KI-Tools zu täglichen Workflows verketten, ohne ständig zu prompten

Ein einzelnes KI-Tool zu benutzen ist leicht. Schwieriger wird es, mehrere so zu verketten, dass man die Kette jeden Tag laufen lassen kann, ohne danebenzustehen. Wenn Sie bei jedem Schritt Anweisungen neu tippen und das Ergebnis von Hand prüfen müssen, haben Sie keinen Workflow gebaut, sondern eine lästige Pflicht. Hier sehen Sie, wie ein Workflow in der Praxis aussieht, wo ständiges Prompten schiefgeht und wie ein kleiner Orchestrator die Teile zusammenhält.

Was als Workflow zählt

Ein KI-Workflow ist eine Folge automatisierter Schritte, die mithilfe von KI einen bestimmten Prozess erledigen. Denken Sie an ein Fließband: Jede Station macht genau eine Sache gut, und das Endprodukt wird besser, weil niemand Teile zwischen den Stationen hin- und hertragen muss. In der Softwareentwicklung kann das Code-Review sein, das Erzeugen von Dokumentation oder das Ausführen von Tests.

Der Kerngedanke: Eine große, unscharfe Aufgabe wird in kleinere Stücke zerlegt, die sich jeweils für sich automatisieren und feinjustieren lassen.

Zwei Begriffe helfen, den Überblick zu behalten. Ein Modell ist eine trainierte mathematische Abbildung eines Problems, die aus Daten Vorhersagen oder Entscheidungen ableitet. Ein Tool ist eine Anwendung, die ein oder mehrere Modelle für eine bestimmte Aufgabe verpackt. Ein Code-Review-Tool etwa könnte ein Sprachmodell nutzen, um einen Diff zu lesen und Feedback zu schreiben.

Einzelne Automatisierungen sind nicht das Ziel. Sie wollen einen zusammenhängenden Prozess, in dem mehrere Tools einander zuarbeiten und am Ende ein gutes Ergebnis liefern. Der einfachste Baustein ist eine Funktion, die eine Serverless-Funktion aufruft und deren Antwort zurückgibt:

// Import the required AWS SDK package
import { LambdaClient, InvokeCommand } from "@aws-sdk/client-lambda";
// Create a new Lambda client
const lambdaClient = new LambdaClient({ region: "us-west-2" });
// Define a function to invoke a Lambda function
async function invokeLambda(functionName: string) {
  // Create a new InvokeCommand
  const command = new InvokeCommand({
    FunctionName: functionName,
  });
  // Invoke the Lambda function
  const response = await lambdaClient.send(command);
  // Return the response
  return response;
}

Alle folgenden Beispiele verwenden diesen Helper, sodass jedes KI-Tool hinter einer eigenen Funktion sitzt und auf dieselbe Weise aufgerufen wird.

Warum ständiges Prompten schadet

Prompten heißt, einem Modell Eingaben oder Anweisungen zu geben, damit es eine bestimmte Ausgabe liefert. Ohne klare Richtung antwortet ein Modell mittelmäßig oder manchmal gar nicht brauchbar. Abhilfe schafft eine Eingabe, die klar, knapp und eindeutig ist und das Modell genau auf das lenkt, was Sie wollen.

Ein Vergleich hilft. Angenommen, Sie wollen in einer fremden Stadt zu einem Restaurant und haben weder Adresse noch Wegbeschreibung. Wahrscheinlich irren Sie herum oder landen am falschen Ort. Ein Modell ohne präzisen Prompt verhält sich genauso.

Ein Prompt kann so schlicht sein wie ein kleines Objekt mit dem Text:

// Define a function to prompt an AI model
function promptAIModel(promptText: string) {
  // Create a new prompt object
  const prompt = {
    text: promptText,
  };
// Return the prompt object
  return prompt;
}
// Example usage:
const prompt = promptAIModel("Generate a summary of the code review results");
console.log(prompt);

Das eigentliche Problem zeigt sich, wenn Sie das immer wieder tun müssen, von Hand, auf jeder Stufe. Kleine Fehler aus Schritt eins wandern in Schritt zwei, werden dort verstärkt, und am Ende ist das Ergebnis schwach. Diesen Schneeballeffekt nennt man sich aufschaukelnde Fehler (compounded error), und er ist der Hauptgrund, warum spontanes Arbeiten Prompt für Prompt nicht skaliert. Die Prompts sollten einmal geschrieben, einmal geprüft und danach automatisch ausgeführt werden.

