# Agentisches Lernen

Im November 2025 haben sich mehr als 1,5 Millionen Menschen für einen kostenlosen Kurs zum Aufbau von KI-Agenten angemeldet. Das ist kein Tippfehler und es ist auch nicht die Self-importance-Metrik eines MOOC für Registrierungen, die nie konvertieren: die gleiche Kohorte eingereicht mehr als 11.000 Schlussstein-Einreichungen. Der 5-tägige KI-Agenten-Intensivkurs von Google und Kaggle wurde gemessen an der Teilnehmerzahl zu einem der größten Technikkurse, die jemals durchgeführt wurden.

Die gute Nachricht für alle, die die Stay-Woche verpasst haben: Alles ist jetzt kostenlos und im eigenen Tempo möglich, und es steckt viel mehr dahinter, als der Hype vermuten ließ.

# Was es eigentlich ist

Der Kurs ist der Nachfolger von Google und Kaggle zu ihrem GenAI-Intensivkurs 2024, der selbst eine Auszeichnung erhielt Über 140.000 Entwickler und eine Wiederholung, die einen Guinness-Rekord für die größte virtuelle KI-Konferenz aufstellte. In der Ausgabe 2025 wurde der Fokus von generativer KI im Großen und Ganzen auf Agenten im Speziellen verengt. Dies ist die richtige Entscheidung, wenn man bedenkt, wie viel Verwirrung darüber herrscht, was ein Agent überhaupt ist.

Der Stay-Auftritt erstreckte sich über fünf Tage im November 2025, aber das Ganze ist seitdem vorbei umgewandelt in einen Kaggle-Lernführer zum Selbststudiumsodass Sie es nun nach Ihrem eigenen Zeitplan durcharbeiten können. Für diejenigen, die das Kohorten-Erlebnis bevorzugen, gab es im Juni 2026 auch eine aktualisierte Serie zum Thema Vibe-Coding. In jedem Fall ist das Materials der Auslöser.

# Die fünf Tage

Jeden Tag gibt es ein technisches Whitepaper mit zwei praktischen Codelabs, die auf Gemini und dem Agent Growth Package von Google basieren, sodass Sie das Konzept lesen und es dann sofort erstellen können.

Tag 1 – Einführung in Agenten: Agentenarchitekturen und die grundlegende Frage, wann eine Aufgabe überhaupt einen Agenten benötigt, im Vergleich zu einem einfacheren Workflow. Sie bauen Ihren ersten Agenten und Ihr erstes Multiagentensystem.

Tag 2 – Instruments und Interoperabilität mit MCP: Wie Agenten Instruments verwenden, wie man benutzerdefinierte Instruments schreibt und wie das Mannequin Context Protocol (MCP) es Agenten ermöglicht, mit externen Systemen zu kommunizieren. An diesem Tag wird auch die Human-in-the-Loop-Genehmigung für Langzeitoperationen eingeführt, was den Unterschied zwischen einem nützlichen und einem gefährlichen Agenten ausmacht.

Tag 3 – Kontext-Engineering: Sitzungen und Gedächtnis: Erstellen Sie zustandsbehaftete Agenten, die sich erinnern, und geben Sie ihnen ein Langzeitgedächtnis, das über Sitzungen hinweg bestehen bleibt. Hier scheitern die meisten hausgemachten Mittel stillschweigend, es lohnt sich additionally, hier langsamer zu werden.

Tag 4 – Agentenqualität: Protokollierung, Nachverfolgung, Metriken und Auswertung sowohl der Antworten eines Agenten als auch seiner Device-Nutzung. Wenn Sie einen Tag ernst nehmen, nehmen Sie diesen. Das Messen, ob ein Agent funktioniert, ist eine Fähigkeit, die quick niemand lehrt und die jeder, der in die Produktion geht, dringend benötigt.

