Agentic KI-Architektur verstehen

Zusammenfassung

Agentic Architektur ist das strukturelle Design und Framework für ein KI-System, das es einem oder mehreren KI-Agenten ermöglicht, autonom zu agieren.

• Im Gegensatz zu nicht-Agentic Systemen, die einfache, lineare Antworten liefern, unterstützen Agentic Architekturen dynamische, mehrstufige Prozesse, bei denen sich Agenten sich an neue Informationen anpassen und aus den Ergebnissen lernen können.
• Die Architekturen reichen von Einzelagentensystemen bis hin zu komplexen Multiagentenmustern, die für die Transformation von Anwendungsfällen wie Workflow-Automatisierung, Kundenservice und Unternehmensintelligenz angewendet werden.

Schlüsselkonzepte der Agentic Architektur

Mehrere Kernkonzepte definieren eine Agentic Architektur und unterscheiden sie von einfacheren KI-Modellen.

• Autonomie: Agenten können mit einem erheblichen Grad an Unabhängigkeit agieren und Entscheidungen treffen, ohne für jeden Schritt ständige menschliche Eingaben zu benötigen.
• Anpassungsfähigkeit: Das System ist so konzipiert, dass es sein Verhalten und seine Strategien in Echtzeit an neue Informationen oder sich ändernde Umweltbedingungen anpasst.
• Zielorientiert: Die Architektur ist darauf ausgelegt, spezifische Ziele zu verfolgen. Alle Planungen und Aktionen sind darauf ausgerichtet, ein definiertes Endziel zu erreichen, anstatt nur einen Befehl auszuführen.
• Wahrnehmungs-Planungs-Aktions-Zyklus: Dies ist die grundlegende operative Schleife eines Agenten. Der Agent nimmt seine Umgebung wahr (Wahrnehmung), formuliert eine Strategie (Planung) und führt diese Strategie anschließend aus (Aktion).

Die Kernkomponenten eines Agentic Systems

Agentic Architekturen bestehen meistens aus mehreren integrierten Schichten oder Komponenten, die zusammenarbeiten, um autonome Aktionen zu ermöglichen.

Wahrnehmungsschicht

Die „Wahrnehmung“ des Agenten von seiner Umgebung. Es ist verantwortlich für das Sammeln von Informationen über verschiedene Eingaben wie APIs, Anwenderabfragen oder Dokumentendaten.

Argumentations- und Planungsschicht

Diese Schicht verarbeitet die von der Wahrnehmungsschicht gesammelten Informationen und verwendet große Sprachmodelle (LLMs), um Semantik, Bedeutung, Kontext und Ziele zu verstehen. Diese Fähigkeit ermöglicht es dem Agenten, autonom zu denken, komplexe Probleme zu lösen und einen strategischen Plan zu erstellen.

Im Gegensatz zu den frühen KI-Agenten, die durch vorprogrammierte Regeln eingeschränkt waren, können LLM-gesteuerte Agenten auch über ihre Handlungen nachdenken. Durch die Analyse der Ergebnisse und des Feedbacks aus der Aktionsschicht kann der Agent seine Leistung verbessern, seinen Kurs korrigieren und seine Strategie anpassen, um bessere Ergebnisse zu erzielen.

Aktionsschicht

Die „Aktionen“ des Agenten in der Welt. Er führt den Plan aus, indem er Tools verwendet, APIs aufruft, Text generiert oder mit anderen Systemen interagiert.

Erinnerung

Diese Komponente ermöglicht es dem Agenten, Informationen effizient zu speichern und zu suchen.

Das Kurzzeitgedächtnis verwaltet die Daten für die unmittelbare Aufgabe und behält während der Ausführung den notwendigen Fokus bei. Das Langzeitgedächtnis baut Kontext im Laufe der Zeit auf, indem es Anwenderpräferenzen extrahiert und speichert und vergangene Erfahrungen zusammenfasst. Dies ermöglicht es dem Agenten, relevante historische Daten zu suchen, um sie dem aktuellen Kontext hinzuzufügen. Dies generiert eine positive Voreingenommenheit, die ihm hilft, neue Probleme erfolgreich zu lösen.

