für Agenten entwerfen
• Formate wie Architecture Decision Records, Architekturregeln, Kontextdateien, Wissensdatenbanken, Retrieval-Indizes, Diagrams-as-Code und strukturierte Randbedingungen einsetzen
• Geeignete Mechanismen auswählen, um Agenten das architektonische Wissen zum richtigen Zeitpunkt bereitzustellen
• Strategien wie Retrieval-Augmented Generation und wiederverwendbare Agenten-Skills bewerten
• Die architektonischen Auswirkungen standardisierter Protokolle zur Integration von Agenten und Werkzeugen wie dem Model Context Protocol verstehen
• Bewerten, ob das für Agenten verfügbare architektonische Wissen ausreichend und angemessen strukturiert ist
• Einen umfassenden architektonischen Kontext gegen das Risiko irrelevanter oder widersprüchlicher Informationen abwägen
• Die Wissensbereitstellung durch die Beobachtung und Bewertung des Agentenverhaltens schrittweise verbessern
• Erkennen, dass eine gemeinsame Dokumentation nicht automatisch zu einem gemeinsamen Verständnis führt

Teil 4 – Agenten an architektonischen Zielen ausrichten

• Verstehen, warum KI-Agenten klare architektonische Kontrollen und Randbedingungen benötigen
• Erkennen, wie uneingeschränkte KI-generierte Arbeit zu Inkonsistenzen, technischen Schulden und Architekturdrift führen kann
• Verstehen, warum architektonisches Wissen allein nicht ausreicht, um das Verhalten von Agenten zu steuern
• Präventive und aufdeckende Kontrollen entwerfen, die KI-generierte Arbeit innerhalb der architektonischen Grenzen halten
• Zielkonflikte zwischen Genauigkeit und Abdeckung sowie zwischen Geschwindigkeit und Analysetiefe bewerten
• Geeignete Durchsetzungsmechanismen für strukturelle Regeln und umfassendere Qualitätsmerkmale auswählen
• Architekturtests, statische Analysen, Linter, Abhängigkeitsregeln, Richtlinienprüfungen, Review-Gates, Sandboxing und Freigabeprozesse einsetzen
• Architektonische Kontrollen an geeigneten Stellen im Entwicklungs- und Bereitstellungsprozess einrichten
• Eine kontinuierliche Architekturprüfung für sich schnell entwickelnde KI-gestützte Codebasen etablieren
• Bewerten, ob eine bestehende Codebasis und ein bestehender Technologie-Stack für die architektonische Kontrolle von KI-Agenten geeignet sind
• Architektonische Kontrollen schrittweise in bestehende Systeme einführen
• Den Aufwand für die Einrichtung von Kontrollen gegen die Risiken eines Agenteneinsatzes ohne solche Kontrollen abwägen
• Fehler in KI-generierter Arbeit nutzen, um architektonische Kontrollen kontinuierlich zu verbessern
• Bestimmen, welche Verbesserungen der Kontrollen automatisiert werden können und wo menschliche Beurteilung weiterhin unverzichtbar ist

Teil 5 – Extraktion von Architekturinformationen

• Zwischen der Dokumentation der Ist-Architektur und der Soll-Architektur unterscheiden
• Zwischen Architekturinformationen für Menschen und Architekturinformationen für Agenten unterscheiden
• Verstehen, wo KI die Architekturdokumentation unterstützen kann und wo menschliche Zusammenarbeit weiterhin erforderlich ist
• Kompakte und maschinenlesbare Darstellungen für KI-gestützte Workflows erstellen
• Architekturentscheidungen und Dokumentation während agentischer Entwicklungsschleifen pflegen
• Erkennen, wenn die agentische Entwicklung bestehende Architekturentscheidungen indirekt verändert oder sich von ihnen entfernt
• Architecture Decision Records einsetzen, um Entscheidungen, Alternativen, Begründungen und Konsequenzen festzuhalten
• KI nutzen, um ADR-Entwürfe aus Kontextprotokollen, Ergebnissen von Leitplankenprüfungen, Gesprächen, E-Mails und Besprechungsprotokollen zu erstellen
• Menschliche Review-Punkte einrichten, um Nachvollziehbarkeit und Verantwortlichkeit sicherzustellen
• Architekturinformationen aus Quellcode, Repositorys, Schnittstellen, Konfigurationen, Tests und Bereitstellungsbeschreibungen extrahieren
• KI-generierte Erkenntnisse mit statischen und dynamischen Analysen kombinieren
• Technologien, Frameworks, Architekturmuster, Entwurfsmuster und mögliche Geschäftsregeln erkennen
• Lücken, Inkonsistenzen und Unsicherheiten in wiedergewonnenen Architekturinformationen identifizieren
• Architektursichten aus Entwicklungsartefakten erstellen und pflegen
• Textbasierte Formate wie Mermaid und Structurizr für eine versionierte, lebendige Dokumentation einsetzen
• Generierte Dokumentation anhand des Wissens der Entwicklungsteams und des tatsächlichen Systemverhaltens validieren

