Verständnis von KI-Agenten: Ziele, Werkzeuge, Speicherfunktionen und der Agentenprozess.
Eine für Anfänger verständliche Erklärung dazu, wie KI-Agenten sich von Chatbots unterscheiden, mit Informationen zu den Kernkomponenten, dem Entscheidungsprozess, den Autonomiegraden sowie praktischen Anwendungsfällen.
Stellen Sie sich einen KI-Assistenten vor, der Ihnen zur Verfügung steht.
Sie geben ihm folgende Anweisung:
"Finden Sie fünf aktuelle Artikel zu agierenden KI-Systemen und erstellen Sie einen kurzen Vergleich."
Ein typischer Chatbot würde wahrscheinlich erklären, wie man nach solchen Artikeln sucht, oder vielleicht einige Titel nennen, von denen er bereits weiß.
Stellen Sie sich nun etwas anderes vor: ein System, das tatsächlich in der Lage ist, diese Aufgabe von Anfang bis Ende auszuführen.
Ein solches System könnte:
Das Ziel verstehen → Artikel suchen → Die Ergebnisse durchgehen → Die relevanten auswählen → Wichtige Details herausfiltern → Sie vergleichen → Einen Bericht zusammenstellen
Ein solches System ist das, was die Leute üblicherweise als KI-Agent bezeichnen.
KI-Agenten stehen im Zentrum dessen, was als agierende KI bezeichnet wird. Bevor man sich mit Frameworks wie LangGraph, CrewAI oder AutoGen beschäftigt, ist es hilfreich, zunächst zu verstehen, was ein Agent eigentlich ist.
Lassen Sie uns das von Grund auf aufbauen.
Was ist ein KI-Agent?
Einfach ausgedrückt ist ein KI-Agent ein System, das in der Lage ist, Informationen aufzunehmen, Entscheidungen zu treffen, Werkzeuge zur Umsetzung dieser Entscheidungen zu nutzen und ein definiertes Ziel anzustreben.
Ausgedrückt in anderen Worten:
Ein KI-Agent geht über das Beantworten von Fragen hinaus. Er ermittelt, was als Nächstes geschehen sollte, und handelt entsprechend, um eine Aufgabe zu erledigen.
Ein grundlegender Arbeitsablauf eines Agenten könnte wie folgt dargestellt werden:
Ziel → Verstehen → Entscheiden → Handeln → Ergebnisse überprüfen → Weitermachen → Ergebnis liefern
Zum Verständnis stellen Sie sich folgenden Auftrag vor:
„Finden Sie einen für Anfänger geeigneten Python-Kurs.“
Mit den richtigen Werkzeugen könnte ein Agent Folgendes tun:
- Erkennen, dass das Ziel das Erlernen von Python ist.
- Folgefragen stellen, falls wichtige Details fehlen.
- Sich die verfügbaren Kurse ansehen.
- Relevante Informationen zu jedem Kurs sammeln.
- Den Schwierigkeitsgrad, die Dauer, den Preis und den Inhalt abwägen.
- Auf die am besten passenden Kurse eingrenzen.
- Sie seine endgültige Empfehlung mitteilen.
Anstatt auf eine einzige Anfrage nur eine Antwort zu generieren, führt der Agent eine Abfolge von Schritten aus.
Eine einfache Art, KI-Agenten zu verstehen
Betrachten Sie, wie ein menschlicher Assistent eine Aufgabe angehen würde.
Nehmen wir an, der Assistent erhält diese Anweisung:
„Bitte organisieren Sie ein Treffen mit dem Projektteam nächste Woche.“
Der Assistent würde nicht einfach nur mit folgendem antworten:
"Klar."
Sondern er müsste mehrere Schritte durchlaufen.
Das könnte so aussehen:
Betrachten Sie den Kalender
↓
Identifizieren Sie freie Zeitfenster
↓
Bestätigen Sie, wann die Teilnehmer frei sind
↓
Wählen Sie ein geeignetes Zeitfenster aus
↓
Stellen Sie das Treffen ein
↓
Senden Sie Einladungen
Ein KI-Agent arbeitet nach einem ähnlichen Prinzip. Der Unterschied besteht darin, dass seine Schritte über Softwarewerkzeuge, APIs, Datenbanken, Apps und andere digitale Systeme statt durch manuelle Arbeit ausgeführt werden.
