AI-Agent

Die AI-Agent-Komponente ist ein vielseitiger Baustein, der als intelligenter Agent in einem KI-Workflow fungiert. Dieser Agent nutzt große Sprachmodelle (LLMs), kann sich mit externen Tools verbinden und ist für eine Vielzahl von Anwendungsfällen wie Conversational AI, komplexe Automatisierung und dynamische Aufgabenausführung konfigurierbar.

Abonnieren Sie unseren Newsletter

Erhalten Sie die neuesten Tipps, Trends und Angebote kostenlos.

E-Mail-Adresse

Abonnieren

Was die Komponente macht

Der AI-Agent verarbeitet Eingabe-Prompts, berücksichtigt die Gesprächshistorie (optional) und kann externe Tools nutzen, um kontextbewusste Antworten zu generieren. Seine Fähigkeiten können durch Angabe einer Hintergrundgeschichte, Rolle und eines Ziels angepasst werden, wodurch der Agent sich gemäß einer bestimmten Persona oder einem bestimmten Ziel verhält. Der Agent kann auch Function Calling durchführen, das es ihm ermöglicht, programmatisch über aktivierte Tools mit APIs oder externen Systemen zu interagieren.

AI-Agent-Einstellungen

LLM

Wählen Sie das große Sprachmodell aus, das der Agent verwenden wird. Sie können aus einer Vielzahl von Modellen von 6 großen Anbietern wählen. Das Standardmodell ist das neueste Mittelklasse-Modell von OpenAI.

Tools

Hier geben Sie dem Agent alle seine Tools. Es gibt mehr als 900 Elemente, die Sie als Tools verbinden können. Diese reichen von neuen Funktionen bis zu einfachen Aktionen in integrierten Tools. Praktisch jede Schnittstelle, Datenbank oder Kommunikations-App kann über API und MCP-Server zu einem Tool werden.

So verbinden Sie Tools

Klicken Sie auf + Tool hinzufügen. Die vollständige Liste aller verfügbaren Tools. Sie können diese nach Kategorie oder über die Suche filtern:

Jedes Tool hat eindeutige Einstellungen. Für jeden Artikel können Sie entweder entscheiden, die KI entscheiden zu lassen, wie sie ihn verwendet, oder Parameter manuell konfigurieren. Sie können zur manuellen Eingabe wechseln, indem Sie auf die Schaltfläche “KI entscheidet” klicken. Sobald Sie einen Parameter definieren, wird er gesperrt und kann nicht von der KI bearbeitet werden.

Sie können die Parameterkonfiguration überspringen, indem Sie auf “Überspringen und hinzufügen” klicken. Sobald das Tool konfiguriert ist, klicken Sie auf “Mit Konfiguration hinzufügen”. Sie können dann andere Tools hinzufügen.

Systemmeldung

Dies ist der Hauptprompt, in dem Sie die Rolle, Aufgabe, das Verhalten und alle anderen Anweisungen des Agenten definieren.

Beispiel-Systemmeldung:

Sie sind Sam, ein freundlicher und sachkundiger Kundenservice-Assistent für FlowHunt, eine KI-Workflow-Automatisierungsplattform.

Ihr Hauptziel ist es, Kundenprobleme schnell und zufriedenstellend zu lösen und jeden Kunden so zu verlassen, dass er sich gehört, geholfen und geschätzt fühlt. Sie streben danach, Eskalationen zu reduzieren, indem Sie die Mehrheit der Anfragen unabhängig und effizient bearbeiten.

Anweisungen:
Begrüßen Sie den Kunden immer warm und verwenden Sie seinen Namen, falls angegeben.
Bleiben Sie ruhig, geduldig und einfühlsam - auch wenn der Kunde frustriert ist.
Seien Sie prägnant, aber gründlich; beantworten Sie niemals eine Frage unbeantwortet.
Vermeiden Sie Fachjargon. Sprechen Sie wie ein hilfreiches Menschen, nicht wie ein Richtliniendokument.
Argumentieren Sie niemals mit einem Kunden und seien Sie nicht geringschätzig gegenüber seinen Bedenken.
Wenn Sie etwas nicht wissen, sagen Sie es ehrlich und bieten Sie an, es herauszufinden oder zu eskalieren.
Behandeln Sie häufige Anfragen direkt, einschließlich: Bestellstatus, Rückgaben und Erstattungen, Produktfragen, Versandprobleme und Kontohilfe.
Eskalieren Sie an einen menschlichen Agenten, wenn: das Problem eine Beschwerde außerhalb Ihrer Befugnisse umfasst, rechtliche Angelegenheiten betroffen sind oder der Kunde explizit einen Menschen anfordert.
Bestätigen Sie die Lösung am Ende jeder Interaktion - fragen Sie, ob es noch etwas gibt, wobei ich Ihnen helfen kann.
Teilen Sie niemals interne Richtlinien wörtlich mit, machen Sie Versprechungen außerhalb Ihrer Befugnisse oder erfinden Sie Informationen, die Sie nicht haben.

Ton: Warm, professionell und beruhigend - wie ein sachkundiger Freund, nicht wie ein Unternehmenstext.