Wie Agentic Architektur funktioniert: Der Wahrnehmungs-Planungs-Aktions-Zyklus

Der operative Ablauf eines Agentic Systems folgt einem iterativen Zyklus aus Wahrnehmung, Planung und Aktion.

Sinn

Der Prozess beginnt, sobald der Agent Daten aus seiner Umgebung erfasst. Zum Beispiel erhält ein Kundendienstmitarbeiter ein Support-Ticket mit unstrukturiertem Text.

> Weiterlesen | Unstrukturiertes Datenmanagement: Geschäftswert erschließen 

Planung

Der Agent nutzt seine Argumentationsschicht, um das Ticket zu analysieren und eine Lösungsstrategie zu formulieren. Für gut definierte Probleme kann dies die Erstellung eines vollständigen Ausführungsplans mit einer Abfolge von Teilaufgaben beinhalten, wie zum Beispiel die Identifizierung des Produktproblems und die anschließende Suche in der der Wissensdatenbank.

Alternativ kann sich der Agent, um mehr Autonomie und Flexibilität zu ermöglichen, auch lediglich auf die Bestimmung der jeweils besten nächsten Aktion konzentrieren. Nach Ausführung dieses Schritts nimmt er das Ergebnis wahr und bewertet seinen Plan neu, indem er seine Vorgehensweise basierend auf den neu erhaltenen Informationen anpasst.

Aktion

Anschließend führt der Agent den Plan mit seinen Tools aus. Dieser Prozess wird häufig durch moderne Frameworks wie das Model Context Protocol (MCP) geregelt, das es dem Agenten ermöglicht, das richtige Tool auszuwählen und seinen Befehl korrekt zu strukturieren. Er könnte zum Beispiel eine Datenbank-API aufrufen, um die Wissensdatenbank zu durchsuchen und dann seine Textgenerierungsfunktion verwenden, um eine Antwort zu entwerfen.

Reflektieren und iterieren

Der Zyklus endet nicht mit der Aktion. Der Agent kann dann über das Ergebnis reflektieren. Wenn die Suche in der Wissensdatenbank keine Ergebnisse liefert, kann er ihren Plan anpassen – möglicherweise durch Umformulierung der Suchabfrage oder durch die Entscheidung, den Vorgang an einen Menschen weiterzuleiten. Diese iterative Schleife, macht die Architektur wirklich Agentic.

Agentic versus nicht-Agentic Architektur: Von statischen Antworten zu dynamischen Aktionen

Der Unterschied zwischen Agentic und nicht-Agentic Systemen liegt in ihrem grundlegenden Design und ihren Fähigkeiten. Eine nicht-Agentic Architektur ermöglicht einen linearen, „einmaligen“ Prozess, wenn eine Eingabe einem LLM gegeben wird und eine statische Ausgabe generiert wird. Sie ist für bekannte, gut definierte Aufgaben geeignet, kann aber keine mehrstufigen Aktionen ausführen, ohne für jeden Schritt erneut aufgefordert zu werden.

Die größte Einschränkung ist der Mangel an Autonomie. Feedbackschleifen können zwar zum Erstellen komplexerer Workflows gestaltet werden, doch das Ergebnis ist ein ausgefeilter Prozess, keine autonome Einheit. Dem System fehlt die Fähigkeit zur Anpassung und Flexibilität und seine Leistung wird immer dadurch begrenzt, wie dieser Prozess ursprünglich modelliert wurde.

Im Gegensatz dazu unterstützt eine Agentic Architektur einen autonomen Prozess. Der Agent kann mehrere Entscheidungen treffen, verschiedene Tools verwenden und sich innerhalb einer einzigen Anfrage selbst korrigieren, um ein komplexes Ziel zu erreichen, was für dynamische Aufgaben wie Workflow-Automatisierung oder interaktive Problemlösung unerlässlich ist.

> Weiterlesen | KI-Agenten versus KI-Assistenten versus Agentic KI

Häufige Arten von Agentic Architekturen

Die Komplexität und das Design einer Agentic Architektur hängen von der Aufgabe ab, die sie ausführen muss.