KI-Agent gegen herkömmlichen Chatbot
Dieser Unterschied ist besonders wichtig, wenn Sie mit dem Thema neu sind.
Ein Chatbot dient hauptsächlich dazu, eine Gesprächsführung zu ermöglichen.
Ein KI-Agent existiert, um Aufgaben zur Erreichung eines Ziels auszuführen.
Hier ist ein Vergleich, um das konkret zu machen.
Normaler Chatbot
Nehmen wir an, die Frage lautet:
"Wie ist der beste Weg, diese CSV-Datei zu analysieren?"
Der Chatbot könnte die folgenden Schritte durchgehen:
- Das Datenset laden
- Das Datenset bereinigen
- Eignete Python-Bibliotheken auswählen
- Die richtigen Visualisierungen erstellen
Danach würde die Person, die die Frage gestellt hat, jeden Schritt selbst ausführen.
KI-Agent
Falls der Agent sowohl Zugriff auf Python als auch auf die Datei selbst hat, könnte die Anweisung stattdessen lauten:
">Analysieren Sie dieses Datenset und identifizieren Sie die wichtigsten Muster."
Dann könnte der Agent Folgendes tun:
Die CSV laden
→ Die Spalten durchsehen
→ Fehlende Werte erkennen
→ Die Daten bereinigen
→ Die Analyse durchführen
→ Visualisierungen erstellen
→ Die Ergebnisse interpretieren
→ Einen Bericht zusammenstellen
Hier übernimmt der Agent eine aktive Rolle bei der Ausführung der Arbeit, anstatt nur zu erklären, wie sie durchgeführt wird.
Die Kernkomponenten eines KI-Agenten
Auch wenn KI-Agenten recht komplex werden können, lassen sich die meisten in eine Handvoll grundlegender Bausteine zerlegen.
1. Ziel
Jeder Agent beginnt mit einem Ziel.
Das Ziel definiert, was der Agent erreichen soll.
Zum Beispiel:
"Finde die fünf neuesten Arbeiten zur Retrieval-Augmented Generation und fasse zusammen, wie jede von ihnen das Problem angeht."
Ein klares Ziel gibt dem Agenten etwas, worauf er hinarbeiten kann.
Von dort aus kann es herausfinden, welche Aktionen es ihm näher an dieses Ergebnis bringen.
2. KI-Modell
Die meisten modernen Agenten stützen sich auf ein großes Sprachmodell (LLM) als zentrales Element für das Denken und das Verstehen von Sprache.
Dieses Modell hilft dem Agenten dabei, Folgendes herauszufinden:
- Was der Benutzer verlangt
- Welche Informationen er bereits zugänglich hat
- Welche Informationen noch fehlen
- Welche Aktion hilfreich sein könnte
- Welches Tool aufgerufen werden soll
- Wie mittlere Ergebnisse interpretiert werden können
- Ob ein zusätzlicher Schritt erforderlich ist
Betrachten Sie das Modell als Kern der Entscheidungsfindungsmaschinerie des Agenten.
Doch das LLM allein macht noch keinen vollständigen Agenten aus.
In der Regel wird das Modell mit mehreren anderen Komponenten kombiniert, um das vollständige System zu bilden.
3. Tools
Tools geben dem Agenten die Möglichkeit, über das Sprachmodell hinauszugehen und mit der Außenwelt zu interagieren.
Ein Agent kann mit Tools ausgestattet werden, die für Aufgaben wie folgende dienen:
- Das Internet durchsuchen
- Dateien lesen
- Datenbanken abfragen
- Python-Code ausführen
- Externe APIs aufrufen
- Eine Vektordatenbank durchsuchen
- Einen Kalender überprüfen
- E-Mails verarbeiten
- Dokumente abrufen
Stellen Sie sich vor, ein Agent erhält die Frage:
"Wie ist das Wetter heute?"