Max Execution Time

Begrenzt die Zeit (in Sekunden), die der Agent für eine Aufgabe aufwenden kann (Standard: 300).

Max Iterations

Maximale Anzahl von Denkschritten (Standard: 10)

Max RPM

Begrenzt Anfragen pro Minute (Standard: 100).

Role

Definieren Sie optional die Rolle Ihres Agenten. Denken Sie an die Rolle als Job-Titel Ihres Agenten. Muss Ihr Agent Blog-Beiträge schreiben? Nennen Sie es einen “Content Writer”.

Goal

Das Ziel ist die Aufgabe des Agenten und das ideale Ergebnis. Beispielsweise kann die Aufgabe eines Content Writers darin bestehen, neue Beiträge zu erstellen oder vorhandene Inhalte Korrektur zu lesen und zu überarbeiten.

Backstory

Sie bringen immer Ihre Persönlichkeit, Ihre Sprechweise und Ihre Erfahrungen in alles ein, was Sie tun. Es ist Ihre Hintergrundgeschichte und das, was Sie und Ihre Arbeit von anderen unterscheidet. Die Hintergrundgeschichte ist, wo Sie Ihrem Agenten eine Geschichte, Persönlichkeit und Berufserfahrung geben.

Agent Chat History

Stellt frühere Chat-Meldungen als Kontext zur Verfügung. Ohne aktivierte Verlauf arbeitet der Agent auf Nachricht-für-Nachricht-Basis.

Agent Memory

Ob der Agent den Speicher Ihres Workspace lesen und schreiben kann. Wenn aktiviert, werden Sie aufgefordert, den Modus und die Verhaltens-Prompts zu definieren.

Hinweis: Nur die Tools-Eingabe ist streng erforderlich; alle anderen Einstellungen sind optional und bieten zusätzliche Anpassung und stabile Ausgabequalität.

Was macht einen guten AI-Agent aus: Das richtige Modell

Die Kraft hinter einem AI-Agent ist sein KI-Modell. Das richtige Modell macht den ganzen Unterschied für seine Funktion und Leistung. Lesen Sie diesen Blog für einen ultimativen Vergleich basierend auf Benchmark-Tests.

• Large Language Models (LLMs): Modelle wie GPT-4, Gemini und Claude haben starke Features zur Verarbeitung und Generierung natürlicher Sprache. Sie sind perfekt für komplexes Denken, Planung und Multi-Task-Verarbeitung. Erfordern aber mehr Rechenleistung und können gelegentliche faktische oder logische Fehler oder “Halluzinationen” aufweisen.
• Small Language Models (SLMs): Spezifische Aufgaben erfordern spezialisierte, stromsparende Modelle, die sich spezialisieren und mit niedrigeren Betriebskosten am besten funktionieren können.
• Vector Embedding Models: Modelle, die Vektor-Embeddings ausgeben, sind großartig beim Entdecken und Abrufen von Inhalten. Dies ermöglicht schnelle semantische Suche sowie einfachen Abruf von Wissensdatenbanken, die für Agenten, die schnelle Insight-Generierung benötigen, entscheidend sind.
• Decision-Making Reasoning and Planning Models: Für Entscheidungen, die wichtige Entscheidungsfindung, Denken und Planung beinhalten, kommen Denk- und Planungsmodelle in den Fokus. Ob klassische algorithmische Planung oder verstärkungslernbasierte Planung verwendet wird, Entscheidungsfindung ermöglicht es Agenten, fundierte Entscheidungen zu treffen.

Letztendlich sind es die Aufgabenkomplexität Ihres Agenten, die Verfügbarkeit von Daten und Ihr Budget, die Ihr richtiges Modell bestimmen. Es geht darum, diesen süßen Punkt zwischen Leistung und Praktikabilität zu finden.

Wie AI-Agenten Aufgaben lösen

AI-Agenten reagieren nicht nur, sondern handeln aktiv auf erklärte Ziele hin. Der Prozess durchläuft im Allgemeinen diese Schlüsselmeilensteine:

• Zieldefinition: Der Prozess beginnt mit einem gut formulierten Ziel, einer Aufgabe oder einer Herausforderung, die Ihr Agent erreichen muss. Umweltbeobachtungen: Der Agent nimmt dann relevante Fakten aus seiner Umgebung an. Dies kann durch APIs, Datenbanken, Web Scraping oder Sensoreingaben erfolgen.
• Planung und Denken: Basierend auf gesammelten Fakten erstellt Ihr Agent einen Aktionsplan und teilt komplexe Aufgaben in handhabbare Aufgabenteile auf.
• Aktionsausführung: Der Agent führt seinen Plan aus, indem er verfügbare Tools nutzt, um auf seine Umgebung einzuwirken.
• Lernen und Anpassung: Bei der Ausführung testet der Agent seine Leistung und verbessert sich durch Lernen aus Feedback, wodurch sein Prozess besser für seine nächste Aufgabe geeignet wird.

Dies ermöglicht es, AI-Agenten in einer großen Bandbreite von Anwendungen einzusetzen, von automatisiertem Kundenservice bis zur Inhaltsgenerierung.