Leitfaden für KI-Agenten

Der Inhalt dieses Beitrags wurde mithilfe von KI-Tools erstellt. Dabei wurde das Transkript des Videos auf Deutsch übersetzt und eine Zusammenfassung generiert. Web Clipper > Obsidian > Copilot, unter lokaler Verwendung von gpt-oss:120b auf einem Mac Studio.

Weitere Beiträge zum Thema KI:

ki - supportnet.ch

supportnet.chpeter portmann

Publikation bei Medium

AI Agents: Complete Course

Wenn Sie 2025 die Entwicklungen im Bereich KI verfolgt haben, ist Ihnen wahrscheinlich aufgefallen, dass überall über Agenten gesprochen wird. Und das aus gutem Grund. KI‑Agenten können alles von einfachen Alltagsaufgaben bis hin zu komplexen, mehr‑Agenten‑Workflows im Unternehmenspassstab bewältigen.

Und das ist erst der Anfang. Wir werden in diesem Bereich noch viel mehr Innovationen sehen.

Wenn Sie neu hier sind, ich bin Marina. Ich bin Senior Applied Scientist bei Amazon und arbeite an Generativer KI. Heute erkläre ich Ihnen alles, was Sie über das Erstellen und Arbeiten mit KI‑Agenten wissen müssen.

Ich habe mich intensiv mit diesem Thema beschäftigt. Ich habe zahlreiche Kurse belegt, Bücher gelesen und meine eigenen Agenten gebaut. Meine Forschungsnotizen wurden etwa 150 Seiten lang, und ich habe das Ganze für Sie in einem Beitrag zusammengefasst.

So werden wir vorgehen:

Zuerst die Grundlagen. Was ist ein KI‑Agent, welche Kernkonzepte gibt es und wo können Sie ihn tatsächlich einsetzen? Wir behandeln ausserdem einige No‑Code‑Optionen, falls Sie ohne Programmieren experimentieren möchten.

Dann das mittlere Niveau. Wir gehen darauf ein, wie man Multi‑Agent‑Systeme entwickelt und bewertet, die reale Probleme lösen. Ich zeige eine Demo eines agentenbasierten Systems, das mir derzeit wöchentlich mehrere Stunden Arbeit erspart.

Dann fortgeschritten. Was ist tatsächlich nötig, um zuverlässige Agentensysteme in der Produktion zu bauen?

Bitte bei Medium weiterlesen da Member-only story:

AI Agents: Complete Course

From beginner to intermediate to production.

Data Science CollectiveMarina Wyss - Gratitude Driven

Oder das dazugehörige Video auf YouTube anschauen:

Video

Übersetzung und Zusammenfassung mit Obsidian Copilot Plugin

KI-Agenten Kurs!

• KI‑Agenten übernehmen einfache bis komplexe Aufgaben in Unternehmen und werden stark wachsen.
• Marina (Senior Applied Scientist bei Amazon) fasst ihr umfangreiches Research (≈150 Seiten) in einem Video zusammen.
• Kursstruktur: Grundlagen → Zwischenstufe (Multi‑Agent‑Systeme) → Fortgeschrittene Themen + Bonus für Entwickler.

Grundlagen von KI‑Agenten – Was ist ein KI‑Agent?

• Agenten arbeiten iterativ (Planen, Recherchieren, Schreiben, Reflektieren) statt in einem einzigen Prompt.
• Beispiel Essay: Outline → Recherche → Entwurf → Selbstkritik → Revision (React‑Loop).
• Vorteile: Bessere Argumentation, weniger Halluzinationen, höhere Genauigkeit.
• Einsatzgebiete: Rechtsrecherche, Gesundheitsdokumentation, Kundenservice mit Kontext‑Abruf.

Für welche Aufgaben eignen sich Agenten?

• Ideal für wiederholbare, klar definierte Prozesse (z. B. Rechnungsfeld‑Extraktion).
• Mittelkomplex: Kunden‑E‑Mail‑Antworten mit Datenbank‑Lookup.
• Hochkomplex: Vollständige Service‑Agenten (Rücksendungen, Inventar‑Abfragen).
• Matrix: Komplexität vs. Präzision – schnelle Erfolge oft bei hoher Komplexität, niedriger Präzision.
• Empfehlung: Mit komplexen, aber toleranten Aufgaben starten (z. B. Zusammenfassung von Vorlesungsnotizen).

