Praxisnotiz · KI-Agenten-Engineering
Agenten mit Auftrag.
Ein Agent ist kein Kollege. Er ist ein Zuarbeiter mit klaren Grenzen: ein schriftlicher Auftrag, eine Reihe von Werkzeugen, eine Prüfung, die er bestehen muss, und ein Protokoll darüber, was er getan hat. Diese Grenze baue ich in Forschungssysteme ein – und vermittle sie.
Der Auftrag
Ein Agent ist eine Schleife: lesen, ein Werkzeug wählen, handeln, prüfen, wiederholen.
Das Modell ist eine Komponente; der Auftrag entscheidet, ob die Schleife nützlich ist. Ein Auftrag nennt die Aufgabe, die Systeme, die er umfasst, die Werkzeuge, die Abbruchbedingungen und die unterschreibende Person.
Forschungssoftware ist voller Aktionen, die leicht zu automatisieren und teuer rückgängig zu machen sind: eine Migration, eine Metadaten-Änderung im großen Stil, ein Veröffentlichungsschritt, eine Löschung. Der Auftrag hält sie umkehrbar.
-
Auftrag
Nennt die Aufgabe, die Systeme, die er umfasst, die Werkzeuge und die Abbruchbedingungen.
-
Handeln
Nutzt nur die aufgelisteten Werkzeuge, einen Schritt nach dem anderen.
-
Prüfung
Besteht den schriftlichen Test, bevor etwas übernommen wird.
-
Protokoll
Hinterlässt eine Spur dessen, was er gelesen, ausgeführt und geändert hat.
Die Schleife ist bewusst langweilig. Langweilig ist das Ziel.
Der Werkzeugkasten
Die nützlichen Werkzeuge sind unspektakulär: eine Archiv-API, ein Suchindex, ein Repository-Checkout, eine Testsuite, ein Metadatenschema.
Der DHd-Beitrag von 2026 zur KI-Unterstützung in GAMS fragt, wo der Sweet Spot zwischen der Wiederverwendung vorhandener LLM-Bausteine und dem Eigenbau liegt – und wie sich beides ohne technische Schulden integrieren lässt. Die Lehre, die ich daraus ziehe, ist enger als die Demo: dem Agenten dieselben Schnittstellen geben wie einem Kollegen, und nicht mehr.
Zulässig
- Öffentliche oder lizenzierte Quellen lesen
- Die Archiv-API abfragen
- Code und Tests entwerfen
- Metadaten-Änderungen vorschlagen
- Einen Diff zusammenfassen
Nicht zulässig
- Einträge veröffentlichen oder löschen
- Zitate oder Identifikatoren erfinden
- Lizenzen ändern
- Personenbezogene Daten verarbeiten
- Die eigene Ausgabe freigeben
Ein aufrufbares Tool ist zugleich Angriffsfläche und Prüfpflicht. Die Liste bleibt kurz.
Die Prüfung
Das FAIR-Code-Abstract von 2025 mit Münzer fragt, ob LLM-generierter Code FAIR sein kann.
Nicht ohne Weiteres: generierter Code kommt oft ohne wartbare Struktur, ohne Metadaten und ohne klare Lizenz, was Auffindbarkeit und rechtmäßige Nachnutzung einschränkt. Für die Ausgabe eines Agenten gilt dasselbe, nur schneller.
Die Prüfung ist also eine Schwelle, kein Bauchgefühl.
-
Es läuft durch
Die Aufgabe wird an einer echten Eingabe ausgeführt, nicht an einer Demo.
-
Es ist getestet
Ein Test belegt die Änderung, und dieser Test liegt im Repository.
-
Es ist zurechenbar
Der Prompt, die Quellen und der Diff sind protokolliert.
-
Es ist lizenziert
Jede Abhängigkeit und ihre Bedingungen sind bekannt.
-
Eine Person unterschreibt
Der Commit trägt einen menschlichen Autor, nicht das Werkzeug.
Was ich vermittle
Die Methode ist öffentlich; das Verzeichnis ist der Beleg.
Agenten-Engineering wird als begrenzte Praxis vermittelt, nicht als Werkzeugtour.
- Wo ist der KI-Sweetspot?
- Wo ist der KI-Sweetspot? Nutzen und Herausforderungen für die Einbindung von KI-Assistenzsystemen ins Geisteswissenschaftliche Asset Management System (GAMS)
- Kann LLM generierter Code FAIR sein? Herausforderungen für das Forschungsdatenmanagement
- Einführung in das KI-Agenten-Engineering
- Fortgeschrittenes Prompt und AI Agent Engineering für wissenschaftliche Textproduktion
Die Workshops und Beiträge hinter diesem Verzeichnis wurden gemeinsam mit Münzer, Scholger, Pollin, Steyer und Citro verfasst.