Agentic AI Dynamics: Die Zukunft der Datenabfrage

In einer Welt, in der die Datenmengen stetig wachsen, kann es sich anfühlen, wie die Suche nach der Nadel im Heuhaufen, die richtigen Informationen zur richtigen Zeit zu finden. Aus diesem Grund haben wir uns entschieden, eine Agentic KI-interne Suchmaschine zu entwickeln – ein System, das mehrere spezialisierte Agenten verwendet, um die relevantesten Antworten aus verschiedenen Datenquellen abzurufen und zusammenzustellen.

In diesem Blog nehmen wir Sie mit auf eine Tour, wie diese Agenten interagieren, wie der Informationsfluss gesteuert wird und warum ein Agentic-KI-Ansatz den entscheidenden Unterschied bei der Bereitstellung schneller, genauer Ergebnisse machen kann. 

Bevor wir mit diesem Blog fortfahren: Wenn Sie an fortschrittlichen KI-Dienstleistungen interessiert sind, die auf Ihr Unternehmen zugeschnitten sind, sowie an ethischen, wachstumsorientierten KI-Lösungen, werfen Sie einen Blick auf unser Angebot.

Unsere verantwortungsvollen KI-Dienstleistungen kennenlernen

Lassen Sie uns untersuchen, wie der Agentic-KI-Ansatz funktioniert!

Agentic AI: Wie die Teile zusammenpassen 

Agentic-KI-Workflows sind KI-gesteuerte Prozesse, in denen autonome KI-Agenten Entscheidungen treffen, Maßnahmen ergreifen und Aufgaben mit minimalem menschlichen Eingriff bearbeiten. Diese Workflows nutzen wichtige Eigenschaften intelligenter Agenten, wie z. B. logisches Denken, Planung und die Verwendung von Tools, um komplexe Aufgaben effizient auszuführen.

Traditionelle Automatisierungstechniken, wie z. B. Robotic Process Automation (RPA), sind auf festgelegte Regeln und vordefinierte Muster angewiesen, wodurch sie für sich wiederholende Aufgaben, die einem konsistenten Format folgen, effektiv sind. Im Gegensatz dazu sind Agentic-KI-Workflows flexibler, sodass sie sich an Echtzeitdaten und unerwartete Situationen anpassen können.

Sie gehen komplexe Probleme schrittweise und iterativ an, sodass KI-Agenten Geschäftsprozesse dekonstruieren, sich in Echtzeit anpassen und ihre Maßnahmen im Laufe der Zeit verbessern können.

Kurz gesagt, der Agentic-KI-Flow bezieht sich darauf, wie mehrere Agenten zusammenarbeiten, von denen sich jeder auf eine bestimmte Aufgabe spezialisiert hat, um eine nahtlose Benutzererfahrung zu erzielen.

Hier ist eine kurze Momentaufnahme unseres Agentic-KI-Suchmaschinen-Flows: 

Bei jedem Schritt stellt der Suchkoordinator sicher, dass der richtige Agent aufgerufen wird, dass die Daten ordnungsgemäß zurückfließen und dass die endgültige Antwort sauber verpackt und an den Benutzer zurückgegeben wird. 

Agentic AI: KI-Agenten und ihre Typen

In der künstlichen Intelligenz (KI) wird ein Workflow als nicht-agentisch betrachtet, wenn ihm ein KI-Agent fehlt. Ein KI-Agent ist ein System oder Programm, das selbstständig Aufgaben für einen Benutzer oder ein anderes System ausführen kann, indem es seinen eigenen Workflow erstellt und die ihm zur Verfügung stehenden Tools verwendet.

