4 Entwurfsmuster für agentenbasierte KI und Beispiele aus der Praxis
Agentische KI- Designmuster verbessern die Autonomie großer Sprachmodelle (LLMs) wie Llama, Claude oder GPT durch die Nutzung von Werkzeugen, Entscheidungsfindung und Problemlösung. Dies ermöglicht einen strukturierten Ansatz zur Erstellung und Verwaltung autonomer Agenten in verschiedenen Anwendungsfällen .
Was sind agentenbasierte Workflows?
Ein Agent gilt als intelligenter, wenn er konsequent Handlungen wählt, die zu Ergebnissen führen, die besser mit seiner Zielfunktion übereinstimmen.
Automatisierte Arbeitsabläufe (regelbasiert, nicht-KI)
Sie folgen vordefinierten Regeln und Prozessen , die typischerweise auf festen Anweisungen basieren. Sie sind darauf ausgelegt, wiederkehrende Aufgaben effizient zu erledigen, oft durch Systeme wie die robotergestützte Prozessautomatisierung (RPA), bei denen kaum oder gar keine Entscheidungsfindung erforderlich ist.
KI-Workflows (nicht-agentenbasiert)
Systeme, in denen LLMs und Werkzeuge über vordefinierte Codepfade gesteuert werden und nur minimales Denkvermögen erfordern. In einem nicht-agentengesteuerten Workflow generiert ein LLM eine Ausgabe basierend auf einer Eingabeaufforderung, beispielsweise eine Liste von Empfehlungen.
Agentische Workflows
KI-gestützte Prozesse, in denen autonome Agenten Entscheidungen treffen, Maßnahmen ergreifen und Aufgaben mit minimalem menschlichen Eingriff koordinieren. Diese Arbeitsabläufe nutzen Schlüsselkomponenten wie logisches Denken, Planung und den Einsatz von Werkzeugen, um komplexe Aufgaben zu bewältigen.
Im Vergleich zur traditionellen Automatisierung, wie z. B. RPA , die festen Regeln und Designs folgt, sind agentenbasierte Workflows „ dynamischer und flexibler “ und passen sich Echtzeitdaten und unerwarteten Bedingungen an.
In diesem Arbeitsablauf beantwortet derKI-Agent die Benutzeranfrage (Beispiel: „Wer hat den Euro im Jahr 2024 gewonnen?“).
- Nutzeranfrage: Der Nutzer stellt eine Frage.
- LLM- Analyse: Das LLM interpretiert die Daten und ermittelt, ob externe Daten benötigt werden.
- Aktivierung externer Tools: Ein Suchtool ruft Informationen in Echtzeit ab.
- Erstellung von Antworten: Das LLM kombiniert die Daten und Antworten:
„Spanien gewann die Euro 2024 gegen England mit einem Ergebnis von 2:1 im Finale in Berlin im Juli 2024.“
4 Arten von agentenbasierten KI-Designmustern
Reflexionsmuster
Das Reflexionsmuster optimiert die Arbeitsabläufe von Agenten durch kontinuierliche Selbstverbesserung.
→ Dieses Muster beinhaltet einen Selbstrückkopplungsmechanismus, bei dem ein KI-Agent seine Ausgaben oder Entscheidungen bewertet, bevor er seine Antwort endgültig festlegt oder weitere Maßnahmen ergreift.
→ Es ermöglicht dem Agenten, seine eigene Arbeit zu analysieren, Fehler oder Lücken zu erkennen und seinen Ansatz zu verfeinern, was im Laufe der Zeit zu besseren Ergebnissen führt. Dieser Prozess ist nicht auf eine einzelne Iteration beschränkt; Agenten können ihre Antworten in nachfolgenden Interaktionen anpassen.
Beispiel aus der Praxis:
KI-Agenten wie GitHub Copilot können den Code durch Selbstreflexion verfeinern, indem sie ihre eigene Struktur und ihr Verhalten zur Laufzeit untersuchen und modifizieren, zum Beispiel:
- Erste Antwort : GitHub Copilot generiert einen Code-Snippet basierend auf einer Eingabeaufforderung.