Teil 6 – Governance und Quality Gates für den Einsatz von KI

• Urheberrechtliche und softwarelizenzrechtliche Aspekte beim Einsatz KI-generierten Codes und KI-generierter Artefakte verstehen
• Kontrollen einrichten, die urheberrechtliche Risiken in der KI-gestützten Entwicklung reduzieren
• Die Verarbeitung personenbezogener und sensibler Daten beim Einsatz von KI-Werkzeugen bewerten
• Rollen und Verantwortlichkeiten gemäß den Datenschutzanforderungen verstehen
• Die grundlegenden Rollen, die Risikologik und die schrittweise geltenden Anforderungen der EU-KI-Verordnung auf typische Einsatzszenarien für KI-Werkzeuge anwenden
• Erkennen, wann Datenschutz, Informationssicherheit, Recht und weitere Stakeholder einbezogen werden sollten
• KI-bezogene Entscheidungen so dokumentieren, dass sie für Audits und weitere Entscheidungen geeignet sind
• Die Nachvollziehbarkeit und Herkunft KI-generierter Ergebnisse sicherstellen
• Strukturierte Protokollierung, Kontextreferenzen, Quellenangaben, Versionierung, Tracing und Monitoring einsetzen
• KI-Governance einheitlich über Teams und Entwicklungsprozesse hinweg skalieren
• Tokenbasierte und abonnementbasierte Kostenmodelle für KI vergleichen
• Bei der Auswahl von KI-Diensten Anbieterabhängigkeit, Flexibilität bei der Anbieterwahl und Datensouveränität berücksichtigen
• Leitplanken, Freigabeprozesse und Positivlisten für die Integration von Agenten und Werkzeugen einsetzen
• Die Umweltauswirkungen KI-gestützter und agentischer Entwicklung verstehen
• Nachhaltige Nutzungsstrategien auf Grundlage der Modellgröße, der Workflow-Gestaltung und des Ressourcenverbrauchs entwickeln
• Sichere und datenschutzkonforme Regeln für die Auswahl und Nutzung von KI-Werkzeugen festlegen
• Sicherheitsrisiken wie Prompt Injection, den Missbrauch von Werkzeugen und Confused-Deputy-Angriffe verstehen
• Maßnahmen wie das Prinzip der geringsten Rechte, eingeschränkte Zugangsdaten, ausdrückliche Freigaben und Monitoring anwenden
• Geeignete containerbasierte oder auf virtuellen Maschinen basierende Sandboxing-Strategien auswählen

Teil 7 – Die Weiterentwicklung der Softwarearchitektur als Disziplin

• Verantwortung und Zuständigkeit für KI-generierten Code und die Ergebnisse der Engineering-Arbeit übernehmen
• Das Risiko eines Kompetenzverlusts durch eine übermäßige Abhängigkeit von KI erkennen und berücksichtigen
• Bewusstes Üben, menschliches Denken als Ausgangspunkt und KI-gestütztes Lernen einsetzen, um grundlegende Kompetenzen zu erhalten
• KI-generierte Ergebnisse kritisch prüfen und validieren
• Zwischen KI-gestütztem Denken und delegierter Entscheidungsfindung unterscheiden
• Architekturtätigkeiten identifizieren, die weiterhin in menschlicher Verantwortung bleiben müssen
• Gemeinsame Begriffe und Domänenvokabulare einsetzen, um die Konsistenz von Agentenentscheidungen zu verbessern
• Messen, ob Teams ihre architektonischen Fähigkeiten verbessern, statt lediglich schneller Ergebnisse zu produzieren
• KI-gestützte Entwicklung mithilfe klarer Hypothesen, kontrollierter Experimente und messbarer Ergebnisse einführen
• Die Einführung von KI als fortlaufenden Prozess verstehen, der Zugang, Nutzung, Kompetenzaufbau, veränderte Arbeitsweisen und Organisationsentwicklung umfasst
• Die Einführung durch Schulungen, Experimente, klare Zuständigkeiten und psychologische Sicherheit unterstützen
• Aussagekräftige Kennzahlen wie Durchlaufzeit, Änderungsfehlerrate, DORA-Metriken und Signale zur Developer Experience einsetzen
• Formen der Zusammenarbeit einsetzen, die Menschen und KI verbinden und gleichzeitig eine wirksame Kommunikation zwischen den Teammitgliedern sicherstellen
• Agententopologien wie einzelne Agenten, Sub-Agenten und Agententeams verstehen
• Rollen, Teamstrukturen, Engineering-Praktiken und architektonische Verantwortlichkeiten an die KI-gestützte Entwicklung anpassen
• Den Schwerpunkt von der Implementierung auf Codezeilenebene hin zu umfassenderem architektonischem, produktorientiertem und ergebnisorientiertem Denken verlagern
• Verstehen, wie KI Softwarearchitektur, Lösungsarchitektur und Unternehmensarchitektur beeinflusst