Der Kern von Agentic-KI-Workflows basiert auf KI-Agenten, die verbesserte Formen großer Sprachmodelle (LLMs) sind. Diese Agenten sind so konzipiert, dass sie bestimmte Persönlichkeiten, Rollen oder Funktionen verkörpern, von denen jede ihre eigenen Merkmale besitzt. Sie gehen über die Standard-KI-Fähigkeiten hinaus, indem sie nicht nur reagieren, sondern auch aktiv mit verschiedenen Tools und Ressourcen interagieren. Diese Flexibilität ermöglicht es ihnen, zahlreiche Aufgaben auszuführen, wie z. B. das Durchführen von Websuchen, das Ausführen von Code und das Bearbeiten von Bildern, wodurch die Nützlichkeit und der Umfang großer Sprachmodelle erheblich erweitert werden.

Hier sind die KI-Agenten, die wir in unserer Anwendung erstellt haben:

1. Suchkoordinator: Der Orchestrator-Agent 

Der Suchkoordinator, der als Orchestrator-Agent fungiert, steht im Zentrum dieses Agentic-KI-Systems. Wenn ein Benutzer eine Anfrage eingibt, greift der Suchkoordinator ein: 

1. Interpretiert die Anfrage: Er verwendet ein LLM (Large Language Model), um die Frage des Benutzers zu analysieren und herauszufinden, welche Art von Informationen angefordert wird.  

2. Entscheidet, welcher Agent eingesetzt werden soll:

• Wird die Anfrage am besten von einer kleinen lokalen Datenbank beantwortet?

• Einem riesigen Enterprise Data Warehouse?

• Einer externen Webquelle?

• Oder liegt die Antwort in unstrukturierten Dokumenten?

Durch die Analyse der Art der Anfrage leitet der Suchkoordinator sie dynamisch an den entsprechenden spezialisierten Agenten weiter.

Lesen Sie auch:

1. Erklärbare KI-Tools: Die Macht von SHAP in der KI 

2. KI-Fairness: Ein tiefer Einblick in Microsofts Fairlearn Toolkit

3. KI-Chatbot: Entwicklung mit Präzision und Persönlichkeit

4. Digitale Marketingtrends: KI vs. menschliche Texter

2. SQL-Agenten: Kleine vs. große Datenbank

Kleiner Datenbankagent 

Wenn der Suchkoordinator feststellt, dass eine Anfrage von einer kleinen lokalen Datenbank beantwortet werden kann, delegiert er die Anfrage an einen spezialisierten SQL-Agenten für kleine Datenbanken. Dieser Agent: 

• Verwendet die großen Sprachmodelle, um die Anfrage des Benutzers zu interpretieren und zu identifizieren, welche Spalten oder Tabellen relevant sind.  

• Generiert eine SQL-Abfrage, die für eine kleine Datenbank optimiert ist.  

• Führt die Abfrage aus und gibt die Ergebnisse zurück.  

• Übergibt die Daten an die großen Sprachmodelle, die sie dann in eine benutzerfreundliche Antwort formatieren. 

Großer Datenbankagent 

Für komplexere Unternehmensdaten sendet der Suchkoordinator die Anfrage an einen SQL-Agenten für große Datenbanken. Dieser Agent: 

• Klassifiziert, welche Kategorien oder Tabellen (möglicherweise aus Hunderten) relevante Informationen enthalten könnten.  

• Verwendet eine Python-Funktion, um diese Kategorien den richtigen Tabellen zuzuordnen.  

• Erstellt eine robustere SQL-Abfrage, die auf den Abruf großer Datenmengen zugeschnitten ist.  

• Führt die Abfrage aus, sammelt die Ergebnisse und gibt sie zur endgültigen Verarbeitung durch die großen Sprachmodelle zurück. 

In beiden Szenarien ist jeder SQL-Agent laserfokussiert auf seinen Bereich, um optimale Leistung und Genauigkeit zu gewährleisten. 

