Agenten

Ein Agent lässt das Modell selbst entscheiden, was als Nächstes zu tun ist. Bei denselben drei Fragen lag ein fester Ablauf mit 1 Aufruf richtig, der Agent brauchte 3 bis 4. Der Unterschied zwischen beiden, die Kosten eines Agenten und eine Checkliste für die Entscheidung, ob man einen braucht.

Ohne Framework einen Agenten in gut hundert Zeilen schreiben – Tool-Registrierung, Aufrufschleife, Stoppbedingungen, Fehlerbehandlung. Erst offline mit einem Scheinmodell testen, das ein Drehbuch abspielt, dann ein echtes Modell einsetzen und zusehen, wie es selbst entscheidet, was es nachschlägt.

Dieselben drei Tools mit vagen Namen und Beschreibungen – das Modell wählt in 30 Versuchen nur 14-mal richtig; klar beschrieben 30 von 30. Wie man Name, Beschreibung, Parameter, Rückgabewert und Fehlermeldung eines Tools jeweils schreibt.

Dieselbe mehrstufige Aufgabe, drei Vorgehensweisen im Vergleich – direkt erledigen, erst einen Plan erstellen und dann erledigen, nach dem Erledigen selbst prüfen. Der Plan kostete doppelt so viel bei etwa gleichem Ergebnis; die Selbstprüfung fand tatsächlich zwei Fehler bei den Quellenangaben, kostete aber viermal so viel.

Das Kurzzeitgedächtnis eines Agenten ist die Nachrichtenliste; ein Langzeitgedächtnis muss man selbst speichern und bei Bedarf wieder abrufen. Wir geben dem Agenten die zwei Tools „merken“ und „erinnern“ und zeigen, wie er in einem völlig neuen Gespräch Fakten nutzt, die er sich beim letzten Mal gemerkt hat.

Ein Leiter-Agent zerlegt die Aufgabe, übergibt sie an drei Arbeiter-Agenten mit getrenntem Kontext, die parallel arbeiten, und fasst die Ergebnisse zusammen. Verglichen mit einem einzelnen Agenten ein Drittel weniger Tokens, und der Kontext des Leiters hat nur 472 Tokens. Was Mehr-Agenten-Systeme wirklich bringen und was sie kosten.

Mit dem offiziellen Python-SDK einen minimalen MCP-Server schreiben, der zwei Tools zum Nachschlagen in der httpx-Dokumentation bereitstellt; dann einen Client, der sich damit verbindet, und DeepSeek diese Tools über MCP aufrufen lassen, um Fragen zu beantworten.

Ein echtes, reproduzierbares Experiment zu indirekter Prompt-Injection – eine Webseite versteckt „Anweisungen“ an die KI. Ein Modell fällt nie darauf herein, das andere 4-mal, obwohl der Prompt es ausdrücklich verbietet; nur eine Bestätigung auf Programmebene hielt alles auf.

RepoBot wird zu einem Agenten – erst in der Dokumentation nachschlagen, und steht es dort nicht, im Quellcode von httpx suchen. Standardwerte und Ausnahmelogik, an denen v2 scheiterte, beantwortet v3 richtig, mit Datei und Zeilennummer im Quellcode.