Der KI Kompass für Studierende

Ein KI-Buch- und Blog-Projekt von Dr. Stephan Pflaum

Was ist eine KI‑Agentin (KI‑Agent*in)? Unterschied zu Chatbots & Assistenten – plus JSON‑Start

Symbolbild

Eine KI‑Agentin (inkl. m/w/d, im Folgenden: KI‑Agent*in) ist ein System mit eigenem Ziel, Planung, Werkzeugen (Tools/APIs), Gedächtnis und Rückkopplungsschleife. Im Gegensatz zum klassischen Chatbot (regelbasiert) oder reaktiven KI‑Assistenten (LLM‑Chat ohne Autonomie) kann ein KI‑Agent*in selbstständig Schritte wählen, Informationen einholen und Aufgaben abschließen – nicht nur Antworten texten.

Transparenz & Rahmen: Dieser Beitrag z.B. folgt den Leitplanken unseres Master‑/Servantring‑Workflows „Der KI‑Kompass für Studierende“.

Lernziele

  • Du kannst KI‑Agent*in, Chatbot und Assistent unterscheiden.
  • Du kennst die Bausteine eines Agenten (Ziel, Planung, Tools, Gedächtnis, Schleife).
  • Du kannst einen Minimal‑Agenten in JSON konfigurieren.
  • Du weißt, Risiken (Datenschutz, Halluzinationen) zu erkennen und zu mindern.

Begriffe einfach erklärt

Chatbot (klassisch)

  • Regelbasiert oder mit einfachen Intent‑Antwort‑Bäumen.
  • Reagiert auf feste Muster (FAQ, Menü, Buttons).
  • Keine Autonomie, kein Tool‑Einsatz.

KI‑Assistent (LLM‑Chat)

  • Nutzt ein großes Sprachmodell (z. B. „ChatGPT“‑ähnlich).
  • Reaktiv: Antwortet auf deinen Prompt, oft ohne langfristiges Gedächtnis.
  • Kann Tools nutzen, entscheidet aber normalerweise nicht eigenständig, wann und wie es weiterarbeitet.

KI‑Agent*in

  • Hat Ziele (Objectives) und plant mehrere Schritte (Planer/Reasoner).
  • Nutzt Tools/APIs (z. B. Websuche, Kalender, E‑Mail, Python) – handelt im System.
  • Führt eine Rückkopplungsschleife (Perception → Thought/Plan → Action → Observation) aus.
  • Besitzt Gedächtnis (Kurzzeit: Kontextfenster; Langzeit: Vektorspeicher/DB).
  • Kann Events abonnieren (z. B. „neue E‑Mail“, „Frist erreicht“) und proaktiv handeln.

Merksatz: Chatbots antworten, Assistenten helfen – Agentinnen handeln.*

Vergleich (auf einen Blick)

  • Initiative: Chatbot ❌ | Assistent 🔸 | Agent*in ✅
  • Mehrschritt‑Planung: Chatbot ❌ | Assistent 🔸 | Agent*in ✅
  • Tool‑/API‑Zugriff: Chatbot ❌ | Assistent 🔸 | Agent*in ✅
  • Gedächtnis/Langzeit: Chatbot ❌ | Assistent 🔸 | Agent*in ✅
  • Event‑getrieben: Chatbot ❌ | Assistent 🔸 | Agent*in ✅

(🔸 = möglich, aber nicht Standard)

Warum ist das wichtig für Studierende?

  • Recherche & Literatur: Agent*in sammelt Quellen, prüft Dubletten, schreibt kurze Abstracts.
  • Studienorganisation: Fristen, Stundenplan, To‑dos – Agent*in synchronisiert Kalender und erinnert proaktiv.
  • Bewerbungen & Karriere: Stellen scannen, Matching, Anschreiben‑Entwürfe, Terminvorschläge.
  • Labor & Daten: Daten säubern, Ausreißer prüfen, Skripte starten, Protokoll führen.

Die 5 Bausteine eines KI‑Agenten

  1. Ziel(e): Was soll erreicht werden? (z. B. „Finde 5 relevante Paper und fasse sie in 200 Wörtern zusammen“)
  2. Wahrnehmung (Observation): Was kommt aus Tools/Umwelt zurück?
  3. Planung/Reasoning: Wie zerlegt der Agent die Aufgabe? (Chain‑of‑Thought/Planner)
  4. Aktionen (Tools/APIs): Welche Funktionen darf der Agent ausführen?
  5. Gedächtnis (Memory): Was merkt er sich für später?

