2 months ago
Nicht unbedingt das leistungsfähigste.
Ich bin mehr an Projekten interessiert, die eine wirklich interessante Idee eingeführt oder ein Problem auf andere Weise gelöst haben.
Es könnte Open Source, Forschung, Infrastruktur, Orchestrierung, Speichersysteme, Agenten-Frameworks oder alles andere im Zusammenhang mit autonomen Systemen sein.
Was ist dir aufgefallen?
Ich arbeite für ein Unternehmen, das sich auf einheitliche Kontextebenen konzentriert, alles in einer nativen Plattform usw., und alle Marketing-/Verkaufsgespräche drehen sich um Agenten. Niemand scheint sich wirklich für die darunterliegende Datenorganisation zu interessieren oder viel darüber nachzudenken.
Genau. Das ist der Teil, der meiner Meinung nach zu wenig diskutiert wird.
Jeder will über "Agenten" sprechen, aber sobald man versucht, sie in echten Arbeitsabläufen nützlich zu machen, verlagert sich der Wert in die Infrastrukturebene: Kontext, Datenorganisation, Konnektoren, Berechtigungen, Authentifizierung, Werkzeuge, Protokolle, Wiederherstellung und die Sicherstellung, dass der Agent zur richtigen Zeit auf das Richtige zugreifen kann.
Der Agent ist der sichtbare Teil, aber das darunterliegende System entscheidet, ob er zuverlässig funktioniert oder nur in einer Demo gut aussieht.
Meine Perspektive darauf, was KI-Agenten sein sollten, zu ändern, hat meinen Blick auf sie erweitert. Ich beginne, sie eher als Angestellte denn als Agenten zu betrachten. Indem ich meine Sichtweise darauf fixiert habe, wurde ich gezwungen, sie anders einzurichten, besonders für Kunden. Jetzt beginne ich mit der Frage: "Was soll dieser neue Mitarbeiter für mich oder den Kunden tun?". Die Betrachtung des Agenten als Remote-Mitarbeiter ändert alles: Wie soll er mit mir kommunizieren? Was kann ich ihm über das Unternehmen oder mich erzählen, das ihm hilft, seine Aufgabe zu verstehen? Welche Prozesse und Dateien kann ich ihm geben, um ihn beim Erlernen seiner "eingestellten" Aufgaben zu unterstützen?
In einem Fall kann der Agent, der mit einer Firmen-E-Mail, einem Handbuch und einigen Tabellenkalkulationen eingearbeitet wurde, nun dem Chef mit Angebotstabellen antworten und die notwendigen Fragen zur Klärung stellen. Er meldet sogar jede Woche seine Stunden an die Lohnbuchhaltung. In einem anderen Fall wurde dem KI-Agenten, der eingestellt wurde, um eine Website zu erstellen und zu verbessern, ein Ziel gesetzt und gesagt, er solle keine weiteren Eingaben erwarten, sondern die Website in den Bereichen zur besten machen. Er arbeitet täglich an der Website und bewertet Eingaben, um zu wissen, woran er arbeiten soll, z. B. Themen mit mehr Traffic, SEO-Verbesserungen bei fehlendem Traffic, Beantwortung von E-Mail-Eingaben von Besuchern.
Wenn wir zwischen KI-Agenten und bestehenden halbautonomen Werkzeugen wie CODEX, Claude Code usw. unterscheiden wollen, wie sollten diese KI-Agenten dann anders eingesetzt werden? Ich gehe in die Richtung, dass ich sie, damit sie anders (und vermutlich mit größerem Nutzen) eingesetzt werden, auch anders behandeln und betrachten muss, also wie einen begeisterten, schnell lernenden Menschen.
Ich lebe seit dem letzten Jahr auf der Infrastrukturseite genau dieses Bereichs. (Volle Offenlegung: Ich baue ein Open-Source-Projekt namens PipesHub).
Zu Ihrem Punkt, Dinge anders zu lösen – wir haben festgestellt, dass derzeit jeder besessen davon ist, bessere Reasoning-Frameworks und Agenten-Schleifen zu bauen. Aber wir haben herausgefunden, dass selbst der intelligenteste Agent in der Produktion aus einem ganz einfachen Grund völlig versagt: Er kann nicht einfach auf unstrukturierte, isolierte Unternehmensdaten zugreifen oder sie sinnvoll nutzen.
Wir waren so frustriert, benutzerdefinierte Datenpipelines zu bauen, nur damit ein Agent eine einfache Frage beantworten kann, also haben wir beschlossen, eine dedizierte Kontext- und Abrufschicht zu bauen, die einfach unter dem von Ihnen verwendeten Framework sitzt.
Der architektonische Wechsel für uns war, den Ansatz „einfach eine Vektordatenbank verwenden und Chunks in den Prompt werfen“ aufzugeben. Wir haben einen Wissensgraphen neben der Vektorsuche verdrahtet. Auf diese Weise steuert der Agent seine eigene Abfrage – wenn er eine harte Metrik oder Beziehung benötigt, greift er auf den Graphen zu. Wenn er breiten Kontext benötigt, zieht er das Dokument.
Das ganze Ziel war, die Zeit bis zum ersten Nutzen so nahe wie möglich an Null zu bringen. Wir haben die Kern-Engine als Open Source bereitgestellt, damit Entwickler einfach das Repository klonen und die Architektur lokal hochfahren können, um sie zu testen.
Wenn Sie sich mit der Speicher- und Dateninfrastrukturseite autonomer Systeme befassen, würde ich mich freuen, wenn Sie im Repository herumstöbern und mir mitteilen, ob dieser Ansatz für den Kontext für Sie sinnvoll ist.
Für mich ist die interessanteste Richtung in letzter Zeit die Agenteninfrastruktur und nicht der Agent selbst.
Planung und Gedächtnis sind cool, aber der eigentliche Engpass scheint die Verbindungsschicht zu sein: OAuth, Tokens, API-Bereiche, lokale Geheimnisse, sichere Ausführung, Wiederholungen und die Sicherstellung, dass ein Agent tatsächlich echte Dienste nutzen kann, ohne Anmeldeinformationen preiszugeben oder Arbeitsabläufe zu unterbrechen.
Weniger auffällig als ein neues Framework, aber wahrscheinlich viel näher an dem, was Agenten in der Praxis nützlich macht.