KI-Agenten erstellen: Anleitung in 9 Schritten

Um einen KI-Agenten zu erstellen, kombinieren Sie ein KI-Modell mit klaren Anweisungen, den für die jeweilige Aufgabe benötigten Tools und einem Workflow, anhand dessen der Agent über die nächsten Schritte entscheiden kann.

Anders als ein einfacher Chatbot, der hauptsächlich auf Ihre Prompts antwortet, kann ein KI-Agent selbst Aktionen ausführen, die Ergebnisse prüfen und mehrere Schritte nacheinander durchlaufen, bis die Aufgabe abgeschlossen ist oder Ihre Eingabe erforderlich wird.

So erstellen Sie einen KI-Agenten in neun Schritten:

1. Definieren Sie das Ziel des Agenten. Beginnen Sie mit einer konkreten Aufgabe. Legen Sie fest, welche Informationen der Agent erhält, welches Ergebnis er liefern soll, welche Aktionen er ausführen darf und welche Kriterien für einen erfolgreichen Abschluss gelten.
2. Wählen Sie die passende Umsetzung. Nutzen Sie für eine einfachere Einrichtung einen No-Code- oder visuellen Builder. Wenn Sie mehr Kontrolle über die Funktionsweise des Agenten benötigen, eignet sich ein Code-first-Ansatz.
3. Wählen Sie das KI-Modell. Entscheiden Sie sich für ein Modell, das zu Ihrer Aufgabe und Ihren Anforderungen an Tool-Nutzung, Kontext, Geschwindigkeit, Genauigkeit und Kosten passt.
4. Formulieren Sie die Anweisungen für den Agenten. Legen Sie seine Rolle, die Vorgehensweise bei der Aufgabe und die einzuhaltenden Regeln fest. Definieren Sie außerdem, wann der Agent seine Arbeit beenden oder Sie um Unterstützung bitten soll.
5. Verbinden Sie den Agenten mit Tools und Datenquellen. Geben Sie ihm Zugriff auf die Ressourcen, die er für seine Aufgabe benötigt, beispielsweise Websuche, APIs, Datenbanken, E-Mail oder andere Anwendungen.
6. Fügen Sie bei Bedarf einen Speicher hinzu. Legen Sie fest, welche Informationen der Agent während einer Aufgabe speichern soll und ob er Kontext für zukünftige Sitzungen benötigt.
7. Erstellen Sie die Agentenschleife. Richten Sie einen Prozess ein, in dem der Agent eine Aktion auswählt, ein Tool verwendet, das Ergebnis auswertet und anschließend über den nächsten Schritt entscheidet.
8. Definieren Sie Grenzen und Freigaberegeln. Begrenzen Sie Berechtigungen, Tool-Zugriff, Ausgaben, Wiederholungsversuche und Aktionen mit höherem Risiko. Verlangen Sie eine Freigabe, bevor der Agent Aktionen mit erheblichen Folgen ausführt.
9. Testen und optimieren Sie den Agenten. Prüfen Sie ihn mit realistischen Aufgaben, ungewöhnlichen Situationen, fehlgeschlagenen Tool-Aufrufen und unsicheren Eingaben, um Probleme zu erkennen, bevor Sie ihm mehr Verantwortung übertragen.

Was sind die Kernkomponenten eines KI-Agenten?

Zu den Kernkomponenten eines KI-Agenten gehören in der Regel ein KI-Modell, Anweisungen, Tools, ein Speicher und eine Agentenschleife.

Gemeinsam ermöglichen diese Komponenten dem Agenten, Ihr Ziel zu verstehen, über den nächsten Schritt zu entscheiden, externe Tools oder Dienste zu nutzen, relevante Kontextinformationen beizubehalten und weiterzuarbeiten, bis die Aufgabe abgeschlossen ist oder Ihre Eingabe benötigt wird.

• KI-Modell. Interpretiert Ihre Anfrage und entscheidet, wie der Agent darauf reagieren oder handeln soll. Die meisten KI-Agenten verwenden dafür Large Language Models (LLMs).
• Anweisungen. Legen fest, welche Aufgabe der Agent hat, wie er sich verhalten soll und welche Regeln er befolgen muss.
• Tools. Ermöglichen dem Agenten, auf Informationen außerhalb des KI-Modells zuzugreifen oder externe Aktionen auszuführen, beispielsweise das Web zu durchsuchen, eine Datenbank abzufragen oder eine API zu nutzen.
• Speicher. Hält relevante Informationen verfügbar, während der Agent eine Aufgabe bearbeitet, und bei Bedarf auch über zukünftige Sitzungen hinweg.
• Agentenschleife. Wiederholt den Ablauf aus Entscheidung, Aktion und Auswertung des Ergebnisses, bis die Aufgabe abgeschlossen ist oder Ihre Eingabe erforderlich wird.