- Reflexionsprozess : Der generierte Code wird auf Fehler, Ineffizienzen und Verbesserungspotenzial überprüft. Dabei kann ein Feedback-Loop genutzt werden, beispielsweise durch Ausführen des Codes in einer Sandbox-Umgebung, um Fehler zu identifizieren.
- Selbstiteration : Prüft, ob der generierte Code wie erwartet funktioniert, verfeinert seine Logik und schlägt Optimierungen vor.
Werkzeugverwendungsmuster
Das Werkzeugnutzungsmuster in der Agentik Künstliche Intelligenz (KI) erweitert die Fähigkeiten großer Sprachmodelle (LLMs), indem sie ihnen die dynamische Interaktion mit externen Werkzeugen und Ressourcen ermöglicht.
Protokolle wie das Model Context Protocol (MCP) tragen zur Standardisierung des Werkzeugnutzungsprozesses bei. 3
Dies ermöglicht es der KI, über ihre bisherigen Trainingsdaten hinauszugehen und Anwendungen in der realen Welt durchzuführen. Mit Werkzeugnutzungspatenten und agentenbasierten Modellen kann sie Folgendes erreichen:
- Zugriff auf Echtzeitinformationen (über APIs), Suche im Web
- Mit APIs interagieren, um Antworten zu verarbeiten und zu generieren
- mit Informationsabrufsystemen interagieren
- bestimmte Datensätze abrufen
- Skripte zur Datenanalyse ausführen
- maschinelle Lernmodelle nutzen, um spezialisierte Algorithmen auszuführen
Wir haben gängige KI-Agenten eingesetzt, um ihre Fähigkeiten im Umgang mit Werkzeugen zu testen:
Beispiel aus der Praxis:
Das Projekt zur visuellen Textsynthese nutzt GPT-4, um dynamisch mit externen Tools (wie CLIP für die Bildanalyse und GPT-4 für das logische Denken) und externen Ressourcen (z. B. Design-Tools, E-Commerce-Plattformen) zu interagieren und so komplexe Aufgaben zu bewältigen. 4
Planungsmuster
Das Planungsmuster ermöglicht es LLMs, große Aufgaben in Teilaufgaben zu zerlegen.
Ein LLM, der das Planungsmuster verwendet, ordnet die Teilziele in eine logische Reihenfolge. Je nach Komplexität kann der Agent Aktionen linear planen oder Verzweigungen zur parallelen Ausführung erstellen.
Beispiel aus der Praxis:
Eine Gruppe von Forschern demonstrierte, wie LLM-Agenten mit Modellen von Plattformen wie Hugging Face zusammenarbeiten, um komplexe, größere Aufgaben zu bewältigen.
Der Ansatz wurde HuggingGPT genannt, ein LLM-gestützter Agent, der LLMs (z. B. ChatGPT) nutzt, um verschiedene KI-Modelle in Machine-Learning-Communities (z. B. Hugging Face) zu verbinden und so KI-Aufgaben zu lösen. 5
Multiagentenmuster
Die Multiagentenmuster konzentrieren sich auf die Aufgabenverteilung, bei der verschiedenen Agenten unterschiedliche Aufgaben zugewiesen werden, die durch die Aufforderung an einen einzelnen LLM (oder mehrere LLMs) zur Übernahme unterschiedlicher Verantwortlichkeiten entstehen können.
Um beispielsweise einen Softwareentwickler-Agenten zu erstellen, könnten Sie den LLM auffordern: „Sie sind Experte im Schreiben von effizientem, klarem Code. Bitte schreiben Sie den Code, um [specific task] zu erreichen . “
In Multiagentensystemen kommunizieren Agenten mithilfe von Agent-zu-Agent-Protokollen (A2A), die den Informationsfluss zwischen ihnen definieren. Googles A2A-Protokoll ist beispielsweise ein offenes Framework, das Agenten mit strukturiertem Kontext und Werkzeugen ausstattet. 6
Beispiele für Multiagenten-Frameworks aus der Praxis:
- AutoGen
- LangChain
- ChatDev
- OpenAI Swarm
Mehr dazu: Open-Source-Agenten-KI-Baukästen und -Frameworks
Anwendungsfälle für Agenten-Workflows
1. Retrieval-augmented generation (RAG)
Agentenbasierte Entwurfsmuster können in RAG-Systemen verwendet werden, um Agenten in die RAG-Pipeline zu integrieren.