Anstatt auf veraltete Trainingsdaten angewiesen zu sein, kann ein mit einer Wetter-API verbundener Agent stattdessen Echtzeitinformationen abrufen.
Der Ablauf würde ungefähr so aussehen:
Frage
↓
Der Agent erkennt, dass aktuelle Daten benötigt werden
↓
Er wählt das Wetter-Tool aus
↓
Das Tool sendet ein Ergebnis zurück
↓
Vorgang der Verarbeitung durch den Agenten
↓
Endgültige Antwort
Die Fähigkeit, Werkzeuge zu nutzen, ist einer der Hauptgründe dafür, dass KI-Agenten so leistungsfähig sind.
4. Gedächtnis
Das Gedächtnis ermöglicht es einem Agenten, nützliche Details über Zeit hinweg zu speichern.
Stellen Sie sich einen KI-Tutor vor, der Ihnen beim Lernen von Programmierung hilft.
Sie erwähnen:
"Ich lerne Python und habe bereits Variablen, Schleifen sowie Funktionen behandelt."
Später fragen Sie dann:
"Was sollte ich als Nächstes angehen?"
Falls das System diesen früheren Kontext speichern und abrufen kann, muss es Sie nicht dazu bringen, das Gespräch von vorne zu beginnen.
Andere Agenten handhaben das Gedächtnis auf unterschiedliche Weise.
Im Großen und Ganzen lässt es sich in folgende Kategorien einteilen:
Kurzzeitgedächtnis – Details, die mit der aktuellen Aufgabe oder dem Gespräch verbunden sind.
Langfristiges Gedächtnis – Informationen, die zur Verwendung in zukünftigen Sitzungen aufbewahrt werden.
Dies kann mithilfe von Datenbanken, Sitzungszuständen, Vektorlagern oder verschiedenen anderen Speicherlösungen realisiert werden.
5. Planung
Nicht jede Aufgabe kann in einem einzigen Schritt erledigt werden.
Nehmen wir an, Sie fragen einen Agenten:
"Erkundigen Sie sich nach den besten Machine-Learning-Bibliotheken für Anfänger und erstellen Sie einen Vergleich."
Der Agent könnte diese Aufgabe in eine Reihe kleinerer Unteraufgaben aufteilen.
Möglicher Plan
Schritt 1: Identifizieren Sie eine Reihe beliebter ML-Bibliotheken.
Schritt 2: Sammeln Sie zuverlässige Informationen über jede davon.
Schritt 3: Vergleichen Sie, wie schwierig jede Bibliothek in der Anwendung ist und wofür sie am besten geeignet ist.
Schritt 4: Vergleichen Sie die Qualität der Dokumentation sowie das umgebende Ökosystem.
Schritt 5: Erkennen Sie heraus, welche Optionen am besten für Anfänger geeignet sind.
Schritt 6: Erstellen Sie den endgültigen Vergleich.
Dieser Aufschlüsselungsprozess wird als Planung bezeichnet.
Nicht jeder Agent benötigt einen ausgefeilten Plan, doch je komplexer eine Aufgabe ist, desto wertvoller wird die Planung.
6. Aktionen
Eine Aktion ist ein konkreter Schritt, den der Agent unternimmt.
Zum Beispiel:
Das Durchsuchen im Internet
zählt als Aktion.
Die Ausführung eines Python-Codeabschnitts
zählt als Aktion.
Das Herunterladen eines Dokuments
zählt als Aktion.
Die Ausführung einer Datenbankabfrage
zählt als Aktion.
Der Aufruf einer API
zählt als Aktion.
Das Modell entscheidet in der Regel, welche Aktion sinnvoll ist, während das zugehörige Tool sie tatsächlich ausführt.
7. Beobachtung
Sobald eine Aktion ausgeführt wurde, erhält der Agent eine Art Ergebnis zurück.
Dieses Ergebnis nennen wir Beobachtung.
Hier ist eine Veranschaulichung:
Entscheidung des Agents: Aktuelle Artikel zu agierenden KI-Systemen suchen.