Einzelagenten- versus Multiagenten-Systeme

Eine Einzelagenten-Architektur besteht aus einem autonomen Agenten, der zentralisierte Entscheidungen trifft, was sich am besten für fokussierte, in sich geschlossene Probleme eignet.

Eine Multiagenten-Architektur hat mehrere Agenten, die zusammenabeiten, um ein Problem zu lösen. Dies eignet sich besser für komplexe Herausforderungen, die unterschiedliche Fachkenntnisse erfordern.

> Weiterlesen | Das Potenzial von KI-Agenten verstehen

Architekturmuster für Multiagenten

Vertikale (hierarchische) Architektur: Ein „Leiter“ Agent beaufsichtigt und delegiert Teilaufgaben an spezialisierte „Arbeiter“ Agenten. Das ist effizient für sequentielle Workflows mit klarer Verantwortlichkeit. 

Horizontale (kollaborative) Architektur: Ein dezentrales Modell, bei dem Agenten als Gleichgestellte arbeiten, Informationen austauschen und gemeinsam Entscheidungen treffen. Das ist ideal für Brainstorming oder komplexe Problemlösungen.

Hybride Architektur: Dieses Modell kombiniert sowohl vertikale als auch horizontale Strukturen und bietet ein Gleichgewicht zwischen strukturierter Aufsicht und kreativer Flexibilität.

Eine effektive Agentic Architektur entwerfen

Der Aufbau einer zuverlässigen Agentic Architektur erfordert die sorgfältige Berücksichtigung mehrerer wichtiger Designprinzipien.

Bestimmen der Entscheidungsfindungslogik

Entscheiden, ob der Agent einfache, regelbasierte Logik, probabilistisches Argumentieren aus einem LLM oder Lernen zur Verstärkung benötigt, um sich im Laufe der Zeit zu verbessern. 

Speicheranforderungen definieren

Bestimmen, ob der Agent für transaktionale Aufgaben zustandslos sein wird oder ob er sich an vergangene Interaktionen mithilfe von Kurzzeitzuständen oder langfristigen Datenbanken erinnern muss.

Die Integration von Tools planen

Legen Sie fest, wie der Agent mit der Außenwelt interagieren soll, sei es mit einem festen Satz von Werkzeugen oder mit der Möglichkeit, Werkzeuge je nach Aufgabe dynamisch auszuwählen.

Den Lösungsbereich verwalten

Verwenden Sie bei komplexen Aufgaben domänenspezifische Regeln oder Heuristiken, um den Agenten zu leiten und zu verhindern, dass er in ineffizienten Schleifen stecken bleibt.

> Weiterlesen | Was ist Agentic Automatisierung?

Menschliche Aufsicht einrichten

Zu dem Entwurf einer effektiven Agentic Architektur gehört das Gleichgewicht zwischen der Autonomie der Agenten und der menschlichen Aufsicht.

Für Aufgaben, die mit Risiken verbunden oder vertraulich sind, können Sie Kontrollpunkte einbauen, an denen ein Mensch den Plan eines Agenten genehmigen muss, bevor er fortfährt. Für Prozesse mit geringem Risiko kann den Agenten vollständige Autonomie erteilt werden. Ein hybrider Ansatz ist ebenfalls möglich, wenn ein Agent unabhängig agiert, es sei denn, sein Vertrauen in ein Ergebnis fällt unter einen bestimmten Schwellenwert, dann wird er zur menschlichen Überprüfung weitergeleitet.

Anwendungsfälle für Agentic-Architektur

Agentic Architekturen werden eingesetzt, um reale geschäftliche Herausforderungen zu bewältigen und neue Möglichkeiten für Automatisierung und Intelligenz zu erschließen.

Komplexe Workflow-Automatisierung

Diese Systeme können mehrstufige Geschäftsprozesse wie Rechnungsgenehmigungen oder Mitarbeitenden-Onboarding automatisieren, wenn ein Agent mit mehreren Systemen wie einem HRIS, ERP und E-Mail interagieren muss.

