Modulare Agenten-KI: Wie spezialisierte Systeme komplexe Probleme lösen und Arbeitsabläufe automatisieren

Die Diskus­sion um agen­ten­basierte KI-Sys­teme hat in let­zter Zeit an Dynamik gewon­nen. Diese Sys­teme arbeit­en ähn­lich wie men­schliche Teams zusam­men, um kom­plexe Auf­gaben zu lösen, indem spezial­isierte Agen­ten Dat­en analysieren, pla­nen und Maß­nah­men ergreifen. In dem Beitrag Design­ing a Scal­able Mul­ti-Agent AI Sys­tem for Oper­a­tional Intel­li­gence beschreibt Anub­ha Bhaik den Bau eines Pro­to­typs für ein solch­es Sys­tem, das speziell für Her­aus­forderun­gen in glob­alen Organ­i­sa­tio­nen entwick­elt wurde, wie die Analyse von Log­dateien, die Iden­ti­fika­tion von Per­for­mance-Prob­le­men und die automa­tis­che Erstel­lung von Inci­dent-Tick­ets.

Warum mod­u­lare Intel­li­genz notwendig ist

Tra­di­tionelle Automa­tisierung scheit­ert oft bei unvorherse­hbaren und kom­plex­en Prob­le­men. Mod­u­lare KI-Sys­teme set­zen stattdessen auf spezial­isierte Agen­ten:

• Log-Agent: Analysiert Log­dateien.
• Code-Agent: Kor­re­lierte Fehler mit Code und schlägt Lösun­gen vor.
• Daten­bank-Agent: Prüft Per­for­mance-Dat­en.
• Inci­dent-Agent: Sucht in his­torischen Dat­en nach ähn­lichen Fehlern.
• JIRA-Agent: Erstellt automa­tisiert Tick­ets mit allen rel­e­van­ten Details.

Diese mod­u­laren Sys­teme sind flex­i­bel, leicht anpass­bar und ermöglichen, einzelne Kom­po­nen­ten unab­hängig zu testen.

Funk­tion­sweise eines Agen­ten-Sys­tems

Ein orchestri­eren­der Haup­ta­gent leit­et Anfra­gen an spezial­isierte Agen­ten weit­er. Beispiel:

• Eine Anfrage wie „Warum schlägt Task ID TID65738 fehl?“ löst eine Kette aus:
  • Der Log-Agent analysiert die Fehlerur­sache in den Logs.
  • Der Code-Agent sucht nach passenden Code-Stellen und schlägt Lösun­gen vor.
  • Falls erforder­lich, erstellt der JIRA-Agent ein Tick­et.

Andere Szenar­ien umfassen Per­for­mance-Analy­sen, his­torische Fehler­berichte und Work­flow-Opti­mierun­gen.

Tech­nis­che Umset­zung

Der Pro­to­typ wurde mit Seman­tic Ker­nel und Azure-Dien­sten real­isiert. Seman­tic Ker­nel orchestri­ert die Zusam­me­nar­beit der Agen­ten:

• Asyn­chrone Agen­ten-Chains: Ergeb­nisse eines Agen­ten fließen als Kon­text in die Arbeit ander­er ein.
• Seman­tis­che Suche im Code: Mith­il­fe von Vek­tor­daten­banken wer­den rel­e­vante Code-Snip­pets effizient iden­ti­fiziert.

Ein Beispiel zeigt, wie Agen­ten schrit­tweise Auf­gaben bear­beit­en:

1. Der Log-Agent extrahiert Fehlerzusam­men­fas­sun­gen.
2. Der Code-Agent analysiert rel­e­vante Codeauss­chnitte und schlägt Lösun­gen vor.

Inte­gra­tion in Arbeitsabläufe

Das Sys­tem wurde in Microsoft Teams inte­gri­ert, wo Benutzer Anfra­gen in natür­lich­er Sprache stellen kön­nen. Über Pow­er Auto­mate wird die Anfrage an das Back­end weit­ergeleit­et, das die Agen­ten orchestri­ert und Ergeb­nisse (inkl. Diag­nose, Lösungsvorschlä­gen oder JIRA-Tick­ets) zurück­sendet.

Faz­it

Das mod­u­lare, agen­ten­basierte Sys­tem reduziert die Zeit für Fehler­analy­sen drastisch und ermöglicht es, sich auf die Prob­lem­lö­sung zu konzen­tri­eren. Durch die Kom­bi­na­tion von LLMs, Seman­tic Ker­nel und Unternehmens-Tools wie Teams und Pow­er Auto­mate dient das Sys­tem als intel­li­gen­ter Assis­tent, der kom­plexe Prob­leme schnell und effizient löst. Solche Sys­teme kön­nten in Zukun­ft eine Schlüs­sel­rolle in der Ver­wal­tung kom­plex­er tech­nis­ch­er Umge­bun­gen spie­len.