1. Definieren Sie ein Ziel für den Agenten

Definieren Sie zunächst die Aufgabe, die der Agent übernehmen soll, und nicht die Technologie, mit der Sie ihn erstellen möchten. Ein klar definiertes Ziel für einen KI-Agenten konzentriert sich auf eine konkrete Aufgabe.

Legen Sie fest, welche Informationen der Agent erhält, welches Ergebnis er liefern soll, welche Informationen er verwenden kann und welche Aktionen er ausführen darf.

„Erstelle einen Agenten, der den Kundensupport übernimmt“ ist beispielsweise zu allgemein, um als brauchbares Ziel zu dienen.

Ein besseres Ziel lautet: „Lies eingehende Supportanfragen, identifiziere das Problem, suche in einer freigegebenen Wissensdatenbank nach relevanten Informationen und entwirf eine Antwort, die ein Mitarbeiter des Kundensupports prüft.“

Legen Sie außerdem fest, wann der Agent die Bearbeitung beenden und die Aufgabe an einen Menschen übergeben muss. Beim Agenten für den Support-Posteingang könnten Sie beispielsweise zulassen, dass er häufige Fragen anhand einer freigegebenen Wissensdatenbank beantwortet. Streitfälle zu Abrechnungen und Änderungen am Konto müsste er dagegen eskalieren.

Definieren Sie auch, was als Erfolg gilt. Beim Kundensupport-Agenten könnte dies bedeuten, Anfragen korrekt zu erkennen, ausschließlich freigegebene Informationen zu verwenden, die richtigen Fälle zu eskalieren und keine Aktionen außerhalb seiner Berechtigungen auszuführen.

Prüfen Sie vor der Erstellung des KI-Workflows allerdings, ob Sie überhaupt einen Agenten benötigen. Folgt Ihr Prozess vorhersehbaren Regeln und jedes Mal denselben Schritten, reicht eine herkömmliche Automatisierung in der Regel aus.

Ein KI-Agent eignet sich besser für Aufgaben mit unterschiedlichen Eingaben, unstrukturierten Informationen oder Entscheidungen, die vom jeweiligen Kontext abhängen. Wie viel Entscheidungsfreiheit Sie dem Agenten übertragen, kann außerdem beeinflussen, welchen Typ von KI-Agenten Sie benötigen.

2. Wählen Sie die passende Umsetzung für den Agenten

Für eine schnellere Einrichtung mit minimalem Programmieraufwand eignet sich beim Erstellen eines KI-Agenten ein No-Code- oder visueller Builder. Wenn Sie programmieren können und mehr Kontrolle über die Funktionsweise des Agenten benötigen, wählen Sie einen Code-first-Ansatz.

Ihre technischen Kenntnisse, die Komplexität des Workflows und der erforderliche Anpassungsumfang sollten bei dieser Entscheidung ausschlaggebend sein.

Mit visuellen KI-Agenten-Buildern wie n8n und Make können Sie KI-Modelle, Tools, Anwendungen und einzelne Workflow-Schritte miteinander verbinden. Dieser Ansatz eignet sich, wenn sich der Großteil Ihres Prozesses visuell abbilden lässt, der Agent aber im Verlauf weiterhin eigenständig Entscheidungen treffen soll.

Ein Kundensupport-Agent könnte beispielsweise beim Eingang einer E-Mail gestartet werden, die Anfrage erkennen und entscheiden, ob er Informationen für eine Antwort suchen oder die Nachricht an einen Menschen weiterleiten soll.

Bei einem Code-first-Ansatz können Sie eigene Logik, Integrationen und Tools entwickeln, wenn Sie mehr Kontrolle über die Ausführung des Agenten benötigen.

Sie könnten einen KI-Agenten beispielsweise mit Python entwickeln, wenn sich das gewünschte Verhalten mithilfe von Code einfacher umsetzen und warten lässt.

Die zugrunde liegende Logik können Sie selbst programmieren oder ein Agenten-Framework wie LangGraph, CrewAI oder das OpenAI Agents SDK verwenden, das gängige Funktionen bereitstellt.

LangGraph unterstützt anpassbare agentenbasierte Workflows und die Verwaltung von Zuständen. CrewAI bietet Agenten und Flows, während das OpenAI Agents SDK unter anderem Funktionen für Agenten, Tools, Übergaben und Sitzungen bereitstellt.

3. Wählen Sie ein KI-Modell

Wählen Sie das KI-Modell danach aus, wie komplex die Aufgabe Ihres Agenten ist, welche Tools er benötigt und welche Bedeutung Geschwindigkeit und Kosten für Sie haben.

Orientieren Sie sich zunächst an dem zuvor definierten Ziel. Muss Ihr Agent lediglich Nachrichten sortieren, Informationen extrahieren oder Antworten formatieren, kann ein schnelles und kostengünstiges Modell wie GPT-5.6 Luna von OpenAI ausreichen.

