Deep Agent

Der Deep Agent ist FlowHunts fähigster Agent-Typ, konzipiert für Aufgaben, die weit über einen einzelnen Prompt-und-Response-Zyklus hinausgehen. Während ein Standard-KI-Agent eine Frage beantwortet oder eine diskrete Aktion ausführt, verfolgt ein Deep Agent ein Ziel – zerlegt es, führt Schritte aus, bewertet Ergebnisse und passt seinen Ansatz an, bis das Ziel erreicht ist.

Wie sich ein Deep Agent von einem regulären KI-Agent unterscheidet

Ein Standard-KI-Agent verarbeitet Ihre Eingabe mit einem LLM, ruft optional ein Werkzeug auf und gibt eine Antwort zurück. Es ist großartig für einstufige oder einfachere mehrstufige Aufgaben, Gespräche, das Zusammenfassen von Dokumenten oder das Auslösen von Maßnahmen.

Ein Deep Agent ist proaktiv und iterativ. Angesichts eines übergeordneten Ziels:

• Zerlegt das Ziel in eine Abfolge von konkreten Unteraufgaben, bevor es Maßnahmen ergreift
• Plant seinen Ansatz und entscheidet, welche Werkzeuge verwendet werden sollen und in welcher Reihenfolge
• Führt Schritte iterativ aus, ruft Werkzeuge auf, verarbeitet Ergebnisse und entscheidet auf der Grundlage seiner Erkenntnisse, was als nächstes zu tun ist
• Bewertet sich selbst nach jedem Schritt – versucht erneut, verfeinert oder ändert die Strategie, wenn ein Ergebnis unzureichend ist
• Synthetisiert eine endgültige Ausgabe erst, nachdem alle Unteraufgaben abgeschlossen sind

Der wesentliche praktische Unterschied: Ein regulärer Agent kann bestenfalls mehrere Schritte unternehmen, aber ein Deep Agent kann Dutzende unternehmen und weiß, wann er aufhören soll.

Wann sollte man einen Deep Agent verwenden

Deep Agents sind die richtige Wahl, wenn:

• Die Aufgabe das Sammeln und Synthetisieren von Informationen aus mehreren Quellen erfordert
• Der Arbeitsablauf bedingte Logik umfasst, oder anders gesagt, wenn der nächste Schritt vom Ergebnis vorheriger Schritte abhängt
• Sie möchten, dass der Agent seine eigenen Zwischenergebnisse überprüft oder kreuzt
• Das Ziel zu komplex oder offen ist, um es vollständig in einer einzelnen Eingabeaufforderung anzugeben
• Sie möchten, dass der Agent über einen längeren Zeitraum autonom arbeitet

Denken Sie daran: Für einfache, gut abgegrenzte Aufgaben ist ein Standard-KI-Agent schneller und kostengünstiger. Verwenden Sie einen Deep Agent nur, wenn die Komplexität die zusätzliche Denktiefe rechtfertigt.

Bereit, Ihr Geschäft zu erweitern?

Starten Sie heute Ihre kostenlose Testversion und sehen Sie innerhalb weniger Tage Ergebnisse.

Demo anfragen Anmelden

Deep Agent Einstellungen

LLM

Wählen Sie das große Sprachmodell, das der Agent verwenden wird. Sie können aus Modellen von 6 großen Anbietern wählen. Das Standardmodell ist immer das neueste Mittelklasse-Modell von OpenAI, das für die meisten Aufgaben ausreichend sein sollte.

Deep Agents profitieren am meisten von fortschrittlicheren Modellen mit starken Denkfähigkeiten (z. B. neueste GPT, neueste Claude Sonnet oder Opus Modelle, Gemini Pro Modelle), da sie über viele Schritte hinweg planen können, mit Mehrdeutigkeit umgehen und in jeder Phase ohne menschliche Anleitung fundierte Entscheidungen treffen können.

Werkzeuge

Werkzeuge sind das, was dem Deep Agent seine Fähigkeit gibt, in der Welt zu handeln. Mit über 900 verfügbaren Werkzeugen (APIs, Datenbanken, Kommunikationsplattformen, Suchmaschinen, Code-Ausführungsumgebungen) und MCP-Servern können Sie den Agent mit genau den Funktionen ausstatten, die seine Aufgabe erfordert.