JSON‑Start: Ein Minimal‑Agent als Konfiguration

Nutze JSON, um Konfiguration, Tools und Zustand klar zu trennen. So kannst du Agent*innen ohne großen Code anpassen.

1) agent.config.json – Rollen, Ziele, Policies

{
  "name": "StudyScout",
  "role": "Hilft Studierenden bei Recherche und Fristen",
  "goals": [
    "Finde 5 peer‑reviewte Quellen zum angegebenen Thema",
    "Erzeuge eine 200‑Wörter‑Zusammenfassung",
    "Lege Deadlines im Kalender an"
  ],
  "policies": {
    "max_steps": 8,
    "safety": ["keine Passwörter speichern", "Datenschutz: nur Metadaten teilen"],
    "rate_limits": {"requests_per_min": 30}
  },
  "planner": { "strategy": "react", "replan_on_failure": true },
  "memory": { "short_term": true, "long_term": { "type": "vector_store", "collection": "studyscout" } },
  "tools": ["web_search", "pdf_reader", "calendar"],
  "events": ["deadline_due", "new_task"]
}

2) tools.schema.json – Welche Aktionen sind erlaubt?

{
  "web_search": {
    "description": "Suche im Web nach Quellen",
    "input_schema": {"type": "object", "properties": {"query": {"type": "string"}, "limit": {"type": "integer"}}},
    "returns": {"type": "array", "items": {"type": "object", "properties": {"title": {"type": "string"}, "url": {"type": "string"}}}}
  },
  "pdf_reader": {
    "description": "Extrahiere Text aus PDF-URLs",
    "input_schema": {"type": "object", "properties": {"url": {"type": "string"}}},
    "returns": {"type": "string"}
  },
  "calendar": {
    "description": "Erzeuge Kalendereinträge",
    "input_schema": {"type": "object", "properties": {"title": {"type": "string"}, "due": {"type": "string", "format": "date-time"}}},
    "returns": {"type": "object", "properties": {"id": {"type": "string"}, "status": {"type": "string"}}}
  }
}

3) agent.state.json – Laufender Zustand

{
  "task": "Finde Literatur zu 'Explainable AI in Medizin'",
  "step": 0,
  "plan": [],
  "context": [],
  "memory_refs": [],
  "history": []
}

4) Nachrichten‑/Tool‑Aufrufe (LLM I/O)

{
  "messages": [
    {"role": "system", "content": "Du bist ein Agent, der Ziele in Schritte zerlegt und Tools verantwortungsvoll nutzt."},
    {"role": "user", "content": "Finde 5 relevante Paper zur KI‑Erklärung im Gesundheitswesen und fasse sie."}
  ],
  "tools": {
    "web_search": {"query": "explainable AI healthcare review 2023", "limit": 5}
  }
}

Tipp: Bewahre Konfiguration, Tool‑Schemas und Zustand getrennt auf. So kannst du mehrere Agent*innen mit denselben Tools betreiben.

Mini‑Workflow: ReAct‑Schleife (vereinfacht)

  1. Perception: Lese agent.state.json und letzte Rückmeldungen.
  2. Thought/Plan: LLM entwirft nächsten Schritt (z. B. Websuche).
  3. Action: Rufe Tool gemäß tools.schema.json auf.
  4. Observation: Schreibe Ergebnis in history und ggf. memory.
  5. Check: Ziel erreicht? Sonst erneut planen (bis max_steps).

Du kannst diese Schleife in jeder Sprache implementieren (Python/JS). Das Steuer‑Protokoll bleibt JSON.

Erste Praxis: In 30 Minuten zum funktionierenden Agenten

Voraussetzungen: API‑Key deines LLM‑Anbieters, ein Terminal, Node.js oder Python.

Schritte:

  1. Repo anlegen (agent.config.json, tools.schema.json, agent.state.json).
  2. Tool‑Adapter schreiben (kleine Funktionen, die die JSON‑Schemas respektieren).
  3. ReAct‑Loop programmieren (Plan → Tool → Observation → Update state).
  4. Logging (JSON‑Logs je Schritt, inkl. Fehler, Latenzen, Costs).
  5. Testfall: Kleines Recherche‑Ziel formulieren, Lauf prüfen, max_steps anpassen.

