Jenseits des Buzzwords ist ein KI-Agent ein einfacher Loop: das Modell nach der nächsten Aktion fragen, bei Bedarf Tools nutzen und wiederholen, bis das Ziel erreicht ist. Keine Magie – nur ein klarer Kontrollfluss, mit dem ein LLM Schritt für Schritt plant und über Tools handelt.
Hier finden Sie ein minimalistisches Code-Gerüst, eine Schritt-für-Schritt-Erklärung, Hinweise, wann zusätzliche Features sinnvoll sind, und wie Sie mit Draft’n Run in Produktion gehen – unserer Observability-orientierten Plattform für agentic AI und den AI Workflow Builder.
Der komplette Agent in wenigen Zeilen
INSTRUCTIONS = "Use tools at your disposal to complete the task"
TOOLS = [web_search, knowledge_access]
def ai_agent(task):
while not finished(task):
answer = ask_llm(INSTRUCTIONS, TOOLS, task)
if has_tools(answer):
return ai_agent(run_tools(answer))
else:
return answerBewusst minimal gehalten.
Was dieser Code macht (Schritt für Schritt)
- Ziel & Werkzeugkasten.
INSTRUCTIONSbeschreibt Ziel und Tool-Nutzung.TOOLSlistet Fähigkeiten (Suche, DB, CRM, E-Mail…). - LLM um den nächsten Schritt bitten.
ask_llm(...)liefert Antwort oder Plan mit Tool-Calls. - Bei Toolbedarf ausführen & erneut iterieren.
run_tools(answer)führt aus, Ergebnisse fließen zurück. - Ohne Tool (oder bei Zielerreichung) stoppen.
finished(task)definiert Erfolg.
Das klassische Schema: wahrnehmen → entscheiden → handeln → wiederholen.
„Ist das wirklich ein Agent?“
Ja, denn er:
- verfolgt ein Ziel,
- nimmt Kontext wahr (Tool-Ergebnisse),
- entscheidet den nächsten Schritt (LLM),
- handelt via Tools,
- iteriert bis zum Abschluss.
Agentivität entsteht aus dem geschlossenen Loop zwischen Reasoning und Action.
Warum das oft genügt
- Plan entsteht iterativ: Das LLM plant Zug um Zug.
- Tools erweitern Reichweite: Websuche, Vektor-DBs, CRM, Tabellen, APIs.
- Iterationen schaffen Arbeitsspeicher: Jede Runde reduziert Unsicherheit.
- Klare
finished()-Logik begrenzt Scope: Standardlieferobjekt.
Der Ansatz trägt weit: Research-Copiloten, Report-Generatoren, Vertriebsassistenten, interne Wissensagenten. Beispiele finden Sie unter KI-Automatisierung und in unseren Kundenstories.
Wie Draft’n Run unterstützt
Agenten produktionsreif zu machen, bedeutet Zuverlässigkeit, Sicherheit und Transparenz. Draft’n Run bietet:
- Visuelle Workflows mit typisierten Ein-/Ausgaben im AI Workflow Builder
- Observability out of the box (Traces, Metriken, Kosten) – siehe Agentic AI
- Sichere Tools mit validierten Argumenten & deterministischen Konnektoren – siehe Integrationen
- Knowledge Layer für RAG-Agenten und Dokumentautomatisierung – siehe Maßgeschneiderte KI
Demo gefällig? Buchen Sie eine Demo oder prüfen Sie die Preise.
Wann mehr nötig ist (und was)
Starten Sie mit dem kompakten Loop; erweitern Sie nur bei Bedarf:
- Zuverlässigkeit: Retries, Backoff, strukturierte Outputs (JSON), Prompt/Tool-Tests.
- Sicherheit & Kosten: Step-Limits, Budgets, Red-Teaming.
- Observability: Traces, Step-Transkripte, Tool-I/O-Capture.
- Memory: Zusammenfassungen/Embeddings pro Nutzer/Sitzung/Projekt.
- Parallelität & Events: Background Jobs, Webhooks, Scheduler.
- Business-Erfolg: Robustes
finished()mit klaren Erfolgskriterien.
Praxis-Tipps fürs Shipped Product
- Toolbox begrenzen. Wenige, präzise Tools > viele unscharfe.
- Explizite Verträge. Namen, Argumente, Rückgabetypen – früh scheitern.
- Kurze, stabile Prompts. Policies in
INSTRUCTIONS, Aufgaben getrennt. - Alles tracen. Schritte, Tool-Calls, Inputs/Outputs.
- Erfolg definieren. Ein klares
finished()verhindert Abdriften.
Mini-FAQ
Frage: Welches Modell?
Antwort: Beliebig; Benchmarks zu „Instruction Following“ (z.B. LM Arena) helfen.
Frage: Wie viele Schritte?
Antwort: Kurz (3–8), bis echte Tiefe nötig wird (Kosten/Risiko).
Frage: Halluzinierte Tool-Calls verhindern?
Antwort: Strukturierte Ausgabe (JSON mit tool_name/args), Schema-Validierung, bei Abweichungen reject/reprompt.
Merksatz
Wer diesen Fünf-Zeilen-Loop versteht, versteht KI-Agenten. Alles weitere – Memory, Planner, Critic, Graph – ist Zusatz. Starten Sie hier, liefern Sie schneller, und fügen Sie Komplexität nur bei Bedarf hinzu. Bereit? Bauen und beobachten Sie mit dem AI Workflow Builder oder buchen Sie eine Demo.