↓
Aktion: Das Suchwerkzeug wird aufgerufen.
↓
Beobachtung: Zehn Ergebnisse werden zurückgegeben.
Dann muss der Agent die erhaltenen Ergebnisse prüfen.
Er könnte zu dem Schluss kommen:
">Drei dieser Ergebnisse sind nicht relevant, zwei sind veraltet, und fünf scheinen vielversprechend zu sein."
Dieser Schluss bestimmt, was der Agent als Nächstes tun wird.
Der KI-Agent-Zyklus
Sobald alle Komponenten vorhanden sind, können wir das Gesamtbild zusammenfassen.
Eine vereinfachte Version des Agent-Zyklus sieht so aus:
Ziel
↓
Verstehen
↓
Planen / Entscheiden
↓
Werkzeug auswählen
↓
Aktion unternehmen
↓
Ergebnis beobachten
↓
Bewerten
↓
Weitermachen oder beenden
Dieser Zyklus kann nur einmal ablaufen oder sich mehrfach wiederholen.
Zum Beispiel:
Suchen
↓
Die Ergebnisse sind nicht gut genug.
↓
Nochmals suchen
↓
Bessere Ergebnisse werden erzielt.
↓
Dokumente lesen
↓
Wichtige Details werden extrahiert.
↓
Ergebnisse vergleichen
↓
Endgültige Antwort erstellen
Dieses Hin- und Her zwischen Entscheiden, Handeln und Beobachten ist ein charakteristisches Merkmal vieler agentenbasierten Systeme.
Ein praktisches Beispiel: Forschungsagent
Stellen Sie sich den Aufbau eines KI-Agenten vor, dessen Aufgabe die Forschung ist.
Die ihm übertragene Aufgabe lautet:
„Finden Sie aktuelle Forschungsarbeiten zum Fragebeantworten in Sprachen mit begrenzten Ressourcen.“
Der erste Schritt des Agenten könnte darin bestehen, relevante Suchbegriffe auszuwählen.
Danach:
Schritt 1 – Suchen
Er ruft ein wissenschaftliches Suchtool auf.
Schritt 2 – Beobachten
Es werden zwanzig Arbeiten als Ergebnisse angezeigt.
Der Agent stellt fest, dass nicht alle davon nützlich sind.
Schritt 3 – Filtern
Er reduziert die Liste auf Arbeiten, die sich konkret mit Sprachen mit begrenzten Ressourcen und dem Fragebeantworten beschäftigen.
Schritt 4 – Lesen
Der Agent zieht Details aus den behaltenen Arbeiten heraus.
Schritt 5 – Analysieren
Er identifiziert Elemente wie:
- Datensatz
- Sprache
- Modell
- Methodik
- Bewertungsmetriken
- Ergebnisse
- Beschränkungen
Schritt 6 – Vergleichen
Der Agent ordnet die ausgewählten wissenschaftlichen Arbeiten zueinander an.
Schritt 7 – Erstellung des Ergebnisses
Zum Schluss erstellt er eine strukturierte Literaturübersicht.
Bemerken Sie, dass dies weit über ein einfaches Verhältnis hinausgeht:
Frage → Antwort
Stattdessen sieht es so aus:
Ziel → Mehrere Entscheidungen → Mehrere Aktionen → Endgültiges Ergebnis
KI-Agenten können mehrere Werkzeuge nutzen
Ein fähiger Agent verfügt oft über mehr als ein Werkzeug.
Nehmen wir beispielsweise einen Forschungsagenten, der möglicherweise Zugang zu folgenden Werkzeugen hat:
Suchwerkzeug
Findet wissenschaftliche Arbeiten.
PDF-Reader
Liest die Arbeiten durch.
Datenbank
Speichert die extrahierten Informationen.
Python
Analysiert die Ergebnisse.
LLM
Interpretiert und fasst das Finden zusammen.
Wichtig ist hier, dass der Agent nicht unbedingt auf jedes ihm zur Verfügung stehende Werkzeug zurückgreifen muss.