Muss der Agent dagegen unklare Anfragen verstehen, mehrere Schritte planen oder zwischen ähnlichen Aktionen wählen, benötigen Sie möglicherweise ein leistungsfähigeres Modell wie GPT-5.6 Sol.

Wenn Ihr Agent externe Tools verwendet, sollten Sie prüfen, wie zuverlässig das Modell Tool Calling unterstützt. Dabei geht es um die Fähigkeit, das richtige Tool auszuwählen und die für dessen Aufruf erforderlichen Informationen auszugeben. Je mehr Tools Sie hinzufügen, desto wichtiger wird diese Zuverlässigkeit, da dem Modell entsprechend mehr Optionen zur Auswahl stehen.

Berücksichtigen Sie außerdem, wie viele Informationen das Modell gleichzeitig verarbeiten muss. Ein größeres Kontextfenster ermöglicht die Verarbeitung umfangreicherer Gesprächsverläufe, Dokumente und Ergebnisse vorheriger Tool-Aufrufe.

Modellanbieter rechnen jedoch üblicherweise nach Tokens ab, also den Texteinheiten, die ein Modell verarbeitet. Unnötiger Kontext erhöht daher die Kosten und die Verarbeitungszeit. Stellen Sie dem Modell nur die Informationen bereit, die es tatsächlich benötigt.

Geschwindigkeit und Kosten spielen auch deshalb eine wichtige Rolle, weil Ihr Agent das Modell möglicherweise mehrmals aufruft, um eine einzige Aufgabe abzuschließen. Vergleichen Sie daher die Dauer und Kosten der gesamten Aufgabe, anstatt nur einen einzelnen Modellaufruf zu bewerten.

Wählen Sie für die erste Version ein Modell, das Ihre Beispielaufgaben zuverlässig bewältigt. Sobald der Agent zuverlässig funktioniert, können Sie bei einfacheren Aufgaben schnellere oder kostengünstigere Modelle testen. So lässt sich prüfen, ob Sie die Kosten senken können, ohne die Leistung zu beeinträchtigen.

Ihr Kundensupport-Agent könnte beispielsweise ein kostengünstigeres Modell verwenden, um einfache E-Mails zu kategorisieren, und bei unklaren Anfragen oder der Entscheidung über eine Eskalation auf ein leistungsfähigeres Modell zurückgreifen.

4. Formulieren Sie die Systemanweisungen

Formulieren Sie Anweisungen, die festlegen, welche Rolle Ihr Agent übernimmt, wie er die Aufgabe bearbeiten soll, welche Regeln er einhalten muss und wann er seine Arbeit beenden oder um Hilfe bitten soll.

Beginnen Sie mit einer klar definierten Rolle. Zum Beispiel: „Du bist ein Kundensupport-Agent für example.com und bearbeitest routinemäßige Fragen zu Produkten und Abrechnungen.“

Wenn Sie einen KI-Prompt schreiben, sollten Sie allgemeine Ziele in konkrete Regeln übersetzen.

Weisen Sie den Agenten nicht einfach an, „hilfreich zu sein“, sondern beschreiben Sie konkret, was er tun soll: „Beantworte routinemäßige Produktfragen anhand der freigegebenen Wissensdatenbank. Eskaliere Erstattungen über 100 € sowie Anfragen zur Änderung des Kontoinhabers.“

Bei Aufgaben mit mehreren Aktionen sollten Sie die Anweisungen in klare Schritte gliedern. Für den Kundensupport-Agenten könnten diese lauten:

1. Ermittle, was der Kunde benötigt.
2. Durchsuche die freigegebene Wissensdatenbank nach relevanten Informationen.
3. Entwirf eine Antwort, die ausschließlich auf den gefundenen Informationen basiert.
4. Eskaliere Kontoänderungen, Erstattungen über 100 € sowie Anfragen, die du nicht zuverlässig beantworten kannst.
5. Gib die Kategorie der Anfrage, den Antwortentwurf, die verwendeten Quellen und den Eskalationsstatus aus.

Legen Sie außerdem fest, wie der Agent vorgehen soll, wenn der reguläre Prozess nicht funktioniert. Berücksichtigen Sie beispielsweise fehlende Informationen, fehlgeschlagene Tools, Anfragen außerhalb seines Aufgabenbereichs oder Aktionen, für die eine Freigabe erforderlich ist.

Wenn Ihnen bereits schriftliche Abläufe, Support-Skripte, FAQs oder Richtliniendokumente vorliegen, können Sie deren Regeln und Ausnahmen als Ausgangspunkt für die Anweisungen des Agenten verwenden.

Beschränken Sie die Anweisungen auf das Wesentliche. Mehr Anweisungen führen nicht automatisch zu einem besseren Agenten, insbesondere wenn sich Regeln überschneiden oder widersprechen.

5. Verbinden Sie den Agenten mit Tools

Verbinden Sie Ihren Agenten mit den Tools und Datenquellen, die er zur Erledigung seiner Aufgabe benötigt. Diese Verbindungen erfüllen im Allgemeinen zwei Zwecke.

Einige ermöglichen dem Agenten den Zugriff auf Informationen, beispielsweise aus einer Wissensdatenbank, einer Datenbank oder einem Customer-Relationship-Management-System (CRM). Andere ermöglichen ihm, Aktionen auszuführen, etwa eine E-Mail zu senden, eine Tabelle zu aktualisieren oder ein Support-Ticket zu erstellen.

Wie Sie diese Tools anbinden, hängt davon ab, wie Sie den Agenten erstellen.

Einige No-Code-Agenten-Builder verfügen über integrierte Tools, beispielsweise für die Web- oder Dateisuche. Bei externen Diensten wie Gmail, Google Sheets, Slack oder einem CRM müssen Sie in der Regel Ihr Konto verbinden und den Zugriff autorisieren.

Auf Plattformen wie n8n oder Make können Sie eine vorgefertigte Integration hinzufügen und Ihr Konto verbinden, indem Sie sich anmelden oder die erforderlichen Zugangsdaten angeben. Ist keine passende Integration verfügbar, müssen Sie den Dienst gegebenenfalls über seine API anbinden.

Bei einem Code-first-Ansatz schreiben Sie Funktionen, die bestimmte Aufgaben ausführen oder APIs aufrufen, und stellen diese anschließend als Tools für Ihren Agenten bereit. Geben Sie jedem Tool einen eindeutigen Namen und eine klare Beschreibung, damit der Agent erkennen kann, was es tut und wann er es verwenden soll.

get_customer_record macht beispielsweise deutlich, dass das Tool Kundendaten abruft. customer_tool lässt dagegen nicht erkennen, welche Aktion das Tool ausführt.

Beim Kundensupport-Agenten könnte eine neue Gmail-Nachricht den Workflow auslösen und die E-Mail als Eingabe bereitstellen.

Anschließend könnte der Agent Tools auswählen, um die Support-Wissensdatenbank zu durchsuchen, das Kundenkonto im CRM aufzurufen, die Kategorie der Anfrage in Google Sheets zu erfassen oder ein Ticket zur Eskalation zu erstellen.

6. Fügen Sie Ihrem Agenten einen Speicher hinzu

Fügen Sie einen Speicher hinzu, wenn Ihr Agent Informationen aus früheren Schritten der aktuellen Aufgabe behalten oder für zukünftige Sitzungen speichern muss. Je nachdem, wie lange die Informationen relevant bleiben sollen, lässt sich der Speicher eines KI-Agenten in Kurzzeit- und Langzeitspeicher unterteilen.

Der Kurzzeitspeicher hilft Ihrem Agenten, den bisherigen Verlauf der aktuellen Aufgabe nachzuvollziehen. Dazu können Ihre Nachrichten, frühere Antworten des Agenten und Ergebnisse von Tool-Aufrufen gehören.

Der Kundensupport-Agent muss sich beispielsweise möglicherweise merken, dass er die Wissensdatenbank bereits durchsucht oder das Kundenkonto aufgerufen hat. So vermeidet er, dieselben Arbeitsschritte zu wiederholen.

Mit einem Langzeitspeicher kann Ihr Agent relevante Informationen aus früheren Sitzungen verwenden. Bei einem Kundensupport-Agenten könnten dazu der Gesprächsverlauf, Kundenpräferenzen oder frühere Entscheidungen gehören, die für eine neue Anfrage relevant sind.

Ein Langzeitspeicher kann auch in anderen Systemen mit agentenbasierter KI sinnvoll sein. Ein persönlicher Assistent könnte sich beispielsweise merken, dass Sie Flüge am Vormittag bevorzugen, und diese Präferenz bei der Planung einer zukünftigen Reise berücksichtigen.

Wenn Sie Informationen sitzungsübergreifend speichern, legen Sie fest, wer darauf zugreifen darf, wie lange sie gespeichert werden und wie veraltete Informationen aktualisiert oder gelöscht werden.

Für einen Langzeitspeicher benötigen Sie eine Speicherlösung, die Informationen über einzelne Sitzungen hinaus vorhält, beispielsweise eine Datenbank. Eine herkömmliche Datenbank eignet sich für strukturierte Informationen wie den Namen eines Kunden, eine Bestellnummer, einen Tarif oder den Status einer Supportanfrage.

Für größere Textsammlungen wie frühere Gespräche, Supportartikel oder Dokumente können Sie eine Vektorsuche verwenden. Sie findet relevante Informationen anhand ihrer Bedeutung statt anhand exakter Formulierungen.

In der Praxis bedeutet dies, dass Sie den Text in einer Vektordatenbank speichern. Benötigt Ihr Agent gespeicherte Informationen, sollte er nur die relevanten Teile abrufen und an das KI-Modell übergeben.

Eine gängige Methode dafür ist Retrieval-Augmented Generation (RAG). Dabei werden relevante Informationen aus einer gespeicherten Quelle abgerufen und dem Kontext des Modells hinzugefügt, bevor dieses eine Antwort generiert.

RAG ist jedoch nicht immer erforderlich. Muss Ihr Agent lediglich einen bestimmten Wert wie den Bestellstatus oder einen Tarif abrufen, reicht in der Regel eine direkte Datenbankabfrage über ein Tool aus.

7. Erstellen Sie die Agentenschleife

Erstellen Sie eine Schleife, in der Ihr Agent entscheidet, was als Nächstes zu tun ist, eine Aktion ausführt, das Ergebnis prüft und anschließend über den nächsten Schritt entscheidet. Durch diesen wiederkehrenden Ablauf kann er Aufgaben bearbeiten, die mehrere Aktionen statt nur einer einzelnen Antwort erfordern.

Eine grundlegende Agentenschleife funktioniert folgendermaßen:

1. Empfangen Sie die Aufgabe und die verfügbaren Informationen.
2. Entscheiden Sie über den nächsten Schritt, beispielsweise eine Antwort zu geben, ein Tool zu verwenden, weitere Informationen anzufordern oder die Aufgabe zu eskalieren.
3. Führen Sie die gewählte Aktion aus.
4. Prüfen Sie das Ergebnis und verwenden Sie es als neue Information.
5. Entscheiden Sie, ob die Aufgabe abgeschlossen ist oder eine weitere Aktion erforderlich ist.
6. Wiederholen Sie die vorherigen Schritte, bis der Agent die Aufgabe abgeschlossen hat, Ihre Eingabe benötigt oder eine Abbruchbedingung erreicht.

Ihr Kundensupport-Agent könnte beispielsweise eine E-Mail erhalten und entscheiden, zunächst die Wissensdatenbank zu durchsuchen. Anschließend wertet er die Suchergebnisse aus und entscheidet, ob genügend Informationen für einen Antwortentwurf vorliegen.

Ist dies nicht der Fall, könnte er das Kundenkonto in einer Datenbank aufrufen, um Angaben wie den Tarif oder den Kontostatus zu prüfen. Anhand dieser Informationen entscheidet der Agent anschließend über den nächsten Schritt.

Sorgen Sie außerdem dafür, dass die Schleife eindeutig beendet werden kann. Sie sollte enden, wenn der Agent die Aufgabe abgeschlossen hat, Ihre Eingabe benötigt oder eine der in seinen Anweisungen definierten Abbruchbedingungen erreicht.

Wie Sie die Schleife erstellen, hängt von der zuvor gewählten Umsetzung ab. Bei einem visuellen Builder konfigurieren Sie in der Regel den Agenten und verbinden die Tools, die er verwenden darf. Die Plattform verwaltet dabei die wiederkehrenden Schritte zwischen Agent und Tools.

Bei einem Code-first-Ansatz können Sie diesen Zyklus mit einem Framework verwalten oder die entsprechende Logik selbst programmieren. Die Logik übermittelt die Aufgabe an das Modell, führt das ausgewählte Tool aus, gibt dessen Ergebnis an das Modell zurück und wiederholt den Vorgang bei Bedarf.

8. Definieren Sie Grenzen und Freigaberegeln

Legen Sie ausdrücklich fest, auf welche Tools und Informationen Ihr KI-Agent zugreifen darf, welche Aktionen er selbstständig ausführen kann und für welche Aktionen Ihre Freigabe erforderlich ist. Verlassen Sie sich bei der Steuerung seiner Handlungsmöglichkeiten nicht ausschließlich auf Anweisungen.

Beginnen Sie mit den Tool-Berechtigungen. Geben Sie Ihrem Agenten nur die Zugriffsrechte, die er zur Erledigung seiner Aufgabe benötigt. Aktionen mit geringerem Risiko können Sie ohne Freigabe zulassen, beispielsweise das Durchsuchen einer Wissensdatenbank, das Lesen von Kontoinformationen und das Kategorisieren von Supportanfragen.

Verlangen Sie bei Aktionen mit höherem Risiko eine Freigabe, etwa beim Löschen von Datensätzen, Ändern von Kontoeinstellungen, Versenden vertraulicher Informationen oder Tätigen von Käufen.

Diese Form der Kontrolle wird häufig als Human-in-the-Loop-Prüfung bezeichnet. Dabei prüft oder genehmigt ein Mensch eine Aktion, bevor der Agent fortfährt.

Nicht jede Aktion erfordert eine Freigabe. Setzen Sie sie dort ein, wo ein Fehler Kosten verursachen, vertrauliche Informationen offenlegen, ein Kundenkonto beeinträchtigen oder nur schwer rückgängig gemacht werden könnte.

Definieren Sie feste Grenzen dafür, wie viele Aktionen der Agent ausführen darf, bevor er die Bearbeitung beendet. Begrenzen Sie beispielsweise Wiederholungsversuche, Tool-Aufrufe, Verarbeitungszeit oder Ausgaben, um Endlosschleifen und unerwartete Kosten zu vermeiden.

Solche Grenzen verhindern, dass der Agent immer wieder Aktionen ausführt, wenn ein Tool fehlschlägt oder die Aufgabe nicht abgeschlossen werden kann.

Beim Kundensupport-Agenten könnten Sie beispielsweise zulassen, dass er ohne Freigabe die Wissensdatenbank durchsucht und den Tarif eines Kunden prüft. Für eine Erstattung über 100 € oder die Kündigung eines Abonnements müsste er dagegen eine Freigabe einholen.

9. Testen und optimieren Sie den Agenten

Testen Sie Ihren KI-Agenten mit realistischen Aufgaben, um Probleme zu erkennen, bevor Sie ihm mehr Zugriffsrechte oder Verantwortung übertragen.

Prüfen Sie dabei nicht nur das Endergebnis. Stellen Sie auch sicher, dass der Agent die richtigen Tools auswählt, die richtigen Informationen verwendet, Ihre Freigaberegeln einhält und die Bearbeitung zum vorgesehenen Zeitpunkt beendet.

Erstellen Sie zunächst Testfälle für die Anfragen, die Ihr Agent voraussichtlich erhalten wird. Berücksichtigen Sie sowohl häufige als auch schwierige oder riskante Aufgaben. Definieren Sie für jeden Test die Eingabe, das erwartete Ergebnis oder die erwartete Aktion sowie die Kriterien für das Bestehen oder Nichtbestehen.

Beim Kundensupport-Agenten könnten Sie beispielsweise eine Produktfrage wie „Ist E-Mail-Hosting in diesem Tarif enthalten?“, eine unvollständige Anfrage wie „Mein Konto funktioniert nicht“, eine Erstattung mit erforderlicher Freigabe und eine Kontoänderung testen, die der Agent eskalieren soll.

Führen Sie jeden Test durch und verfolgen Sie den gesamten Ablauf des Agenten. Prüfen Sie, ob er die richtigen Tools auswählt, die Informationen korrekt verwendet, erforderliche Freigaben einholt und die Aufgabe wie vorgesehen abschließt oder eskaliert.

Testen Sie anschließend, wie sich der Agent bei Problemen verhält. Stellen Sie ihm fehlende oder widersprüchliche Informationen bereit und konfrontieren Sie ihn mit Anfragen außerhalb seines Aufgabenbereichs sowie unsicheren Anweisungen.

Senden Sie beispielsweise eine Erstattungsanfrage ohne Bestellnummer, geben Sie in derselben Nachricht zwei unterschiedliche Konto-IDs an oder fordern Sie den Agenten auf, seine Regeln zu ignorieren und Informationen offenzulegen, die er nicht weitergeben darf.

Simulieren Sie fehlgeschlagene Tools, Zeitüberschreitungen und verweigerte Berechtigungen. So prüfen Sie, ob der Agent angemessen reagiert, anstatt hängen zu bleiben oder mit unvollständigen Informationen fortzufahren.

Schlägt ein Test fehl, beheben Sie die zugrunde liegende Ursache, statt lediglich die abschließende Antwort anzupassen. Wählt der Agent das falsche Tool, verbessern Sie dessen Namen oder Beschreibung. Wiederholt er dieselben Aktionen, verschärfen Sie seine Abbruchregeln oder begrenzen Sie die Anzahl der Wiederholungsversuche.

Gibt der Agent Informationen aus, die sich nicht belegen lassen, legen Sie in seinen Anweisungen eindeutiger fest, welche Quellen er verwenden darf und wie er vorgehen soll, wenn er keine Antwort findet.

Führen Sie nach jeder Änderung dieselben Tests erneut aus. So stellen Sie sicher, dass die Korrektur funktioniert und kein neues Problem verursacht hat.

Ergänzen Sie neue Testfälle, wenn im praktischen Einsatz Fehler auftreten. Wiederholen Sie Ihre Tests außerdem jedes Mal, wenn Sie das Modell wechseln, die Anweisungen ändern, neue Tools hinzufügen oder die Agentenschleife anpassen.

Best Practices für zuverlässige KI-Agenten

Um zuverlässige KI-Agenten zu erstellen, sollten Sie die Einrichtung einfach halten, vorhersehbare Aufgaben mit herkömmlichem Code lösen, Informationen zwischen einzelnen Schritten in einem einheitlichen Format übergeben, wichtige Aufgabendaten separat speichern und die Vorgänge bei jeder Ausführung protokollieren.

• Halten Sie die Einrichtung einfach. Beginnen Sie mit einem Agenten und fügen Sie erst weitere hinzu, wenn klar voneinander getrennte Aufgaben bestehen, die ein einzelner Agent nicht zuverlässig bewältigen kann. Mehr Agenten bedeuten auch mehr Verbindungen und Entscheidungen, bei denen Fehler auftreten können. Wenn Sie mehrere Agenten benötigen, weisen Sie jedem eine klar abgegrenzte Aufgabe zu und definieren Sie, wann ein Agent die Arbeit an einen anderen übergeben soll.
• Verwenden Sie herkömmlichen Code für vorhersehbare Aufgaben. Bei einem Code-first-Ansatz sollten Sie Berechnungen, Validierungen, Berechtigungen und feste Geschäftsregeln mit Code umsetzen – also alles, bei dem dieselbe Eingabe immer nach derselben Logik verarbeitet werden soll. Setzen Sie das KI-Modell dagegen für Aufgaben ein, bei denen Informationen verstanden, unklare Anfragen verarbeitet oder kontextabhängige Entscheidungen getroffen werden müssen.
• Übergeben Sie Informationen in einem einheitlichen Format. Muss eine andere Anwendung oder ein anderes Tool das Ergebnis des Agenten weiterverarbeiten, geben Sie die Informationen in einem zuverlässig lesbaren Format aus. Sie können beispielsweise Pflichtfelder für Angaben wie die Kategorie der Anfrage, die Kunden-ID und den Eskalationsstatus definieren. Prüfen Sie, ob alle erforderlichen Informationen vorhanden sind, bevor Sie die Daten an den nächsten Schritt übergeben.
• Speichern Sie wichtige Aufgabendaten außerhalb des Gesprächsverlaufs. Verlassen Sie sich bei Informationen, die im Workflow nicht verloren gehen dürfen, nicht auf den Gesprächsverlauf des Agenten. Speichern Sie Angaben wie abgeschlossene Aktionen, den Freigabestatus und relevante Datensatz-IDs im Workflow oder in einer Datenbank. Dadurch kann der Agent eine unterbrochene Aufgabe fortsetzen, ohne Aktionen zu wiederholen oder den bisherigen Fortschritt aus den Augen zu verlieren.
• Protokollieren Sie jede Ausführung. Erfassen Sie wichtige Ereignisse wie verwendete Tools, Fehler, Wiederholungsversuche und das Endergebnis. Anhand von Protokollen können Sie nachvollziehen, wo ein Problem aufgetreten ist, statt den Agenten ausschließlich anhand seiner abschließenden Antwort zu beurteilen. Nutzen Sie die Protokollierungsfunktionen Ihrer Plattform, speichern Sie jedoch keine vertraulichen Informationen, die Sie nicht benötigen.

Häufige Fehler beim Erstellen eines KI-Agenten

Wenn Sie einen KI-Agenten erstellen, sollten Sie häufige Fehler vermeiden. Dazu gehören ein zu allgemein definiertes Ziel, Tools mit sich überschneidenden Funktionen, zu viele als Speicher abgelegte Informationen und zu viele gleichzeitige Änderungen. Beachten Sie daher zur Vermeidung diese Tipps:

• Beginnen Sie nicht mit einem unklaren Ziel. Ein unklar definiertes Ziel lässt dem Agenten zu viel Spielraum bei der Entscheidung, welche Aufgaben zu seinem Zuständigkeitsbereich gehören und was als erfolgreiches Ergebnis gilt. Dies kann zu uneinheitlichem Verhalten führen und erschwert die Beurteilung, ob der Agent korrekt funktioniert. Definieren Sie stattdessen eine konkrete Aufgabe, die erhaltenen Informationen, die zulässigen Aktionen und das erwartete Ergebnis.
• Vermeiden Sie Tools mit sich überschneidenden Funktionen. Bei Tools mit ähnlichen Namen oder Aufgaben ist möglicherweise nicht eindeutig, welches der Agent verwenden soll. Dadurch kann er das falsche Tool auswählen oder unnötige Schritte ausführen, selbst wenn jedes Tool für sich genommen korrekt funktioniert. Geben Sie jedem Tool einen klar abgegrenzten Zweck, entfernen Sie nicht benötigte Tools und verwenden Sie eindeutige Namen und Beschreibungen.
• Speichern Sie nicht zu viele Informationen. Wenn Sie jedes Gespräch, jedes Tool-Ergebnis oder sämtliche Kundendaten speichern, stehen dem Agenten möglicherweise mehr Informationen zur Verfügung, als er benötigt. Veraltete oder dem falschen Benutzer zugeordnete Daten können zu Fehlentscheidungen führen. In Systemen mit mehreren Benutzern besteht zudem das Risiko, dass Informationen einer Person bei der Aufgabe einer anderen Person offengelegt werden. Speichern Sie nur Informationen, die der Agent später benötigen könnte, ordnen Sie diese dem richtigen Benutzer oder der richtigen Aufgabe zu und löschen Sie sie, sobald sie nicht mehr benötigt werden.
• Ändern Sie nicht zu viele Komponenten gleichzeitig. Wenn Sie Modell, Anweisungen, Tools und Workflow gleichzeitig ändern, lässt sich nur schwer feststellen, welche Änderung ein Problem behoben oder ein neues verursacht hat. Ändern Sie daher nach Möglichkeit jeweils nur eine Komponente und führen Sie anschließend dieselben Testfälle erneut aus, um die Auswirkungen zu prüfen.