Tag 5 – Vom Prototyp zur Produktion: Das Agent-zu-Agent-Protokoll und die Bereitstellung in einer verwalteten Laufzeit wie der Vertex AI Agent Engine. Die unscheinbare letzte Meile zwischen einem Pocket book, das Ihr Workforce beeindruckt, und einem System, das echte Benutzer nutzen können.

# Wer sollte es nehmen und wie man das Beste daraus macht

Wenn Sie Python schreiben können und eine LLM-API aufgerufen haben, sind Sie bereit. Der Kurs setzt Programmierkenntnisse voraus, nicht jedoch Agentenkenntnisse, was genau die Kategorie ist, in der sich die meisten Praktiker derzeit befinden.

Ein Ratschlag aus der Beobachtung, wie diese Intensivkurse tendenziell ablaufen: Überfliegen Sie nicht die Whitepapers, um schnell zum Code zu gelangen. Das Evaluierungs- und Kontext-Engineering-Materials an den Tagen drei und vier bildet den Kern des dauerhaften Verständnisses und ist der Teil, den Sie später nicht durch Kopieren eines funktionierenden Repositorys übernehmen können. In den Codelabs lernen Sie, einen Agenten zu erstellen. Die Papiere zeigen Ihnen, warum Ihres immer wieder kaputt geht.

Das Ganze ist kostenlos, das ist es Jetzt auf Kaggle erhältlichund der Schlussstein gibt Ihnen etwas Reales, auf das Sie zeigen können, wenn Sie fertig sind. Eineinhalb Millionen Menschen fanden fünf Tage dafür. Ihre sind wahrscheinlich genauso viel wert.

Nahla Davies ist Softwareentwickler und technischer Autor. Bevor sie sich hauptberuflich dem technischen Schreiben widmete, schaffte sie es – neben anderen faszinierenden Dingen –, als leitende Programmiererin bei einer Inc. 5.000-Organisation für experimentelles Branding zu arbeiten, zu deren Kunden Samsung, Time Warner, Netflix und Sony gehören.

Bild vom Herausgeber

# Einführung

Die meisten kostenlosen Kurse bieten Theorie auf Oberflächenniveau und ein Zertifikat, das oft innerhalb einer Woche vergessen wird. Glücklicherweise, Google Und Kaggle haben zusammengearbeitet, um eine substanziellere Different anzubieten. Ihr intensiver fünftägiger Kurs zur generativen KI (GenAI). behandelt grundlegende Modelle, Einbettungen, KI-Agenten, domänenspezifische große Sprachmodelle (LLMs) und maschinelle Lernoperationen (MLOps) im Rahmen einer Woche voller Whitepapers, praktischer Code-Labs und Reside-Expertensitzungen.

Die zweite Auflage dieses Programms zog über 280.000 Anmeldungen an und stellte einen Guinness-Weltrekord für die größte virtuelle KI-Konferenz in einer einzigen Woche auf. Alle Kursmaterialien sind jetzt als Selbststudium verfügbar Kaggle-Lernführervöllig kostenlos. In diesem Artikel geht es um den Lehrplan und darum, warum er eine wertvolle Ressource für Datenexperten ist.

# Überprüfung der Kursstruktur

Jeder Tag konzentriert sich auf ein bestimmtes GenAI-Thema und nutzt dabei ein Multi-Channel-Lernformat. Der Lehrplan umfasst Whitepapers, die von Google-Forschern für maschinelles Lernen verfasst wurden und Ingenieure, neben KI-generierten zusammenfassenden Podcasts, die mit erstellt wurden NotebookLM.

Praktische Code-Labs laufen direkt auf Kaggle-Notebooks, sodass Studierende Konzepte sofort anwenden können. Die ursprüngliche Reside-Model beinhaltete YouTube-Livestreams mit Experten-Frage-und-Antwort-Runden und einer Discord-Neighborhood mit über 160.000 Lernenden. Durch die Gewinnung konzeptioneller Tiefe aus Whitepapers und die sofortige Anwendung dieser Konzepte in Codelabors mithilfe von Gemini-API, LangGraphUnd Vertex-KIDer Kurs behält eine stetige Dynamik zwischen Theorie und Praxis bei.