Stattdessen muss er herausfinden, welches Werkzeug zur jeweiligen Situation passt.
Dies führt zu einer anderen Art und Weise, einen Agenten zu definieren:
Ein KI-Agent verbindet Intelligenz mit der Fähigkeit, in einer Umgebung zu handeln.
Was ist die Umgebung?
Der Begriff Umgebung umfasst alles, mit dem der Agent interagieren kann.
Ein auf Software basierender Agent arbeitet beispielsweise mit Suchmaschinen, Dateien, Anwendungen, Datenbanken, anderen Agenten, APIs, Benutzern und Webseiten.
Der Agent sammelt Informationen aus dieser Umgebung und handelt innerhalb der ihm gesteckten Grenzen.
Ein einfaches Diagramm dazu sieht so aus:
Umgebung
↓
Beobachtung
↓
Agent
↓
Entscheidung
↓
Aktion
↓
Umgebung
Und der Kreislauf beginnt von dort aus erneut.
Sind KI-Agenten autonom?
Autonomie ist kein einheitliches, festes Merkmal – Agenten können mehr oder weniger davon aufweisen.
Einige Agenten handeln nur, nachdem ein Benutzer dies genehmigt hat.
Andere sind in der Lage, mehrere Schritte eigenständig auszuführen.
Zum Beispiel:
Niedrige Autonomie
Vor dem Ausführen irgendetwas prüft die KI zunächst:
"Ich habe diese drei Dateien gefunden. Soll ich sie analysieren?"
Etwas geschieht erst, wenn die Person, die sie verwendet, ausdrückliche Genehmigung erteilt.
Höhere Autonomie
In diesem Modus führt der Agent die gesamte Abfolge ohne Unterstützung aus:
Dateien finden → Dateien lesen → Sie analysieren → Bericht erstellen
Es gibt unterwegs keine Pause zur Bestätigung.
Auch kein Ansatz ist in jeder Situation eindeutig überlegen.
Die Wahl des richtigen Grades an Unabhängigkeit hängt von Faktoren wie der Art der Aufgabe, möglichen Nachteilen, den vorhandenen Berechtigungen sowie davon ab, wie schwerwiegend ein Fehler wäre, falls er auftreten sollte.
Wenn die Konsequenzen hoch sind, lohnt es sich in der Regel, eine Person einzubeziehen, bevor etwas Kritisches ausgeführt wird.
KI-Agent gegen agierende KI
Menschen verwenden diese beiden Begriffe oft, als wären sie identisch, doch es gibt einen bedeutenden Unterschied.
KI-Agent
Ein KI-Agent ist ein eigenständiges System, das dazu konzipiert ist, seine Situation wahrzunehmen, eine Entscheidung zu treffen und zum Erreichen eines Ziels zu handeln.
Agierende KI
Agentenbasierte KI ist der übergeordnete Begriff für das Entwerfen von Systemen, die auf Zielen, strategischem Planen, der Verwendung externer Tools, dem Handeln, dem Lernen aus Feedback sowie gelegentlich der gleichzeitigen Koordination mehrerer Agenten basieren.
So lässt es sich kurz zusammenfassen:
Betrachten Sie KI-Agenten als die einzelnen Bestandteile, während agentenbasierte KI die Gesamtphilosophie ist, die sie miteinander verbindet.
Einzel-Agenten-Systeme
In einer Architektur mit einem einzigen Agenten übernimmt dieser die alleinige Verwaltung einer gesamten Aufgabe.
Hier ist eine Illustration:
Datenanalyse-Agent
Datensatz erhalten
↓
Daten überprüfen
↓
Daten bereinigen
↓
Daten analysieren
↓
Diagramme erstellen
↓
Bericht generieren
Ein Agent überwacht den gesamten Prozess von Anfang bis Ende.
Anfänger profitieren oft davon, hier anzufangen, da ein einzelner Agent viel einfacher zu verfolgen, zu überprüfen und zu beheben ist, wenn etwas schiefgeht.