Wie man Werkzeuge verbindet

Klicken Sie auf + Werkzeug hinzufügen. Die vollständige Liste der verfügbaren Werkzeuge wird angezeigt. Sie können nach Kategorie filtern oder nach Name suchen:

Jedes Werkzeug hat seine eigenen Einstellungen. Für jedes können Sie entweder die KI entscheiden lassen, wie sie es basierend auf dem Kontext nutzt (empfohlen für Deep Agents, da der Agent Flexibilität benötigt, um sich über viele Schritte hinweg anzupassen) oder Parameter manuell konfigurieren, um spezifische Werte zu sperren.

Um zur manuellen Eingabe zu wechseln, klicken Sie auf die Schaltfläche “KI entscheidet”. Sobald ein Parameter manuell definiert ist, ist er festgelegt und die KI kann ihn nicht überschreiben.

Sobald das Werkzeug konfiguriert ist, klicken Sie auf “Mit Konfiguration hinzufügen” oder überspringen Sie die Konfiguration vollständig, indem Sie auf “Überspringen und hinzufügen” klicken. Sie können dann andere Werkzeuge hinzufügen.

Für Deep Agents führt ein fokussiertes und relevantes Werkzeugsatz zu besseren Entscheidungen und schnellerer Ausführung als ein zu breites – der Agent berücksichtigt alle verfügbaren Werkzeuge in jedem Schritt, daher fügen unnötige Werkzeuge Rauschen hinzu.

Systemnachricht

Die Systemnachricht ist die wichtigste Konfiguration für einen Deep Agent. Sie definiert die Rolle, das Ziel, den Denkansatz und die Beschränkungen des Agenten. Es ist der primäre Mechanismus, um einen autonomen Agent auf Kurs zu halten.

Ihre Systemnachricht für Deep Agents sollte folgendes abdecken:

• Das Ziel – was der Agent letztendlich erreichen will
• Die erwartete Ausgabe – Format, Länge, Struktur
• Entscheidungsregeln – was zu tun ist, wenn fehlende Daten, widersprüchliche Quellen oder Werkzeugfehler auftreten
• Umfangsbeschränkungen – was der Agent tun sollte und nicht tun sollte

Beispiel-Systemnachricht:

Sie sind ein Deep-Research-Agent. Ihr Ziel ist es, einen umfassenden, genauen und gut strukturierten Bericht zu einem beliebigen Thema zu erstellen.

Prozess:
1. Zerlegen Sie das Thema in 4–6 Schlüsselforschungsfragen.
2. Suchen Sie für jede Frage nach relevanten Informationen mit den verfügbaren Werkzeugen.
3. Bewerten Sie die Qualität und Relevanz jeder Quelle, bevor Sie sie verwenden.
4. Synthetisieren Sie Erkenntnisse aus allen Fragen in einen zusammenhängenden Bericht.
5. Fügen Sie am Ende eine Zusammenfassung, Schlüsselergebnisse und eine Liste der Quellen ein.

Regeln:
- Erfinden Sie keine Informationen. Wenn Sie keine zuverlässige Quelle finden, sagen Sie das.
- Wenn ein Werkzeugaufruf fehlschlägt, versuchen Sie es einmal mit einer geänderten Abfrage erneut, bevor Sie fortfahren.
- Hören Sie nicht auf, bis alle Forschungsfragen beantwortet wurden oder Sie verfügbare Quellen erschöpft haben.
- Halten Sie den endgültigen Bericht sachlich, neutral im Ton und frei von Spekulationen.

Ausgabeformat: Markdown, mit klaren Überschriften für jeden Abschnitt.

Maximale Rekursionstiefe

Steuert, wie viele Ebenen tief der Agent bei der Zerlegung und Ausführung von Unteraufgaben rekursieren kann. Ein höherer Wert ermöglicht es dem Agent, komplexere, verschachtelte Probleme zu bewältigen, erhöht aber Ausführungszeit und Ressourcennutzung. Für die meisten Aufgaben ist der Standardwert mehr als ausreichend. Erhöhen Sie ihn nur, wenn der Agent echte mehrstufige Unterziele verfolgen muss.