Mehr dazu finden Sie hier:
→ Entdecken Sie die Top 20+ Agentic RAG-Systeme
→ Vergleichen Sie die Top 20+ Retrieval-Augmented Generation Tools
2. Softwareentwicklung
- Codegenerierung & -vervollständigung :
- Cursor : Generiert automatisch Code-Snippets und ganze Funktionen basierend auf Beschreibungen in natürlicher Sprache.
- Devin: Erstellt Apps von Grund auf mit minimaler menschlicher Aufsicht, entweder über einen Browser oder eine Kommandozeilenschnittstelle.
- Automatisierte Softwaretests :
- Diffblue : Schreibt automatisch Unit-Tests für Java-Code und gewährleistet so die Codeabdeckung und -korrektheit.
- Snyk : Erkennt und behebt Sicherheitslücken in Abhängigkeiten ohne menschliches Eingreifen.
- Diffblue : Schreibt automatisch Unit-Tests für Java-Code und gewährleistet so die Codeabdeckung und -korrektheit.
3. Gaming
- Autonome NPCs:
- AI Dungeon : Nutzt ein LLM, um vollständig autonome textbasierte NPCs zu generieren, die auf Spieleraktionen reagieren und narrative Ereignisse erzeugen.
- AgentRefine: Ermöglicht es KI-Agenten und -Modellen, Fehler zu erkennen und diese autonom zu korrigieren, wodurch ihre Leistung bei allgemeinen Aufgaben verbessert wird.
- Autonome Erkundung:
- Spore (KI-gesteuerte Evolution) : KI-Agenten reproduzieren, mutieren und entwickeln sich ohne menschliches Eingreifen und werden mit jeder Generation intelligenter und vielfältiger.
- Wegfindung:
- NavMesh AI : Autonomes Pfadfindungssystem in Spielen, mit dem Agenten in dynamischen Umgebungen navigieren können.
4. Multimedia-Erstellung
- GenAI-Suchergebnisse in Wikipedia-Seiten umwandeln
- Perplexity Pages: Wenn ein Benutzer eine Suchanfrage eingibt, aggregiert Perplexity Pages relevante Informationen aus mehreren Quellen, um Suchergebnisse in Wikipedia-Seiten umzuwandeln.
- Automatisierte Videoproduktion
- Pictory wandelt textbasierte Inhalte selbstständig in Videos um.
5. Recherche und Datenanalyse
- ChemCrow : Simulationen durchführen und autonome Empfehlungen aussprechen.
für die Arzneimittelforschung. - AI2: Bietet Data-Warehouse-Management durch autonome Systeme.
6. Computernutzung
Computerbedienungsagenten (z. B. Claude Computer Use von Anthropic oder Open Operator) können mit GUIs, den Schaltflächen, Menüs und Textfeldern, die Menschen auf einem Bildschirm sehen, interagieren, genau wie Menschen es tun.
Diese Agenten können:
- Füllen Sie Online-Formulare aus.
- Im Web suchen
- Reisebuchungen
- Automatisierung von Arbeitsabläufen
7. Kundenservice
KI-gestützte Kundenservice-Agenten beantworten Kundenanfragen in natürlicher Sprache, interpretieren den Kontext und generieren menschenähnliche Antworten. Diese Agenten werden häufig zur Automatisierung von Kontaktzentren eingesetzt. Beispiele hierfür sind:
- Zendesk AI
- Intercoms Film
- Kore.AI-Agent
8. Automatisierung im Gesundheitswesen
Agentic AI für das Gesundheitswesen zielt darauf ab, Gesundheitssysteme zu nutzen, um Arbeitsabläufe im klinischen Betrieb zu automatisieren. Beispiele für Tools sind:
Allgemeine Automatisierung im Gesundheitswesen:
- Sully.ai
- Hippokratische KI
- Innovacer
- Beam AI Healthcare-Agent
- Bemerkenswerte Gesundheit
Patientenunterstützung:
- Amelia KI
- Kognition
Weiterführende Literatur
Referenzlinks
Seien Sie der Erste, der kommentiert
Ihre E-Mail-Adresse wird nicht veröffentlicht. Alle Felder sind erforderlich.