Mehre-Agenten-Systeme
In einigen Fällen macht es mehr Sinn, eine große Aufgabe in kleinere Teile aufzuteilen, wobei jeder Teil von einem eigenen spezialisierten Agenten bearbeitet wird.
Bilden Sie sich einen Auftragsabwicklungsprozess bei der Einstellung so vor:
Bewerbungsagent
Zieht wichtige Datenpunkte aus eingereichten Bewerbungen heraus.
↓
Screening-Agent
Prüft, ob die Bewerber die grundlegenden Anforderungen erfüllen.
↓
Fähigkeitsabgleichs-Agent
Vergleicht die Fähigkeiten der Bewerber mit den Anforderungen der Stelle.
↓
Interview-Agent
Erstellt Fragen für das Vorstellungsgespräch.
↓
Zusammenfassungs-Agent
Erstellt eine endgültige Zusammenfassung zu jedem Bewerber.
Anstatt sich auf einen einzigen Allzweck-Agenten zu verlassen, tragen mehrere spezialisierte Agenten jeweils ihren Teil bei und arbeiten gemeinsam am Endresultat.
Dieses Designmuster wird als Multi-Agentensystem bezeichnet.
Diese Systeme können tatsächlich nützlich sein, fügen jedoch auch eine Komplexitätsschicht hinzu, die nicht unterschätzt werden sollte.
Für alle, die neu in diesem Bereich sind, ist es ein viel sanfterer Einstieg, zunächst zu verstehen, wie ein Agent allein funktioniert.
Brauchen KI-Agenten immer RAG?
Ganz und gar nicht – das ist ein Missverständnis, das geklärt werden sollte.
Ein KI-Agent und RAG sind zwei getrennte Konzepte.
Retrieval-Augmented Generation bietet einem Sprachmodell die Möglichkeit, vor der Erstellung seiner Antwort externe Informationen abzurufen.
Ein Agent kann RAG einfach als eine von mehreren verfügbaren Tools betrachten.
Zum Beispiel:
Benutzerfrage
↓
Agent
↓
Der Agent erkennt, dass er etwas extern nachschlagen muss.
↓
RAG-Tool
↓
Passende Dokumente werden herangezogen.
↓
Der Agent bewertet das herangezogene Material
↓
Antwort erstellen
In diesem Zusammenhang fungiert RAG als nur ein Modul innerhalb eines umfassenderen, agentgesteuerten Prozesses, nicht als zwingendes Element für jeden Agenten.
Wo sind KI-Agenten nützlich?
Viele alltägliche Arbeitsabläufe können von einer agentbasierten Struktur profitieren.
Forschung
Suchen → Lesen → Filtern → Analysieren → Zusammenfassen
Datenscience
Laden → Reinigen → Erkunden → Modell erstellen → Bewertung → Bericht erstellen
Softwareentwicklung
Überprüfen → Anpassen → Testen → Fehlersuche → Überprüfung
Kundenservice
Anfrage verstehen → Kontoinformationen abrufen → Dokumentation durchsuchen → Lösung finden oder weiterleiten
Bildung
Studentenfrage verstehen → Material abrufen → Erklären → Übung erstellen → Antwort bewerten
Rekrutierung
Lebensläufe lesen → Fähigkeiten abgleichen → Kandidaten bewerten → Interviewfragen erstellen → Zusammenfassungen vorbereiten
Was all das miteinander verbindet, ist eine Idee:
Die Aufgabe erfordert eine Abfolge von Schritten, nicht nur eine einzige Antwort.
Was unterscheidet einen guten Agenten von einem mittelmäßigen?
Ein gut konzipierter KI-Agent ist nicht einfach nur ein Sprachmodell, das mit einer langen Liste an Werkzeugen verbunden ist.
Ein solides System benötigt Klarheit bezüglich:
- Des gewünschten Ergebnisses
- der verfügbaren Werkzeuge
- des Zeitpunkts, an dem das Aufrufen eines Werkzeugs sinnvoll ist
- der Art und Weise, wie die Rückgabe eines Werkzeugs interpretiert wird
- des Zeitpunkts, an dem ein weiterer Schritt notwendig ist
- des Zeitpunkts, an dem eine Pause eingelegt und der Benutzer etwas gefragt werden sollte
Ebenso wird eine Strategie benötigt, um mit Fehlern umzugehen.
