KI-Agenten programmieren: Die Werkzeugschleife Schritt für Schritt

KI-Agenten programmieren klingt aufwendiger, als es im Kern ist. Ein Agent ist meist eine einfache Schleife: Das Modell bekommt eine Aufgabe und eine Liste von Werkzeugen, entscheidet, welches Werkzeug es aufruft, erhält das Ergebnis zurück und macht weiter, bis die Aufgabe erledigt ist. Die eigentliche Arbeit steckt in guten Werkzeugen und sicheren Grenzen.

Die Werkzeugschleife

1. Sie senden Aufgabe, Systemprompt und Werkzeugdefinitionen an das Modell.
2. Das Modell antwortet entweder mit Text (fertig) oder mit einem Werkzeugaufruf samt Argumenten.
3. Ihr Code führt das Werkzeug aus, etwa eine Datenbankabfrage oder einen Dateizugriff.
4. Das Ergebnis geht als Werkzeugergebnis zurück in den Gesprächsverlauf.
5. Zurück zu Schritt 2, bis das Modell fertig ist oder ein Limit greift.

Skizze in Python

verlauf = [{"role": "user", "content": aufgabe}]
for schritt in range(10):  # harte Obergrenze
    r = modell_aufrufen(verlauf, werkzeuge)
    verlauf.append(r.nachricht)
    if not r.werkzeugaufrufe:
        break
    for aufruf in r.werkzeugaufrufe:
        ergebnis = ausfuehren(aufruf.name, aufruf.argumente)
        verlauf.append(werkzeugergebnis(aufruf.id, ergebnis))

Die Funktionen modell_aufrufen und werkzeugergebnis unterscheiden sich je Anbieter nur im Format. Das Prinzip ist bei OpenAI, Anthropic und Google gleich und wird im Ratgeber Function Calling erklärt genauer beschrieben.

Gute Werkzeuge definieren

Das Modell sieht von einem Werkzeug nur Name, Beschreibung und Parameterschema. Davon hängt ab, ob es das Werkzeug richtig einsetzt:

• Klare Namen wie kunde_suchen statt tool1.
• Beschreibung mit Zweck und Grenzen: wann einsetzen, wann nicht, was zurückkommt.
• Enge Parameter: Aufzählungen statt freier Texte, wo möglich.
• Knappe Ergebnisse: Nur die Felder zurückgeben, die das Modell braucht. Lange Rohdaten kosten Tokens.
• Verständliche Fehlermeldungen: Damit das Modell selbst korrigieren kann.

Eine saubere Definition im JSON-Format erzeugt der Tool-Definition-Generator.

Den Systemprompt nicht vergessen

Neben den Werkzeugen braucht der Agent klare Anweisungen: Welches Ziel hat er, wann ist die Aufgabe erledigt, was soll er tun, wenn Informationen fehlen? Ein guter Hinweis lautet etwa, bei Unklarheit lieber nachzufragen als zu raten. Hilfreich ist auch, das gewünschte Endergebnis genau zu beschreiben, zum Beispiel als Zusammenfassung mit festen Abschnitten.

Grenzen und Sicherheit

• Maximale Schrittzahl und ein Token-Budget je Auftrag, damit sich der Agent nicht im Kreis dreht.
• Bestätigung vor kritischen Aktionen: Senden, Löschen, Bezahlen nur nach Freigabe durch einen Menschen.
• Minimale Rechte: Werkzeuge nur mit den Berechtigungen ausstatten, die sie wirklich brauchen.
• Fremde Inhalte als Daten behandeln: Webseiten oder E-Mails können versteckte Anweisungen enthalten.

Mehr dazu im Ratgeber KI-Agenten absichern.

Kosten im Blick

Jeder Schritt schickt den gesamten bisherigen Verlauf erneut an das Modell. Die Kosten wachsen daher schneller als die Zahl der Schritte. Prompt Caching und das Kürzen alter Werkzeugergebnisse helfen; siehe Kontext komprimieren. Was ein Agent pro Auftrag ungefähr kostet, rechnet der Agenten-Kosten-Rechner aus.

Wann ein Framework hilft

Die Schleife selbst ist schnell geschrieben. Frameworks lohnen sich, wenn mehrere Agenten zusammenarbeiten, Zwischenstände gespeichert werden sollen oder Sie viele fertige Werkzeuge anbinden wollen. Einen Überblick gibt Agenten-Frameworks im Überblick; die Grundbegriffe erklärt Was sind KI-Agenten.