// Tag 1: Erforschung grundlegender Modelle und schnelles Engineering

Der Kurs beginnt mit den wesentlichen Bausteinen. Du wirst Untersuchen Sie die Entwicklung von LLMs – von der ursprünglichen Transformer-Architektur bis hin zu modernen Techniken zur Feinabstimmung und Inferenzbeschleunigung. Der Abschnitt „Immediate Engineering“ behandelt praktische Methoden zur effektiven Steuerung des Modellverhaltens und geht über grundlegende Anleitungstipps hinaus.

Das zugehörige Codelabor beinhaltet die direkte Arbeit mit der Gemini-API, um verschiedene Eingabeaufforderungstechniken in Python zu testen. Für diejenigen, die LLMs verwendet haben, sich aber noch nie mit der Mechanik von Temperatureinstellungen oder der Strukturierung von Eingabeaufforderungen mit wenigen Schüssen beschäftigt haben, wird dieser Abschnitt schnell auf diese Wissenslücken eingehen.

// Tag 2: Implementierung von Einbettungen und Vektordatenbanken

Der zweite Tag konzentriert sich auf Einbettungen und den Übergang von abstrakten Konzepten zu praktischen Anwendungen. Sie werden das lernen geometrische Techniken zur Klassifizierung und zum Vergleich von Textdaten. Anschließend stellt der Kurs Vektorspeicher und Datenbanken vor – die Infrastruktur, die für die semantische Suche und Retrieval-Augmented Technology (RAG) in großem Maßstab erforderlich ist.

Der praktische Teil umfasst den Aufbau eines RAG-Frage-Antwort-Methods. Diese Sitzung zeigt, wie Unternehmen LLM-Ausgaben auf Fakten basieren, um Halluzinationen zu mildern, und bietet einen funktionalen Einblick in die Integration von Einbettungen in eine Produktionspipeline.

// Tag 3: Entwicklung generativer künstlicher Intelligenz-Agenten

Tag 3 befasst sich mit KI-Agenten – Systemen, die über einfache Immediate-Response-Zyklen hinausgehen, indem sie LLMs mit externen Instruments, Datenbanken und realen Arbeitsabläufen verbinden. Du wirst Lernen Sie die Kernkomponenten eines Agenten kennender iterative Entwicklungsprozess und die praktische Anwendung von Funktionsaufrufen.

Die Code-Labs umfassen die Interaktion mit einer Datenbank durch Funktionsaufrufe und den Aufbau eines Agenten-Bestellsystems mithilfe von LangGraph. Da Agenten-Workflows zum Normal für Produktions-KI werden, bietet dieser Abschnitt die notwendige technische Grundlage für die Verkabelung dieser Systeme miteinander.

// Tag 4: Analyse domänenspezifischer großer Sprachmodelle

Dieser Abschnitt konzentriert sich auf spezielle Modelle, die für bestimmte Branchen angepasst sind. Sie werden Beispiele wie Googles SecLM für Cybersicherheit und Med-PaLM für das Gesundheitswesen erkunden, einschließlich Particulars in Bezug auf die Nutzung von Patientendaten und Sicherheitsmaßnahmen. Während Allzweckmodelle leistungsstark sind, ist oft eine Feinabstimmung für einen bestimmten Bereich erforderlich, wenn hohe Genauigkeit und Spezifität erforderlich sind.

Zu den praktischen Übungen gehören die Erdung von Modellen mit Google-Suchdaten und die Feinabstimmung eines Gemini-Modells für eine benutzerdefinierte Aufgabe. Dieses Labor ist besonders nützlich, da es zeigt, wie man ein Basismodell mithilfe gekennzeichneter Daten anpasst – eine Fähigkeit, die immer relevanter wird, wenn Unternehmen auf maßgeschneiderte KI-Lösungen umsteigen.