Beispiel: Joe besitzt eine kleine Bäckerei in seiner Nachbarschaft und verwendet eine einfache Datenbank, um Kundenbestellungen zu verfolgen. Eines Morgens möchte er wissen: „Wie viele Bestellungen hat John Doe letzten Monat aufgegeben?“ Sein System verwendet einen Agentic-KI-Flow, um solche Anfragen zu bearbeiten. Da die Daten seiner Bäckerei klein und einfach sind, delegiert der Suchkoordinator die Aufgabe schnell an den Kleinen Datenbankagenten. Dieser Agent interpretiert die Frage mithilfe eines Sprachmodells, identifiziert die relevanten Tabellen (wie Kunden und Bestellungen), erstellt eine schnelle SQL-Abfrage, führt sie aus und gibt das Ergebnis zurück: „John hat letzten Monat 3 Bestellungen aufgegeben.“ Stellen Sie sich nun vor, Joe expandiert und eröffnet mehrere Bäckereifilialen im ganzen Land, wobei er ein komplexes Unternehmenssystem mit Millionen von Datensätzen verwendet. Er stellt die gleiche Frage. Diesmal erkennt der Suchkoordinator die Komplexität und übergibt die Anfrage an den Großen Datenbankagenten. Dieser Agent klassifiziert, welche Datentypen benötigt werden, ordnet sie den richtigen Tabellen zu (von denen es jetzt Hunderte geben könnte) und erstellt eine robuste Abfrage, um standortübergreifend zu suchen. Er ruft die Daten ab und gibt sie an das Sprachmodell zurück, das antwortet: „John hat letzten Monat 154 Bestellungen in allen Ihren Bäckereifilialen aufgegeben.“ In beiden Fällen wird der richtige KI-Agent basierend auf der Datengröße aktiviert, um sicherzustellen, dass Joe immer schnelle, genaue Antworten erhält, egal ob sein Unternehmen klein oder landesweit ist.

3. Websuchagent: Externe Quellen anzapfen 

Nicht alles befindet sich in Ihren internen Datenbanken. Manchmal findet man die beste Antwort in öffentlichen Daten oder Echtzeitnachrichten. Hier kommt der Websuchagent ins Spiel: 

• Der Suchkoordinator entscheidet, dass externe Daten benötigt werden – vielleicht ist die Frage des Benutzers zeitkritisch oder betrifft Themen, die intern nicht behandelt werden.  

• Die Anfrage wird an den Websuchagenten weitergeleitet, der externe Suchmaschinen (wie Google oder eine benutzerdefinierte API) anzapft.  

• Der Agent ruft die Ergebnisse ab und gibt sie an die großen Sprachmodelle zurück.  

• Die großen Sprachmodelle destillieren diese Suchausschnitte dann zu einer prägnanten, genauen Zusammenfassung. 

Dieser Agentic-KI-Ansatz für externe Daten stellt sicher, dass Ihre interne Suchmaschine relevant bleibt, selbst bei Anfragen, die über Ihre internen Datenquellen hinausgehen. 

Beispiel: Da Joes Bäckereigeschäft weiter wächst, expandiert er nicht nur lokal, sondern auch in neue Städte mit unterschiedlichen Trends und Kundenpräferenzen. Eines Tages fragt sich Joe: „Was sind die Top-Desserttrends in diesem Sommer in New York?“ Seine interne Datenbank enthält keine solchen Marktinformationen, daher erkennt der Suchkoordinator, dass es sich um eine Anfrage handelt, die über interne Daten hinausgeht. Er delegiert die Aufgabe schnell an den Websuchagenten. Dieser Agent greift auf öffentliche Quellen zu – wie Google, Food-Blogs und Branchenberichte –, ruft die relevantesten und aktuellsten Inhalte ab und gibt sie zurück. Das Sprachmodell verarbeitet diese Informationen dann und liefert Joe eine klare, prägnante Antwort, wie z. B.: „In diesem Sommer gehören zu den Top-Desserttrends in New York Mochi-Donuts, Matcha-Gebäck und gefrorene Pudding-Sandwiches.“ Dank des Websuchagenten kann Joe datengestützte Entscheidungen treffen, die mit der Marktnachfrage übereinstimmen – selbst wenn sich diese Daten außerhalb seiner Systeme befinden. Dies stellt sicher, dass seine Bäckerei an jedem Standort, an dem er tätig ist, innovativ und wettbewerbsfähig bleibt.