Agent-Chatverlauf

Stellt frühere Chatnachrichten als Kontext für den aktuellen Durchlauf bereit. Mit aktiviertem Verlauf kann der Deep Agent auf frühere Austausche verweisen, was nützlich ist, wenn der Agent Teil eines laufenden Gesprächs oder iterativen Arbeitsablaufs ist, bei dem vorheriger Kontext den nächsten Schritt formt. Ohne Verlauf behandelt der Agent jeden Durchlauf als vollständig unabhängig.

Agent Memory

Steuert, ob der Agent aus Ihrem Workspace-Speicher lesen und schreiben kann. Wenn aktiviert, kann der Deep Agent Erkenntnisse, Entscheidungen und angesammeltes Wissen über separate Durchläufe hinweg persistieren – was es möglich macht, eine Wissensdatenbank schrittweise aufzubauen oder langfristige Projekte fortzusetzen, bei denen das Neustarten von vorne verschwenderisch wäre. Wenn aktiviert, werden Sie aufgefordert, den Speichermodus und Verhaltensvorgaben zu definieren, die regeln, was gespeichert wird und wie es abgerufen wird.

Hinweis: Nur die Werkzeugeingabe ist streng erforderlich; alle anderen Einstellungen sind optional, haben aber einen signifikanten Einfluss auf die Qualität und Zuverlässigkeit der Ausgabe eines Deep Agent.

Wie ein Deep Agent Aufgaben löst

Deep Agents folgen einer strukturierten Ausführungsschleife. Diese Schleife ist genau das, was Deep Agents befähigt, Aufgaben zu bewältigen, die einen Standard-Agent überfordern würden:

• Zielzerlegung: Der Agent analysiert das Ziel und zerlegt es in eine Abfolge von Unteraufgaben.
• Iterative Ausführung: Der Agent arbeitet sich durch Unteraufgaben eine nach der anderen, ruft Werkzeuge auf, verarbeitet Ergebnisse und entscheidet basierend auf abgeschlossenen Schritten, was als nächstes zu tun ist.
• Selbstbewertung: Nach jedem Schritt bewertet der Agent, ob das Ergebnis ausreichend ist, um voranzugehen, oder ob er seine Abfrage erneut versuchen, verfeinern oder einen völlig anderen Ansatz verfolgen muss.
• Synthese: Sobald alle Unteraufgaben abgeschlossen sind, kombiniert der Agent Zwischenergebnisse in eine endgültige, kohärente Ausgabe.
• Beendigung: Der Agent stoppt, wenn das Ziel erreicht ist, wenn er die konfigurierten Grenzen erreicht, oder wenn er feststellt, dass er die Aufgabe mit den verfügbaren Werkzeugen und Informationen nicht abschließen kann.

Abonnieren Sie unseren Newsletter

Erhalten Sie die neuesten Tipps, Trends und Angebote kostenlos.

E-Mail-Adresse

Abonnieren

Auswahl des richtigen Modells für einen Deep Agent

Das LLM ist die Denkmaschine hinter jeder Entscheidung, die der Deep Agent trifft. Für tiefe, mehrstufige Aufgaben hat die Modellqualität einen übergroßen Einfluss auf die Leistung.

• Frontier-Modelle (GPT-4o, Claude 3.5 Sonnet, Gemini 1.5 Pro): Am besten für komplexes Denken, langfristige Planung und Aufgaben, bei denen der Agent mit Mehrdeutigkeit umgehen oder Urteile ohne menschliche Eingaben fällen muss. Die höheren Kosten sind normalerweise für Deep Agent-Arbeitslasten gerechtfertigt.
• Mittelklasse-Modelle: Ein solides Gleichgewicht zwischen Fähigkeit und Kosten für mäßig komplexe, aber gut definierte Aufgaben.
• Kleine Sprachmodelle: Nicht empfohlen als primäres Modell für Deep Agents. Ihnen fehlt die Denktiefe, die für zuverlässige mehrstufige Ausführung erforderlich ist. Allerdings sind sie immer noch für einfache Unteraufgaben innerhalb eines größeren Arbeitsablaufs geeignet, bei denen Geschwindigkeit und Kosten wichtiger sind als Denkqualität.

Beginnen Sie mit einem Mittelklasse-Modell und wechseln Sie nur auf, wenn die Leistung dies erfordert. Die richtige Wahl hängt von Ihrer Aufgabenkomplexität, akzeptablen Latenz und Ihrem Budget ab.