Tools zusammenführen

Um das Prompten auf ein Minimum zu reduzieren, verbinden Sie die Tools über einen Workflow-Orchestrator. Das ist eine Anwendung, deren Aufgabe es ist, mehrere KI-Tools der Reihe nach auszuführen und ihre Ergebnisse zu einer Ausgabe zusammenzusetzen. Hier macht ein Schritt das Code-Review, der nächste erzeugt Dokumentation, und der Orchestrator führt beide Antworten in einem Objekt zusammen:

// Import the required AWS SDK package
import { LambdaClient, InvokeCommand } from "@aws-sdk/client-lambda";
// Define a function to orchestrate an AI workflow
async function orchestrateWorkflow() {
  // Invoke the first AI tool (e.g., code review)
  const codeReviewResponse = await invokeLambda("code-review-function");
  // Invoke the second AI tool (e.g., documentation generation)
  const documentationResponse = await invokeLambda("documentation-generation-function");
  // Combine the outputs of the two AI tools
  const workflowOutput = {
    codeReview: codeReviewResponse,
    documentation: documentationResponse,
  };
  // Return the workflow output
  return workflowOutput;
}

So verdrahtet erhalten Sie einen wiederholbaren Prozess, für den Sie kaum noch etwas tippen müssen.

Ein konkreter Fall: Review plus Doku

Ein häufiger Einsatz in der Praxis ist automatisches Code-Review kombiniert mit Dokumentationserzeugung. Drei Teile wirken mit: ein Review-Tool, ein Dokumentations-Tool und ein Orchestrator, der beide koordiniert. Übernimmt Claude das Review, erstellt Cursor die Doku und reiht eine Lambda-Funktion die Aufrufe aneinander, sieht der Klebecode so aus:

// Define a function to integrate Claude, Cursor, and Lambda into an AI workflow
async function integrateAIWorkflow() {
  // Invoke the Claude AI tool for code review
  const claudeResponse = await invokeLambda("claude-function");
// Invoke the Cursor AI tool for documentation generation
  const cursorResponse = await invokeLambda("cursor-function");
  // Use Lambda to orchestrate the workflow
  const lambdaResponse = await invokeLambda("workflow-orchestrator-function");
  // Return the workflow output
  return lambdaResponse;
}

Dasselbe Muster funktioniert weit über das Programmieren hinaus. Datenanalyse, Reporting und viele andere Aufgaben lassen sich in Stufen zerlegen, die einander Arbeit übergeben.

Den eigenen Workflow entwerfen

Drei Gewohnheiten machen einen Workflow verlässlich.

1. Legen Sie zuerst klare Ziele fest. Schreiben Sie auf, was der Workflow liefern soll, denn davon hängen alle weiteren Entscheidungen ab.
2. Wählen Sie für jede Stufe passende Tools. Entscheiden Sie nach der konkreten Aufgabe, nicht nach der Marke, und lassen Sie nicht ein Tool alles machen.
3. Testen und prüfen Sie das Ganze. Stellen Sie sicher, dass die Ausgabe gut ist und Fehler nicht unbemerkt von Schritt zu Schritt verstärkt werden.

Eine Entwurfsfunktion kann alle drei Punkte abbilden: Ziele, die Liste der Tools und einen echten Lauf des Orchestrators zur Prüfung.

// Define a function to design an AI workflow
async function designWorkflow() {
  // Define clear goals and objectives for the workflow
  const workflowGoals = {
    objective: "Automate code review and documentation generation",
  };
// Choose the right AI tools for the workflow
  const aiTools = ["Claude", "Cursor", "Lambda"];
  // Test and validate the workflow
  const workflowOutput = await orchestrateWorkflow();
  // Return the workflow design
  return {
    goals: workflowGoals,
    tools: aiTools,
    output: workflowOutput,
  };
}

Wenn Sie diese Schritte befolgen, entsteht ein Prozess, der hochwertige Ergebnisse mit wenigen Fehlern liefert.

Kurz zusammengefasst

• Ein Workflow ist eine Kette automatisierter Schritte, die einen klar umrissenen Prozess erledigt.
• Der Nutzen entsteht durch einen zusammenhängenden Prozess, der mehrere Tools verbindet, nicht durch das isolierte Automatisieren einzelner Aufgaben.
• Ständiges manuelles Prompten führt zu sich aufschaukelnden Fehlern und schwächeren Ergebnissen.
• Ein Orchestrator, der Tools kombiniert, verringert den Prompt-Aufwand.
• Beginnen Sie mit klaren Zielen, wählen Sie zu jeder Stufe passende Tools und testen Sie den kompletten Lauf.
• Der Ansatz funktioniert in der Softwareentwicklung, der Datenanalyse und vielen anderen Bereichen.

Bevor Sie dem Beispielcode in Produktion vertrauen, gleichen Sie ihn mit der offiziellen Dokumentation jedes Tools ab, denn SDK-Details ändern sich.