Betrachten Sie dieses Muster:
API-Fehler
↓
Fehler erkennen
↓
Erneut versuchen oder Alternative wählen
↓
Weitermachen
Ausfallsicherheit ist genauso wichtig wie Intelligenz.
Ein Minimalkonzept für einen KI-Agenten
Als Anfänger können Sie einen KI-Agenten auf sechs wesentliche Bestandteile reduzieren:
1. Ziel
Das Ergebnis, das der Agent erreichen soll.
2. Modell
Der Logikmechanismus, der das Verstehen und Entscheiden ermöglicht.
3. Planung
Die Abfolge der Schritte, die dazu erforderlich sind.
4. Werkzeuge
Die externen Funktionen, auf die der Agent zugreifen kann.
5. Speicher / Zustand
Die Informationen, die über verschiedene Schritte hinweg erhalten bleiben müssen.
6. Aktionen & Beobachtungen
Was gerade passiert ist und was als Nächstes kommt.
Insgesamt sieht der Ablauf so aus:
Ziel des Benutzers
↓
KI-Modell
↓
Plan / Entscheidung
↓
Werkzeug
↓
Aktion
↓
Beobachtung
↓
Aktualisierung des Speichers / Zustands
↓
Nächste Entscheidung
↓
Endergebnis
Kapieren Sie diesen Kreislauf, und Sie haben das Wesentliche dessen verstanden, was ein KI-Agent ist.
Verschwenden Sie keine Zeit mit den Werkzeugen
Beim Studium von agierenden KI-Systemen ist es verlockend, sich auf den Vergleich verschiedener Frameworks zu konzentrieren.
Namen wie LangChain, LangGraph, CrewAI, AutoGen sowie verschiedene Agent-SDKs tauchen ständig auf.
Diese Werkzeuge haben tatsächlichen Wert.
Trotzdem kommen und gehen Frameworks ständig wieder.
Was konstant bleibt, sind die zugrundeliegenden Ideen.
Vor dem Ausprobieren eines Frameworks sollten Sie sicherstellen, dass Sie Folgendes verstehen:
Ziel → Planung → Werkzeuge → Aktionen → Beobachtungen → Erinnerung → Bewertung
Sobald diese Elemente zusammenpassen, wird ihre Anwendung innerhalb eines bestimmten Rahmens deutlich einfacher.
Zusammenfassung
Ein KI-Agent ist nicht einfach nur ein Chatbot, der Text ausspuckt.
Es handelt sich um ein System, das darauf ausgelegt ist, eine Zielsetzung durch Entscheidungsfindung und Interaktion mit seiner Umgebung zu erreichen, wobei alle verfügbaren Aktionen und Werkzeuge genutzt werden.
Eine schnelle Methode, sich dieses Musters zu merken:
Beobachten → Denken → Handeln → Wieder beobachten
Oder, im Kontext einer vollständigen Aufgabe dargestellt:
Ziel → Planen → Handeln → Beobachten → Anpassen → Abschließen
Es ist nicht notwendig, direkt zu komplexen Mehr-Agenten-Setups überzugehen.
Fangen Sie mit einem einzelnen Agenten an.
Geben Sie ihm ein klar definiertes Ziel.
Ausstatten Sie ihn mit einem oder zwei Werkzeugen.
Lassen Sie es eine Aktion ausführen.
Schauen Sie, was passiert.
Erkennen Sie anschließend den nächsten Schritt.
Diese grundlegende Schleife ist der Baustein, aus dem größere agierende KI-Systeme letztendlich zusammengesetzt werden.
Nächste Themen in dieser Serie
Blog #3: Traditionelle KI gegen generative KI gegen agierende KI
In dem nächsten Artikel werden diese drei Ansätze anhand alltäglicher Beispiele nebeneinander betrachtet, wobei gezeigt wird, wie sich die KI von Prognose → Erstellung → zielorientierte Aktion entwickelt hat.