 

4. RAG-Agent: Retrieval-Augmented Generation für Dokumente 

Viele Organisationen besitzen eine große Anzahl unstrukturierter Dokumente, wie z. B. PDFs, Word-Dateien und Präsentationen, die wichtige Informationen enthalten. Hier spielt der RAG-Agent eine entscheidende Rolle:

• Die Anfrage des Benutzers wird an den RAG-Agenten übergeben, der eine Vektorsuche in einer Vektordatenbank verwendet.  

• Jedes Dokument wurde in einen Vektor (eine Einbettung) umgewandelt, ebenso wie die Anfrage des Benutzers.  

• Durch den Vergleich dieser Vektoren identifiziert der Agent die Dokumente (oder Passagen), die für die Anfrage am relevantesten sind.  

• Der ausgewählte Text wird dann in die großen Sprachmodelle eingespeist, die ihn zu einer klaren, zusammenhängenden Antwort zusammenfassen. 

Der RAG-Agent erschließt Erkenntnisse, die in unstrukturierten Daten verborgen sind, und macht sie so durchsuchbar wie eine gut strukturierte Datenbank.

Beispiel: Da Joes Bäckereikette expandiert, beginnt er, viele interne Dokumente zu sammeln – Schulungshandbücher, Lieferantenverträge, saisonale Rezept-PDFs und Präsentationsdecks von vergangenen Strategiemeetings. Eines Tages möchte Joe wissen: „Welche Verpackungsrichtlinien haben wir letztes Jahr für die Weihnachtsplätzchenlinie festgelegt?“ Diese Informationen befinden sich nicht in einer Datenbank – sie sind in einem langen PDF-Bericht von einem Teammeeting vor Monaten vergraben. Der Suchkoordinator erkennt dies und übergibt die Anfrage an den RAG-Agenten (Retrieval-Augmented Generation). Der RAG-Agent greift auf eine Vektordatenbank zu, in der alle Dokumente vorverarbeitet und in Vektoreinbettungen umgewandelt wurden. Er wandelt auch Joes Anfrage in einen Vektor um und vergleicht ihn mit den gespeicherten, um die relevantesten Passagen zu finden. Sobald er den Abschnitt im PDF findet, in dem die Verpackungsrichtlinien erwähnt wurden, sendet er diesen Inhalt an das Sprachmodell. Das LLM fasst es dann zu einer übersichtlichen Antwort für Joe zusammen: „Die endgültige Verpackung enthielt recycelbare rote Schachteln mit goldenen Bändern, mit Allergenetiketten und QR-Codes für Online-Nachbestellungen.“ Dank des RAG-Agenten kann Joe nun sofort wichtige Entscheidungen abrufen, die in Stapeln unstrukturierter Dokumente verborgen sind, und so vergrabenes Wissen in umsetzbare Erkenntnisse verwandeln.

 

Agentic AI: Speicher- und LangChain-Tools 

Bevor wir tiefer in die Agenten selbst eintauchen, sprechen wir über zwei wichtige unterstützende Komponenten: 

• Speicher: Hier verfolgt das System den Kontext des Gesprächs. Wenn ein Benutzer eine Anfrage verfeinert oder aktualisiert, hilft der Speicher dem Suchkoordinator und den anderen Agenten, sich daran zu erinnern, was zuvor gefragt wurde.  

• LangChain-Tools: LangChain ist ein leistungsstarkes Framework, das es einfacher macht, Anwendungen auf Basis großer Sprachmodelle zu erstellen. Es hilft bei der Orchestrierung von Prompt-Vorlagen, der Verwaltung von Gesprächsflüssen und der Koordination der verschiedenen Agenten, um sicherzustellen, dass jeder Schritt im Agentic-KI-Flow klar und gut definiert ist. 

Agentic AI mit Speicher und LangChain-Tools, die im Hintergrund arbeiten, kann sich der Suchkoordinator darauf konzentrieren, Aufgaben an die richtigen Agenten zu delegieren, ohne den vorherigen Kontext aus den Augen zu verlieren.