// Tag 5: Beherrschung maschineller Lernoperationen für generative künstliche Intelligenz

Der letzte Tag befasst sich mit der Bereitstellung und Wartung von GenAI in Produktionsumgebungen. Du wirst lernen wie traditionelle MLOps-Praktiken für GenAI-Workloads angepasst werden. Der Kurs demonstriert außerdem Vertex-KI-Instruments für die Verwaltung von Grundmodellen und Anwendungen im großen Maßstab.

Am letzten Tag gibt es zwar kein interaktives Code-Labor, der Kurs bietet jedoch eine ausführliche Code-Anleitung und eine Reside-Demo der GenAI-Ressourcen von Google Cloud. Dies bietet einen wesentlichen Kontext für jeden, der plant, Modelle von einem Entwicklungsnotebook in eine Produktionsumgebung für echte Benutzer zu verschieben.

# Ideales Publikum

Für Datenwissenschaftler, Ingenieure für maschinelles Lernen oder Entwickler Ich möchte mich auf GenAI spezialisierenDieser Kurs bietet eine seltene Steadiness zwischen Genauigkeit und Zugänglichkeit. Der Multiformat-Ansatz ermöglicht es den Lernenden, die Tiefe je nach Erfahrungsniveau anzupassen. Auch Anfänger mit soliden Python-Grundkenntnissen können den Lehrplan erfolgreich absolvieren.

Das Kaggle Be taught Information-Format zum Selbststudium ermöglicht eine versatile Planung, unabhängig davon, ob Sie es lieber über eine Woche oder an einem einzigen Wochenende absolvieren möchten. Da die Notebooks auf Kaggle laufen, ist keine lokale Umgebungseinrichtung erforderlich; Um zu beginnen, ist lediglich ein telefonisch verifiziertes Kaggle-Konto erforderlich.

# Letzte Gedanken

Google und Kaggle haben eine hochwertige Bildungsressource erstellt, die kostenlos verfügbar ist. Durch die Kombination von von Experten verfassten Whitepapers mit unmittelbarer praktischer Anwendung bietet der Kurs einen umfassenden Überblick über die aktuelle GenAI-Landschaft.

Die hohen Anmeldezahlen und die Anerkennung in der Branche spiegeln die Qualität des Supplies wider. Unabhängig davon, ob Ihr Ziel darin besteht, eine RAG-Pipeline aufzubauen oder die zugrunde liegenden Mechanismen von KI-Agenten zu verstehen, vermittelt dieser Kurs den konzeptionellen Rahmen und den Code, die für den Erfolg erforderlich sind.

Nahla Davies ist Softwareentwickler und technischer Autor. Bevor sie sich hauptberuflich dem technischen Schreiben widmete, schaffte sie es – neben anderen faszinierenden Dingen –, als leitende Programmiererin bei einer Inc. 5.000-Organisation für experimentelles Branding zu arbeiten, zu deren Kunden Samsung, Time Warner, Netflix und Sony gehören.

Bild des Autors

Mit der Kaggle CLI (Befehlszeilenschnittstelle) können Sie mit den Datensätzen, Wettbewerben, Notizbüchern und Modellen von Kaggle direkt von Ihrem Terminal interagieren. Dies ist nützlich für die Automatisierung von Downloads, Einreichungen und Datensatzverwaltung, ohne einen Webbrowser zu benötigen. Die meisten meiner GitHub -Motion -Workflows verwenden Kaggle CLI zum Herunterladen oder Drücken von Datensätzen, da dies der schnellste und effizienteste Weg ist.

1. Set up & Setup

Stellen Sie sicher, dass Sie Python 3.10+ installiert haben. Führen Sie dann den folgenden Befehl in Ihrem Terminal aus, um die offizielle Kaggle -API zu installieren:

Um Ihre Kaggle -Anmeldeinformationen zu erhalten, laden Sie die Kaggle.json -Datei aus Ihren Kaggle -Kontoeinstellungen herunter, indem Sie auf „Neue Token erstellen“ klicken.

