Ein KI-Agenten von Grund auf entwickeln: Muster, ReAct und LangGraph
Erlernen Sie die grundlegenden Konzepte hinter KI-Agenten – Planung, Werkzeugnutzung, Reflexion sowie das ReAct-Muster – und wie LangChain und LangGraph bei der manuellen Erstellung solcher Agenten eine Rolle spielen.
KI-Systeme sind nicht mehr darauf beschränkt, isolierte Fragen zu beantworten. Mit KI-Agenten kann ein Modell eine Abfolge von Aktionen planen, externe Tools nutzen, das Ergebnis bewerten und Aufgaben ausführen, die mehrere Schritte erfordern, um abgeschlossen zu werden.
Was macht etwas zu einem KI-Agenten?
Ein herkömmliches KI-Modell reagiert auf eine einzige Anfrage und liefert eine einzige Antwort. Ein KI-Agent geht weiter. Er kann:
- Erkennen, was der Benutzer tatsächlich möchte
- Dieses Ziel in eine Abfolge von Aktionen aufteilen
- Passende Tools auswählen und aufrufen
- Betrachten, was diese Tools zurückgeben
- Weiterarbeiten, bis die Aufgabe tatsächlich abgeschlossen ist
Stellen Sie sich einen virtuellen Reiseplaner vor, der eine zweitägige Reise nach Kandy zusammenstellt. Er muss Informationen aus verschiedenen Quellen sammeln und diese anschließend zu einem praktikablen Reiseplan zusammenfassen, anstatt nur etwas Abstraktes zu beschreiben.
Wie ein agiler Arbeitsablauf aussieht
Viele reale Aufgaben sind zu kompliziert, um in einem einzigen Schritt erledigt zu werden. Ein agiler Arbeitsablauf löst dieses Problem, indem er die Aufgabe in verschiedene Phasen aufteilt.
Zu den typischen Phasen gehören:
- Planung
- Forschung
- Schreiben
- Überprüfung
- Feinabstimmung
Durch diese Strukturierung kann der Agent auf die Ergebnisse früherer Phasen aufbauen und seine endgültige Antwort stetig verbessern.
Wiederkehrende Muster bei der Agentenentwicklung
Es gibt mehrere etablierte Muster, die bei der Entwicklung von KI-Agenten verwendet werden:
- Planung: Aufteilung einer großen Aufgabe in eine Reihe kleinerer Aufgaben.
- Verwendung von Tools: Nutzung externer Ressourcen wie Rechengeräte, Suchmaschinen oder Datenbanken.
- Reflexion: Überprüfung der Qualität einer vorläufigen Antwort und deren Feinabstimmung.
Diese Muster verleihen den Agenten die Fähigkeit, Probleme zu bewältigen, die komplexer sind als ein einfacher Austausch zwischen Prompt und Antwort.
Welche Rolle spielen LangChain und LangGraph?
LangChain stellt die Komponenten bereit, die benötigt werden, um Anwendungen zu entwickeln, die von Sprachmodellen angetrieben werden – einschließlich Prompt-Vorlagen, Tool-Integrationen sowie Verbindungen zu verschiedenen Modellen.
LangGraph verknüpft die einzelnen Aktionen zu einer kohärenten Kette. Er ist besonders nützlich, wenn ein Agent Schleifen, persistentes Gedächtnis, Tool-Aufrufe oder einen Punkt benötigt, an dem ein Mensch eingreifen kann.
Zum Zusammenfassung der Unterschiede:
- LangChain stellt die Bauteile bereit.
- LangGraph steuert, wie sie ausgeführt werden.
Das ReAct-Muster verstehen
Das ReAct-Muster verbindet Denken mit Handeln.
Ein Agent, der dieses Muster folgt, durchläuft nacheinander:
- Das Überlegen, was als Nächstes getan werden soll
- Die Ausführung einer Aktion
- Die Überprüfung des Ergebnisses
- Das Überlegen des nächsten Schritts
Diese Schleife läuft weiter, bis der Agent sicher ist, eine endgültige Antwort liefern zu können.
Der ReAct-Zyklus verbindet Denken, Handeln, Beobachten und die Bereitstellung des endgültigen Ergebnisses miteinander.