Spektrum der Autonomie

• Skriptbasierte Agenten: Jeder Schritt fest codiert, deterministisch.
• Hochautonome Agenten: Modell entscheidet Werkzeuge, Reihenfolge, kann sogar Code generieren.
• Praxis: Meist semi‑autonome Systeme – Modell wählt aus definierten Werkzeugen innerhalb von Guardrails.

Kontext‑Engineering

• Definition des Kontextes (Aufgaben‑Hintergrund, Rollenbeschreibung, Gedächtnis, verfügbare Werkzeuge).
• Ziel: Nicht‑deterministische Modelle zu konsistenten, hochwertigen Ausgaben führen.

Aufgabenzerlegung

• Zerlege jede menschliche Teilaufgabe in kleine, prüfbare LLM‑fähige Schritte.
• Beispiel Essay: Outline → Suchbegriffe → Web‑Suche → Quellen‑Abruf → Entwurf → Selbstkritik → Revision.
• Kleine Schritte ermöglichen gezielte Verbesserungen und Fehlersuche.

Demo: No-Code‑Agentensystem

• Aufbau eines wöchentlichen Lernassistenten mit Crew AI (No‑Code).
• Drei (später vier) Agenten: Recherche, Ressourcen‑Kurierung, Plan‑Erstellung, Visualisierung.
• Jeder Agent konfigurierbar (Prompt, Output‑Format, Hyperparameter, Tool‑Auswahl).

Zwischenstufe KI‑Agenten – Leistungsbewertung

• Metriken: Korrektheit (Ja/Nein), Qualitätsbewertung durch zweites LLM (1‑5 Skala).
• Analyse von Trace‑Daten (Suchanfragen, Entwürfe, Denk‑Schritte) zur Fehlersuche.
• Frühzeitiges Evaluieren wichtig, Perfektion nicht sofort nötig.

Gedächtnis

• Kurzzeit‑Gedächtnis: Notizen während eines Laufs, von anderen Agenten lesbar.
• Langzeit‑Gedächtnis: Persistente Speicherung von Erfolgen/Misserfolgen für zukünftige Läufe.
• Unterschied zu statischem Wissen (PDFs, CSVs, Dokumentation), das nur gelesen wird.

Leitplanken

• Qualitätsgate zwischen Agent‑Ausgabe und finaler Übergabe.
• Drei Ansätze: Code‑Snippets (Format/Length), LLM‑Judge (Fakten‑Check, Ton), menschliche Review.

Reflexion

• Modell erzeugt Output → kritisiert → überarbeitet (mehrere Durchläufe).
• Besonders wirksam bei strukturierten Formaten (JSON), Code, lange Texte.
• Kosten‑ und Latenz‑Nachteil durch zusätzliche Durchläufe.

Werkzeugnutzung

• Definiere ein Menü von Funktionen (Web‑Suche, DB‑Abfrage, Code‑Ausführung, Kalender).
• Modell entscheidet dynamisch, welches Werkzeug wann zu nutzen ist.
• Ablauf: Prompt → Werkzeug‑Entscheidung → Funktionsaufruf → Ergebnis zurück in Prompt.

Gute Werkzeuge entwerfen

• Einheitliche Schnittstelle: Name, Beschreibung, Eingabe‑Schema, Implementierung.
• Berücksichtige Fehlerbehandlung, Caching, Rate‑Limiting, Async‑Support.
• Versionierung, Dokumentation und Tests wie bei Produkten.

Planung

• Modell erstellt dynamisch einen Schritt‑für‑Schritt‑Plan basierend auf verfügbaren Werkzeugen.
• Beispiel Einzelhandel: Inventar‑Check → Preis‑Filter → Antwort‑Generierung.
• Erhöhte Autonomie → mehr Unvorhersehbarkeit → erfordert Guardrails.

Zusammenarbeit mehrerer Agenten

• Spezialisiert‑Agenten (Recherche, Grafik, Text) arbeiten zusammen wie ein Team.
• Vorteile: Fachliche Tiefe, geringere Kontext‑Last, Kosten‑Optimierung durch gemischte Modelle.

Design von Multi‑Agenten‑Systemen – Rollen

• Jeder Agent erhält klare Rollenbeschreibung und nur die Werkzeuge, die er braucht (z. B. Recherche‑Agent mit Web‑Suche).