Stellen Sie als Nächstes die Umgebungsvariablen in Ihrem lokalen System fest:

• Kaggle_username =
• Kaggle_API_Key =

2. Wettbewerbe

Kaggle -Wettbewerbe werden behoben, bei denen Sie Probleme mit maschinellem Lernen lösen, Daten herunterladen, Vorhersagen einreichen und Ihre Ergebnisse auf der Rangliste sehen können.

Die CLI hilft Ihnen dabei, alles zu automatisieren: Durchsuchen von Wettbewerben, Herunterladen von Dateien, Senden von Lösungen und mehr.

Hear Sie Wettbewerbe auf

kaggle competitions listing -s 

Zeigt eine Liste von Kaggle -Wettbewerben an, die optionally available durch einen Suchbegriff gefiltert werden. Nützlich, um neue Herausforderungen zu entdecken, die Sie beizutreten.

Hear Sie Wettbewerbsdateien auf

kaggle competitions recordsdata 

Zeigt alle für einen bestimmten Wettbewerb verfügbaren Dateien an, sodass Sie wissen, welche Daten bereitgestellt werden.

Obtain -Wettbewerbsdateien

kaggle competitions obtain  (-f ) (-p )

Laden Sie alle oder spezifischen Dateien von einem Wettbewerb zu Ihrem lokalen Pc herunter. Verwenden Sie -f, um eine Datei anzugeben. -P, um den Obtain -Ordner festzulegen.

Einen Wettbewerb unterwerfen

kaggle competitions submit  -f  -m ""

Laden Sie Ihre Lösungsdatei in einen Wettbewerb mit einer optionalen Nachricht hoch, die Ihre Einreichung beschreibt.

Hear Sie Ihre Einsendungen auf

kaggle competitions submissions 

Zeigt alle früheren Einsendungen für einen Wettbewerb, einschließlich Punktzahlen und Zeitstempel.

Rangliste anzeigen

kaggle competitions leaderboard  (-s)

Zeigt die aktuelle Rangliste für einen Wettbewerb an. Verwenden Sie -s, um nur die Prime -Einträge anzuzeigen.

3. Datasets

Kaggle -Datensätze sind Sammlungen von Daten, die von der Neighborhood gemeinsam genutzt werden. Die Befehle von Dataset CLI helfen Ihnen dabei, Datensätze zu finden, herunterzuladen und hochzuladen sowie Datensatzversionen zu verwalten.

Hear Sie Datensätze auf

Findet Datensätze auf Kaggle, die optionally available durch einen Suchbegriff filtriert werden. Excellent zum Entdecken von Daten für Ihre Projekte.

Hear Sie Dateien in einem Datensatz auf

Zeigt alle Dateien in einem bestimmten Datensatz an, sodass Sie vor dem Herunterladen sehen können, was verfügbar ist.

Datensatzdateien herunterladen

kaggle datasets obtain / (-f ) (--unzip)

Laden Sie alle oder spezifischen Dateien aus einem Datensatz herunter. Verwenden Sie -Unzip, um automatisch Reißverschlussdateien zu extrahieren.

Initialisieren Sie die Datensatzmetadaten

Erstellt eine Metadatendatei in einem Ordner und bereitet sie für die Erstellung oder Versionierung von Datensatzen vor.

Erstellen Sie einen neuen Datensatz

kaggle datasets create -p 

Laden Sie einen neuen Datensatz aus einem Ordner mit Ihren Daten und Metadaten hoch.

Erstellen Sie eine neue Datensatzversion

kaggle datasets model -p  -m ""

Laden Sie eine neue Model eines vorhandenen Datensatzes mit einer Nachricht hoch, in der die Änderungen beschrieben werden.

