Zum Inhalt springen

Deep Dive: Agent-zu-Chain Bindung & Delegation

Dieses Dokument erklärt die Architektur-Entscheidung hinter der Bindung von Agenten an Ketten (Chains) und wie Ontheia Delegation vs. direkte Aufrufe handhabt.

In Ontheia dient ein Agent als stabiles Interface (Identität). Wie dieser Agent seine Aufgabe erfüllt, kann sich im Hintergrund ändern, ohne dass der aufrufende Master-Agent angepasst werden muss.

Der Agent nutzt ein KI-Modell und Werkzeuge (Tools), um eine Antwort zu generieren. Er “denkt” frei über die Lösung nach.

Der Agent ist mit einer Kette verknüpft (app.agent_chains). Sobald dieser Agent delegiert wird, führt Ontheia keinen KI-Prompt aus, sondern startet sofort den ChainRunner für die verknüpfte Kette.

Vorteile:

  • Stabilität: Der Master-Agent muss nur wissen: “Frag den Tank-Monitor nach dem Wasserstand”.
  • Flexibilität: Die Implementierung von Tank_Monitor kann morgen eine Chain, übermorgen ein Python-Skript und nächste Woche wieder ein reines LLM sein.

Das Tool delegate-to-agent verlangt immer agent und input; task und chain sind optional. Was ausgeführt wird, entscheidet eine feste Präzedenz:

  1. Expliziter, matchender Task — wurde task angegeben und existiert der Task für diesen Agenten, läuft der Task: ein LLM-Aufruf mit dem Task-Kontext. Er schlägt jede Chain vor — die Default-Chain des Agenten ebenso wie eine benannte chain.
  2. Chain — ohne matchenden Task läuft die Chain:
    • ist zusätzlich chain benannt, wird diese Chain ausgeführt (sie muss am Agenten gebunden sein); sie ersetzt die Default-Chain.
    • sonst läuft die Default-Chain des Agenten, falls eine hinterlegt ist.
  3. LLM — ohne Task und ohne Chain startet ein normaler LLM-Aufruf (mit dem Default-Task-Kontext des Agenten, falls vorhanden).

Benannter Task nicht gefunden: Wurde task angegeben, aber kein passender Task am Agenten gefunden, fällt der Lauf auf die Chain (Default oder benannt) zurück und protokolliert den Fallback im Trace — es wird nicht ein Task ausgeführt, den der Aufrufer nie genannt hat.

{
"agent": "Tank_Monitor",
"task": "Status_Check",
"input": "Wie ist der Füllstand?"
}
  • Logik: Der matchende Task gewinnt und läuft als LLM-Aufruf mit dessen Task-Kontext. Ohne task griffe die Default-Chain des Agenten (sofern vorhanden), sonst ein LLM-Aufruf.
  • Einsatz: Standard-Delegation zwischen Agenten.
{
"agent": "Tank_Monitor",
"chain": "Tank_Monitor_Chain",
"input": "..."
}
  • Logik: agent wird wie immer aufgelöst; chain wählt die Chain, die gebunden ausgeführt wird — anstelle der Default-Chain des Agenten. Ein matchender Task hätte dennoch Vorrang (dafür task weglassen). Die Chain muss am Agenten gebunden sein, sonst entfällt sie und der Lauf fällt auf LLM zurück.
  • Einsatz: Wenn für diesen Agenten genau diese technische Prozedur laufen soll, ohne dass die Default-Chain greift.

Wenn ein Sub-Agent entscheiden soll, welche von mehreren Ketten er nutzt, wird er als LLM-Agent konfiguriert und erhält das Tool execute-chain.

  1. Master delegiert an Sub-Agent (LLM).
  2. Sub-Agent analysiert die Anfrage.
  3. Sub-Agent ruft Tool execute-chain(name="Kette_A") oder execute-chain(name="Kette_B") auf.

Dies ermöglicht eine intelligente Vor-Auswahl technischer Prozesse durch eine KI.


  • Branching: Nutze den Schritt-Typ branch, um innerhalb einer Kette auf verschiedene Eingabeparameter zu reagieren (z.B. input.action == 'write').
  • Silent Steps: Markiere technische Zwischenschritte (wie Datenbank-Abfragen oder REST-Calls) als silent: true, um das Chat-Interface des Nutzers nicht mit Rohdaten zu fluten. Nur der finale finalize-Schritt sollte seine Antwort streamen.