Einen einfachen Agenten manuell erstellen
Betrachten Sie den Bau eines minimalen Agenten, der mit zwei Werkzeugen ausgestattet ist:
- Eines, das das typische Gewicht einer Hunderasse abruft
- Eines, das Additionen durchführt
Stellen Sie sich vor, ein Benutzer stellt eine Frage in dieser Richtung: Wie viel würden ein Border Collie und ein Scottish Terrier zusammen wiegen, wenn man ihre Gewichte addiert?
Angesichts dieser Anfrage führt der Agent eine kurze Abfolge von Schritten durch:
- Suchen Sie das Gewicht des Border Collie nach: 37 Pfund
- Suchen Sie das Gewicht des Scottish Terrier nach: 20 Pfund
- Rufen Sie den Rechner mit
37 + 20auf - Geben Sie das Ergebnis an: 57 Pfund
Diese Schritt-für-Schritt-Anleitung zeigt, wie ein Agent mehrere Toolaufrufe nacheinander ausführt, anstatt direkt eine Antwort zu erraten.
Aufteilung der Arbeit zwischen dem Modell und der Laufzeitumgebung
Sowohl das Sprachmodell als auch der dazugehörige Python-Code übernehmen jeweils unterschiedliche Teile der Aufgabe.
Das LLM ist für Folgendes verantwortlich:
- Die Interpretation der gestellten Frage
Der Python-Laufzeitumgebung obliegt die Verwaltung von:
- Dem tatsächlichen Ausführen der ausgewählten Tools
- Der Erfassung der Ergebnisse
- Der Steuerung des Loops, der den Agenten antreibt
- Der Eingabe der Tool-Ausgaben zurück in das Modell
Kurz gesagt: Das Modell entscheidet, was erledigt werden muss, und der Python-Code setzt dies um.
Den Loop in einen automatisierten Prozess umwandeln
Anstatt jeden Tool-Aufruf manuell auszulösen, kann der gesamte Agent-Loop automatisiert werden. Das System prüft, ob das Modell ein Tool aufrufen möchte:
- Falls ja, wird dieses Tool ausgeführt.
- Die Ausgabe wird zurück an das Modell übergeben.
- Sobald keine weiteren Tools mehr benötigt werden, gibt der Agent die endgültige Antwort zurück.
Durch die Automatisierung des Schleifens auf diese Weise wird der Agent zu etwas, das für viele verschiedene Benutzeranfragen wiederverwendet werden kann – und nicht nur zu einem einmaligen Skript.
Hauptpunkte zum Merken
- KI-Agenten lösen Aufgaben, indem sie eine Abfolge von Schritten durchlaufen.
- Agentenbasierte Workflows beruhen auf Planung, Aufrufen von Tools, Beobachtung und wiederholter Verbesserung.
- Gängige Designmuster umfassen Planung, Toolnutzung, Reflexion, Koordination mehrerer Agenten sowie Speicherung von Informationen.
- LangChain stellt die Bausteine für KI-Anwendungen bereit.
- LangGraph steuert, wie diese Bausteine zu einem funktionsfähigen Prozess miteinander verbunden werden.
- ReAct verbindet Schlussfolgerung, Handlung und Beobachtung von Ergebnissen miteinander.
- Das LLM trifft Entscheidungen, während die Python-Umgebung die Ausführung übernimmt.
- Ein automatisierter Agentenschleifen ruft weiterhin Tools auf, bis die Aufgabe abgeschlossen ist.
Diese Grundlagen legen den Boden für die Entwicklung komplexerer Agenten mithilfe von LangGraph in Zukunft.
Die nächste Stufe in der KI besteht nicht nur darin, bessere Antworten zu liefern – es geht darum, Systeme zu schaffen, die in der Lage sind, selbstständig die richtigen Aktionen auszuführen.
Verwandte Artikel
- Was LangChain tatsächlich automatisiert, sobald man einen Agenten-Loop erstellt hat – Erklärt, wie LangChain, LangGraph und ähnliche SDKs denselben Kern-Agenten-Loop, der von Grund auf entwickelt wurde, nutzen, und wann es hilfreich oder nachteilig ist, sich auf ein Framework zu verlassen.