4. Notizbücher

Kaggle Notebooks sind ausführbare Code -Snippets oder Notebooks. Mit der CLI können Sie den Standing dieser Notizbücher auflisten, herunterladen, hochladen und überprüfen, was für die Freigabe oder Automatisierung der Analyse nützlich ist.

Hear Sie Kerne auf

Findet öffentliche Kaggle -Notizbücher (Kerne), die Ihrem Suchbegriff entsprechen.

Holen Sie sich Kernelcode

Laden Sie den Code für einen bestimmten Kernel auf Ihre lokale Maschine herunter.

Kernelmetadaten initialisieren

Erstellt eine Metadatendatei in einem Ordner und bereitet sie für die Erstellung oder Aktualisierung von Kernel vor.

Aktualisieren Sie den Kernel

Laden Sie den neuen Code hoch und führen Sie den Kernel aus, wodurch er auf Kaggle aktualisiert wird.

Holen Sie sich den Kernelausgang

kaggle kernels output / -p 

Laden Sie die von einem Kernel -Lauf generierten Ausgabedateien herunter.

Überprüfen Sie den Kernelstatus

Zeigt den aktuellen Standing (z. B. ausgeführt, vollständig, fehlgeschlagen) eines Kernels an.

5. Modelle

Kaggle -Modelle sind versionierte maschinelle Lernmodelle, die Sie teilen, wiederverwenden oder bereitstellen können. Die CLI hilft bei der Verwaltung dieser Modelle, vom Auflisten und Herunterladen bis hin zum Erstellen und Aktualisieren.

Listenmodelle

Findet öffentliche Modelle auf Kaggle, die Ihrem Suchbegriff entsprechen.

Holen Sie sich ein Modell

Laden Sie ein Modell und seine Metadaten auf Ihre lokale Maschine herunter.

Modellmetadaten initialisieren

Erstellt eine Metadatendatei in einem Ordner und bereitet sie für die Modellerstellung vor.

Erstellen Sie ein neues Modell

Laden Sie ein neues Modell hoch, um von Ihrem lokalen Ordner aus zu kaggen.

Aktualisieren Sie ein Modell

Laden Sie eine neue Model eines vorhandenen Modells hoch.

Ein Modell löschen

Entfernt ein Modell von Kaggle.

6. Konfiguration

Kaggle CLI -Konfigurationsbefehle steuern Standardverhalten, z. B. Obtain -Standorte und Ihre Standardwettbewerb. Passen Sie diese Einstellungen an, um Ihren Workflow reibungsloser zu machen.

Konfiguration anzeigen

Zeigt Ihre aktuellen Kaggle CLI -Konfigurationseinstellungen an (z. B. Standardwettbewerb, Obtain -Pfad).

Konfiguration setzen

Legt einen Konfigurationswert fest, z. B. Standardwettbewerb oder Obtain -Pfad.

Unbegrenzte Konfiguration

Entfernt einen Konfigurationswert und kehrt das Standardverhalten zurück.

7. Tipps

• Verwenden Sie nach einem Befehl -H oder -Assist für detaillierte Optionen und Verwendung
• Verwenden Sie -v für die CSV -Ausgabe, -Q für den ruhigen Modus
• Sie müssen Wettbewerbsregeln auf der Kaggle -Web site akzeptieren, bevor Sie Wettbewerbe heruntergeladen oder einreichen

Abid Ali Awan (@1abidaliawan) ist ein zertifizierter Datenwissenschaftler, der es liebt, maschinelles Lernenmodelle zu bauen. Derzeit konzentriert er sich auf die Erstellung von Inhalten und das Schreiben von technischen Blogs über maschinelles Lernen und Datenwissenschaftstechnologien. Abid hat einen Grasp -Abschluss in Technologiemanagement und einen Bachelor -Abschluss in Telekommunikationstechnik. Seine Imaginative and prescient ist es, ein KI -Produkt zu bauen, das ein Diagramm neuronales Netzwerk für Schüler mit psychische Erkrankungen mit kämpfender Krankheiten unterhält.