Design von Multi‑Agenten‑Systemen – Kommunikationsmuster

• Sequenziell: Agent A → B → C (einfach, debug‑freundlich).
• Parallel: Unabhängige Agenten laufen gleichzeitig (geringere Latenz).
• Manager‑basiert: Manager koordiniert Spezialisten, kann Schritte umordnen.
• Hierarchisch: Sub‑Agenten unter einem Haupt‑Agenten (für sehr komplexe Aufgaben).
• All‑to‑All: Jeder kann jeden kontaktieren (chaotisch, selten produktiv).

Design von Multi‑Agenten‑Systemen – Kommunikationsfallen

• Redundante Arbeit (mehrfache gleiche Suchen).
• Unnötige Serialisierung (statt Parallelisierung).

Design von Multi‑Agenten‑Systemen – Best Practices

1. Klare Schnittstellen (Schemas) zwischen Agenten.
2. Least‑Privilege‑Zugriff auf Werkzeuge.
3. Vollständiges Trace‑Logging pro Schritt.
4. Bewertung auf Komponenten‑ und End‑to‑End‑Ebene.

Demo: Multi‑Agenten‑System in Python

• Use‑Case: Automatisierte Skripterstellung für YouTube‑Shorts/Instagram‑Reels.
• Pipeline: PDF‑Upload → semantische Suche (Chroma DB) → Idee‑Generator → Skript‑Writer → Marken‑Check → Human‑In‑the‑Loop → Feedback‑Analyse → automatisches Update der Marken‑Guidelines.

Fortgeschrittene KI‑Agenten – Erweiterte Aufgabenzerlegung

• Funktionale Zerlegung: Nach technischer Domäne (Frontend, Backend, DB).
• Räumliche Zerlegung: Nach Dateistruktur/Modulen (parallel bearbeitbare Code‑Teile).
• Sequenzielle Phasen: Logische Stufen (Marktforschung → Planung → Asset‑Erstellung → Launch).
• Datengetriebene Zerlegung: Partitionierung grosser Datenmengen (z. B. Log‑Analyse nach Wochen).

Leistungsverbesserung

• Unterschiede zwischen Nicht‑LLM‑Komponenten (Suche, OCR, Vision) und LLM‑Komponenten.
• Optimierungen: Parameter‑Tuning, Anbieter‑Wechsel, Prompt‑Verbesserung, Modell‑Wechsel, ggf. Fine‑Tuning.

Latenz reduzieren

• Baseline‑Messung pro Schritt.
• Parallelisierung wo möglich (mehrere Suchen, Dokumente).
• Modell‑Right‑Sizing (kleine Modelle für einfache Aufgaben).
• Schnellere Provider, Kontext‑Trimmen.

Kosten reduzieren

• Kosten‑Analyse pro Token, API‑Call, Infrastruktur.
• Fokus auf grosse Kostentreiber (häufige Web‑Suche, teure Modelle).
• Caching, Batch‑Verarbeitung, begrenzte Ausgabe (z. B. max 5 Bullet‑Points).

Beobachtbarkeit und Monitoring

• Zoom‑In‑Metriken: Prompt, Tool‑Calls, Token‑Verbrauch, Retry‑Versuche, Entscheidungs‑Log.
• Zoom‑Out‑Metriken: Qualitäts‑Score (LLM‑Judge), Halluzinations‑Rate, Erfolgs‑ und ROI‑Kennzahlen.
• Sampling‑Strategie für Qualitätsprüfung bei hohem Durchsatz.
• Nutzer‑Verhaltensanalyse (Wiederholungen, Revisionen, Sitzungsdauer).

Sicherheit

• Schutz vor Prompt‑Injection, unsicherer Code‑Generierung, Datenlecks, Ressourcen‑Exhaustion.
• Sandbox‑Umgebung für Code‑Ausführung (Docker, Ressourcen‑Limits).
• Whitelisting von Bibliotheken, Eingabe‑/Ausgabe‑Validierung, Circuit‑Breaker.

Quellen

Siehe Publikation bei Medium.

DeepLearning.AI

Agentic AI

Agentic AI

In this course taught by Andrew Ng, you’ll build agentic AI systems that take action through iterative, multi-step workflows.

DeepLearning.AI - Learning Platform

Design, Develop, and Deploy Multi-Agent Systems with CrewAI

Design, Develop, and Deploy Multi-Agent Systems with CrewAI

Build practical multi-agent systems that collaborate, use tools and memory, and scale reliably to production

Explore Courses