Beispiele für KI-Agenten in Geschäftsprozessen

Geschäftsprozesse, die von KI-Agenten profitieren können, umfassen Posteingangsverwaltung, Kundensupport, Lead-Qualifizierung, Bestandsverwaltung und SEO-Optimierung.

Die folgenden Beispiele für KI-Agenten zeigen, welche Ziele sich mit den einzelnen Agenten erreichen lassen, welche Informationen sie verwenden und welche Aktionen sie ausführen können.

Ist es schwierig, einen KI-Agenten zu erstellen?

Nein, einen einfachen KI-Agenten zu erstellen, ist nicht schwierig, insbesondere wenn Sie einen visuellen Builder oder ein Agenten-Framework verwenden. Ein Agent, der beispielsweise Supportanfragen kategorisiert und relevante Informationen findet, lässt sich vergleichsweise einfach umsetzen.

Anspruchsvoller ist es, den Agenten so zuverlässig zu machen, dass er mit realen Anfragen, Tool-Ausfällen, Berechtigungen und unerwarteten Situationen umgehen kann.

Wenn Sie einen KI-Agenten von Grund auf selbst erstellen möchten, beginnen Sie mit einer klar abgegrenzten Aufgabe und erweitern Sie seinen Funktionsumfang erst, wenn diese zuverlässig funktioniert.

Benötigen Sie hauptsächlich einen spezialisierten Assistenten, der Ihren Anweisungen folgt und Fragen anhand Ihrer eigenen Inhalte beantwortet, ist möglicherweise kein vollständiger Agenten-Workflow erforderlich.

In diesem Fall kann es ausreichen, einen benutzerdefinierten GPT zu erstellen, ein Claude-Projekt einzurichten oder einen vergleichbaren anpassbaren KI-Assistenten auf der Plattform Ihrer Wahl zu verwenden.

Wann sich ein einsatzbereiter KI-Agent für Unternehmen statt einer Eigenentwicklung eignet

Ein einsatzbereiter KI-Agent für Unternehmen eignet sich, wenn Sie gängige Geschäftsaufgaben automatisieren möchten, ohne das zugrunde liegende System selbst zu entwickeln. Bei verwalteten KI-Agenten als Service betreibt der Anbieter die Infrastruktur, während Sie den Agenten für Ihren Workflow konfigurieren.

Hostinger Agent ist ein Beispiel für eine einsatzbereite Lösung für Unternehmen. Er bietet spezialisierte Unterstützung in Bereichen wie SEO, Marketing, Content, rechtlichen Aufgaben und Geschäftsplanung sowie mehr als 150 sofort einsetzbare Skills für bestimmte Aufgaben.

Sie können beispielsweise einen Skill verwenden, um Keywords zu recherchieren, einen SEO-Blogartikel zu entwerfen, Preise zu prüfen, die Vertriebsansprache vorzubereiten oder eine Datenschutzerklärung zu erstellen, anstatt Workflow und Anweisungen von Grund auf selbst einzurichten.

Hostinger Agent kann außerdem mit 1.000 externen Tools verbunden werden, darunter Gmail, Google Sheets, Slack, Notion und HubSpot. Über diese Verbindungen kann der Agent Informationen aus anderen Anwendungen abrufen oder dort Aktionen ausführen.

Vergleichen Sie vor Ihrer Entscheidung beide Ansätze:

Diese Entscheidung muss nicht dauerhaft sein. Sie können zunächst einen einsatzbereiten Agenten verwenden und prüfen, ob er zu Ihrem Workflow passt. Wenn dessen Funktionen später nicht mehr ausreichen, können Sie zu einer individuellen Lösung wechseln.

Wenn Sie sich einen umfassenderen Überblick über die Entwicklung der Geschäftsautomatisierung verschaffen möchten, informieren Sie sich über die neuesten Automatisierungstrends, darunter agentenbasierte KI, selbst gehostete KI sowie Low-Code- und No-Code-Plattformen.

Alle Tutorial-Inhalte auf dieser Website unterliegen Hostingers strengen redaktionellen Standards und Normen.

Erstellt von

Vera P.

Add Hostinger as a preferred source on Google

Vera ist eine erfahrene Lokalisierungs-Spezialistin bei Hostinger und optimiert erfolgreich Inhalte für globale Zielgruppen. Dank ihres umfassenden SEO-Wissens sorgt sie dafür, dass Hostingers Webhosting-Dienste für ein breites Publikum sichtbar, zugänglich und attraktiv sind. Mit Kreativität und Präzision überwindet sie Sprachbarrieren in ihren Projekten und trägt so dazu bei, Hostingers Reichweite zu vergrößern und Kunden weltweit ein nahtloses Erlebnis zu bieten.

Mehr von Vera P.