Bevor wir mit diesem Blog fortfahren: Wenn Sie nach maßgeschneiderten fortschrittlichen KI-Dienstleistungen und -Lösungen für Ihr Unternehmen suchen, sehen Sie sich unser Angebot an.

Unsere verantwortungsvollen KI-Dienstleistungen kennenlernen

Lassen Sie uns nun fortfahren!

Agentic AI: Alles zusammenfügen 

Wenn Sie herauszoomen, sehen Sie, wie jeder Agent – SQL (klein und groß), Websuche und RAG – unter der Anleitung des Suchkoordinators zusammenarbeitet: 

• Suchkoordinator: Interpretiert die Anfrage, entscheidet über die beste Route.  

• Speicher: Behält den Kontext bei, insbesondere bei Folgeanfragen.  

• SQL-Agenten: Rufen strukturierte Daten aus kleinen oder großen Datenbanken ab.  

• Websuchagent: Sammelt externe Informationen.  

• RAG-Agent: Ruft relevante Passagen aus unstrukturierten Dokumenten ab.  

• Große Sprachmodelle: Synthetisieren die Daten und verwandeln Rohinformationen in ausgefeilte Antworten. 

Dies ist das Wesen eines Agentic-KI-Flows – ein sorgfältig choreografiertes System, in dem jeder Agent eine bestimmte Rolle spielt, aber alle nahtlos zusammenarbeiten. 

Agentic AI: Gelernte Lektionen und zukünftige Richtungen 

Der Aufbau einer Agentic-KI-internen Suchmaschine war eine Lernerfahrung in Bezug auf Modularität, Kontextbeibehaltung und Entscheidungsfindung. Einige Highlights: 

• Modularität: Die Aufteilung der Verantwortlichkeiten auf verschiedene Agenten hält das System wartbar und einfacher zu aktualisieren.  

• Kontextbeibehaltung: Die Speicherkomponente stellt sicher, dass mehrstufige oder sich entwickelnde Anfragen den Kontext nicht verlieren.  

• Skalierbare Orchestrierung: Die Agentic-KI-Entscheidungsfindung des Suchkoordinators hilft dem System, sich an alles anzupassen, von kleinen Anfragen bis hin zu groß angelegten Unternehmensanfragen.  

• Zukünftige Verbesserungen: Wir erforschen fortschrittlichere Klassifizierungstechniken und sogar Reinforcement Learning, um den Agentic-KI-Flow im Laufe der Zeit noch intelligenter und intuitiver zu gestalten. 

Lesen Sie auch:

1. AIOps: Verwendung von künstlicher Intelligenz in DevOps

2. Veränderung von Unternehmen durch künstliche Intelligenz und Drupal

3. Top 2018 Drupal-Module mit künstlicher Intelligenz

4. Drupal-Rezeptmodul: Was ist es und wie funktioniert es?

Wichtige Erkenntnisse

1. Auf den ersten Blick mag diese Agentic-KI-interne Suchmaschine wie ein einfaches Suchfeld aussehen. Aber unter der Haube arbeitet ein Netzwerk spezialisierter Agenten harmonisch zusammen.

2. Ein Agentic-KI-Flow, bei dem jeder Agent eine bestimmte Art von Aufgabe übernimmt – wir können schnelle, genaue Antworten für eine Vielzahl von Anfragen liefern, egal ob es sich um kleine Datenbanken, riesige Data Warehouses, externe Websites oder unstrukturierte Dokumente handelt. 

3. Klarheit darüber, wie ein Agentic-KI-Ansatz Ihre interne Suche revolutionieren kann.

4. Der Speicher überwacht den Kontext des Gesprächs. Wenn ein Benutzer eine Anfrage ändert, unterstützt er den Suchkoordinator und andere Agenten dabei, sich daran zu erinnern, was zuvor besprochen wurde.

5. LangChain hilft bei der Organisation von Prompt-Vorlagen, der Überwachung von Gesprächsflüssen und der Koordinierung verschiedener Agenten, um sicherzustellen, dass jede Phase im Agentic-KI-Prozess klar und gut strukturiert ist.