Sicherheit, Recht & Qualität

  • Datenschutz: Keine sensiblen Personen‑/Gesundheitsdaten in Prompts. Nutzung von Pseudonymen. Speicher verschlüsseln.
  • Halluzinationen mindern: Quellen prüfen, Zitationen erzwingen (Tool „web_search“ mit Verifikationsschritt).
  • Rate Limits & Kosten: rate_limits setzen, Batch‑Aufrufe, Caching.
  • Missbrauch verhindern: Nur nötige Tools freischalten; Eingaben validieren gegen input_schema.
  • Transparenz: Markiere KI‑Anteile und Logs (z. B. im Impressum/Datenschutzhinweis).

Beispiel‑Prompts (als JSON speicherbar)

{
  "preset_prompts": [
    {
      "name": "planner_strict",
      "system": "Zerlege jede Aufgabe in nummerierte, überprüfbare Schritte. Nutze nur die erlaubten Tools. Erkläre kurz, warum du einen Schritt wählst.",
      "constraints": ["max_steps=6", "cite_sources=true"]
    },
    {
      "name": "grader",
      "system": "Bewerte, ob das Ziel erfüllt ist. Gib eine Binärentscheidung und eine Begründung.",
      "output_schema": {"type": "object", "properties": {"done": {"type": "boolean"}, "reason": {"type": "string"}}}
    }
  ]
}

Häufige Stolpersteine

  • Zu vage Ziele: Immer konkret (Anzahl, Umfang, Frist) – sonst Endlosschleifen.
  • Keine Tool‑Rückmeldung gespeichert: Ohne Observation kann der Planer nicht lernen.
  • Vermischte Dateien: Trenne Konfiguration vs. Zustand vs. Logs.

Checkliste: Dein erster KI‑Agent*in

  • Ziele präzise formuliert (SMART)
  • Tools mit klaren JSON‑Schemas
  • ReAct‑Schleife implementiert
  • Logging + Kostenkontrolle
  • Datenschutz‑Check + Transparenzhinweis

FAQ (für SEO) – auch als JSON‑LD

Was ist der Unterschied zwischen Chatbot, Assistent und KI‑Agent*in? – Chatbots sind regelbasiert, Assistenten reagieren, Agent*innen handeln mit Planung, Tools und Gedächtnis.

Brauche ich Programmierwissen? – Einfache Agent*innen kannst du mit JSON‑Konfigs und wenig Code bauen. Für komplexe Tools ist Programmierwissen hilfreich.

Welche Risiken gibt es? – Datenschutz, Halluzinationen, Kosten. Mit Policies, Logging und Quellprüfung reduzierbar.

FAQ‑Markup:

<script type="application/ld+json">
{
  "@context": "https://schema.org",
  "@type": "FAQPage",
  "mainEntity": [
    {
      "@type": "Question",
      "name": "Was ist der Unterschied zwischen Chatbot, Assistent und KI‑Agent*in?",
      "acceptedAnswer": {"@type": "Answer", "text": "Chatbots sind regelbasiert, Assistenten reagieren, Agent*innen handeln mit Planung, Tools und Gedächtnis."}
    },
    {
      "@type": "Question",
      "name": "Brauche ich Programmierwissen?",
      "acceptedAnswer": {"@type": "Answer", "text": "Mit JSON‑Konfigurationen und wenig Code startest du schnell; komplexe Tools erfordern mehr Programmierwissen."}
    },
    {
      "@type": "Question",
      "name": "Welche Risiken gibt es?",
      "acceptedAnswer": {"@type": "Answer", "text": "Datenschutz, Halluzinationen, Kosten; mindere sie mit Policies, Logging und Quellprüfung."}
    }
  ]
}
</script>

Hinweis zur KI‑Transparenz

Dieser Beitrag wurde KI‑unterstützt (Agent‑Workflow) erstellt und redaktionell geprüft.

Entdecke mehr von Der KI Kompass für Studierende

Melde dich für ein Abonnement an, um die neuesten Beiträge per E-Mail zu erhalten.

Support this blogging project voluntarily with just 1 EUR per month

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert