Ein abgegrenzter KI-Spezialist, den Sie konfigurieren. Der System-Prompt des Agenten ist der Ort, an dem Ihre Fachexpertise lebt. Seine Tools, sein Wissensbereich und sein Output-Schema machen ihn berechenbar. Jede Antwort ist mit Quellenangabe versehen.

Was ein Agent ist

Ein Agent ist eine Konfiguration, kein festes Modell. Fünf Bestandteile definieren ihn:

Bestandteil	Was er bestimmt
Name + Rolle	Wie Nutzer ihn aufrufen; als was er sich präsentiert
System-Prompt	Verhalten, Einschränkungen, Ihr Playbook
Knowledge Scope	Welche Collections er lesen kann
Tool-Allowlist	Welche Aktionen er ausführen kann
Output-Schema	Ob Antworten einer festen Struktur folgen müssen

Der System-Prompt ist das Asset

Der Großteil Ihrer Fachexpertise — das Playbook Ihrer Kanzlei, die Protokolle Ihres Krankenhauses, die Heuristiken Ihres erfahrenen Ingenieurs — wird im System-Prompt kodiert. Das ist das Wertvollste, das Sie auf der Plattform erstellen.

Gute Prompts teilen sich eine Struktur:

• Rollendefinition — „You are a [specific role].”
• Ziel — wie Erfolg bei einer Aufgabe aussieht
• Eingaben — was der Agent erhält
• Geforderte Ausgaben — exakte Felder, Format, Anforderungen an Quellenangaben
• Regeln / Heuristiken — die Regeln aus Ihrem Playbook, explizit benannt
• Grenzfälle — was zu tun ist, wenn die Eingabe mehrdeutig ist, fehlt oder widersprüchlich ist
• Stil — formell / informell, Sprache, Knappheit

Widerstehen Sie der Versuchung, einen einzigen riesigen Agenten zu schreiben, der alles macht. Spezialisten schlagen Generalisten. Drei fokussierte Agenten (NDA Reviewer, MSA Reviewer, Employment Reviewer) schlagen einen „Contract Reviewer”, der versucht, alle drei zu sein.

Knowledge Scope

Beschränken Sie jeden Agenten auf die Collections, die er tatsächlich benötigt. Ein Recherche-Agent braucht keinen Zugriff auf HR-Datensätze. Das Scoping ist wichtig für:

• Qualität — Agenten arbeiten besser auf fokussierten Korpora
• Datenschutz — selbst autorisierte Nutzer möchten möglicherweise eine strikte Datenpartitionierung
• Kosten — kleinerer Scope bedeutet kleinere Retrieval-Payloads
• Geschwindigkeit — weniger zu durchsuchen

Scopes lassen sich auf Ebene der Base, der Collection oder der Dokument-Tags definieren.

Tools

Tools sind Funktionen, die ein Agent aufrufen kann. Die Plattform liefert Built-ins für die Grundlagen — Suche in der Wissensdatenbank, Suche innerhalb eines einzelnen Dokuments, Abruf des vollständigen Dokuments, OCR für angehängte Dateien, Entitäts- und Graph-Lookup sowie die Ausgabe strukturierter Daten gemäß einem Schema.

Über die Built-ins hinaus registrieren Sie eigene Tools — REST-Endpunkte, eigene Python-Skripte, Ihre eigenen ML-Modelle, Kalender-APIs, alles Adressierbare. Siehe Zero-Trust dazu, wie Tool-Allowlists funktionieren.

Output-Schema (optional, aber empfohlen)

Für Agenten, deren Ausgabe in nachgelagerte Systeme fließt (CSV-Exporte, Datenbank-Inserts, Workflow-Schritte), definieren Sie ein Output-Schema. Die Antwort des Agenten muss ihm entsprechen. Beispiele:

• Zeile im Risikoregister: id, type, counterparty, jurisdiction, risk_level, flag_text, citation
• Behandlungsoption: regimen, evidence_grade, contraindications, citation_url
• Lit-Review-Eintrag: paper_id, relevance_score, summary, methods, limitations

Die Schema-Durchsetzung nutzt native Structured-Output-Features moderner LLMs. Der Agent versucht es bis zu N-mal erneut, wenn seine Ausgabe nicht konform ist; wenn sie es weiterhin nicht ist, markiert der Workflow die Zeile zur Prüfung durch einen Menschen.

Multi-Agent-Workflows

Agenten können andere Agenten aufrufen. Ein „Tumor Board Coordinator”-Agent könnte nacheinander „Case Summarizer”, „Guideline Agent” und „Literature Agent” aufrufen und ihre Ausgaben dann zu einem finalen Paket zusammenführen.

Diese Komposition ist einem einzelnen Mega-Agenten vorzuziehen. Jeder Komponenten-Agent ist isoliert testbar; die Orchestrierung ist ein eigenes Anliegen.

Versionierung

Jede Änderung am Prompt oder an der Konfiguration eines Agenten wird versioniert. Führen Sie sofort ein Rollback durch, wenn eine neue Version eine Regression verursacht. Vergleichen Sie zwei Versionen nebeneinander anhand eines zurückgehaltenen Testsets.

Testen

Erstellen Sie ein Testset repräsentativer Eingaben (5–50 Fälle). Lassen Sie den Agenten nach jeder Prompt-Änderung gegen das Set laufen. Verfolgen Sie die Qualität mit einem einfachen Bewertungsraster:

• Hat er die erwartete Ausgabestruktur erzeugt?
• Hat er korrekt zitiert?
• Hat er die Regeln des Playbooks befolgt?
• Hat er Grenzfälle angemessen markiert?

Testsets verhindern, dass die Prompt-Optimierung zuvor funktionierende Fälle beschädigt.

Kosten & Latenz

Die Kosten eines Agenten werden von LLM-Tokens dominiert. Tipps:

• Ein enger Knowledge Scope reduziert die Retrieval-Payload, was die Kontextgröße verringert
• Verwenden Sie kleinere Modelle (GPT-OSS 120B statt Qwen 3.5 397B), wo die Qualität es zulässt
• Cachen Sie deterministische Teilergebnisse
• Nutzen Sie Smart Routing, um das günstigste Modell zu wählen, das Ihre Qualitätsanforderungen erfüllt

Häufige Fehler

• Vage Prompts — „prüfe das und sag mir, ob es gut ist” → der Agent weiß nicht, was gut bedeutet
• Fehlende Grenzfälle — der Agent produziert selbstbewusst Unsinn für Eingaben, die Sie nicht vorhergesehen haben
• Kein Output-Schema — Agenten driften mit der Zeit im Format ab und brechen nachgelagerte Parser
• Zu viele Tools — Agenten wählen die falschen Tools, wenn viele verfügbar sind; setzen Sie die Allowlist eng
• Kein Testset — jede Prompt-Änderung wird riskant

Verwandt

• Workflows — Agenten nach Zeitplan ausführen
• Chat — Agenten im Dialog aufrufen
• LLMs — das richtige Modell für einen Agenten auswählen
• Zero-Trust — Tool-Sicherheit