Fortgeschrittener Kundenservice

Ein Agentic System kann ein Kundenproblem insgesamt bearbeiten, vom Verständnis der ursprünglichen Abfrage über die Recherche in Wissensdatenbanken und die Interaktion mit Bestellsystemen bis hin zur Weiterleitung an einen menschlichen Agenten mit einer vollständigen Zusammenfassung.

Unternehmensintelligenz und Forschung

Agenten können tiefgreifende Rechercheaufgaben durchführen, indem sie interne Datenbanken und externe Quellen durchsuchen, Informationen zusammenführen, Trends identifizieren und detaillierte Berichte erstellen.

Autonomer IT-Betrieb

Ein Cybersicherheitsagent kann den Netzwerkverkehr überwachen, eine Bedrohung erkennen, eine Minderungsstrategie planen und ausführen, wie die Isolierung eines Servers und dabei seine Aktionen für einen Audit-Pfad dokumentieren.

Der Schwerpunkt des Ansatzes von Hyland Ansatz ist die Lösung komplexer, inhaltsbasierter Probleme. Um erfolgreich zu sein, müssen Agenten enorme Mengen an strukturierten und unstrukturierten Informationen navigieren und verstehen, beispielsweise Verträge, Berichte und Kunden-E-Mails. Diese Inhalte in ihrem gesamten geschäftlichen Kontext zu verstehen, ermöglicht es den Agenten, die besten Entscheidungen zu treffen.

Hyland und KI-Agenten

Lösungshighlight: Hyland Enterprise Agent Mesh

Enterprise Agent Mesh ist eine neue Technologie, die in Hyland Content Innovation Cloud™ integriert ist. Sie bietet das Framework für Hyland, unsere Partner und unsere Kunden, für den Aufbau und die Bereitstellung von Multiagenten-Netzwerken. Diese Netzwerke können komplexe Anwendungsfälle lösen, indem sie die Hintergrundprozessautomatisierung mit Anwenderinteraktion und Zusammenarbeit kombinieren.

Die Grundlage für dieses Netzwerk ist die Hyland Enterprise Context Engine, eine neue Lösung auf dem Markt, die eine einheitliche, dynamische Perspektive auf die organisatorischen Abläufe bietet. Sie dient als lebende Aufzeichnung der Unternehmensaktivitäten durch die nahtlose Verknüpfung von Inhalten, Prozessen, Personen und Anwendungen in Systemen wie ERPs und CRMs.

Zusammen unterstützten Enterprise Agent Mesh und Enterprise Context Engine Unternehmen dabei, institutionelles Wissen zu bewahren und zu skalieren. Dieses Wissen wird durch menschliches Feedback kontinuierlich verfeinert und fördert eine leistungsstarke Zusammenarbeit zwischen Mensch und KI, die das gesamte Unternehmen intelligenter macht.

Aufbau von Agentic Architekturen mit Hyland Agent Builder

Mit Agent Builder haben Sie ein zentrales Tool für den Entwurf, die Bereitstellung und die Verwaltung der leistungsstarken Agentic Architekturen, von denen die moderne Automatisierung vorangetrieben wird. Agent Builder ermöglicht es Unternehmen, KI-Agenten auf Unternehmensniveau (Unternehmensagenten) zu entwerfen und zu verwalten, die komplexe Aufgaben automatisieren. Diese Unternehmensagenten können in Workflows innerhalb von Hyland Automate, Hyland ECM-Produkten und anderen Tools von Drittanbietern eingebettet werden.

Mit einem Point-and-Click-Lösungsgenerator können nicht nur Entwickler, sondern auch Experten für Geschäftsprozesse Agenten erstellen und einsetzen und Innovationen beschleunigen. Anwender können die Ziele eines Agenten definieren, ihm Wissensressourcen zur Verfügung stellen und die Aktionen spezifizieren, die er ausführen kann, was direkt die Erstellung von angepassten Einzelagenten- und Multiagenten-Systemen ermöglicht. Die Plattform bietet auch ein umfassendes Lebenszyklusmanagement für Agenten, das es Anwendern ermöglicht, Agenten kontinuierlich zu versionieren, zu testen, zu überwachen und zu verbessern, um den sich ändernden Geschäftsanforderungen zu entsprechen.