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.
1. Das Konzept der Abstraktion
Abschnitt betitelt „1. Das Konzept der Abstraktion“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.
Szenario A: Agent als LLM (Standard)
Abschnitt betitelt „Szenario A: Agent als LLM (Standard)“Der Agent nutzt ein KI-Modell und Werkzeuge (Tools), um eine Antwort zu generieren. Er “denkt” frei über die Lösung nach.
Szenario B: Agent als Chain (Deterministisch)
Abschnitt betitelt „Szenario B: Agent als Chain (Deterministisch)“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_Monitorkann morgen eine Chain, übermorgen ein Python-Skript und nächste Woche wieder ein reines LLM sein.
2. Delegation vs. Direkter Aufruf
Abschnitt betitelt „2. Delegation vs. Direkter Aufruf“Das Tool delegate-to-agent verlangt immer agent und input; task und chain sind optional. Was ausgeführt wird, entscheidet eine feste Präzedenz:
- Expliziter, matchender Task — wurde
taskangegeben 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 benanntechain. - Chain — ohne matchenden Task läuft die Chain:
- ist zusätzlich
chainbenannt, 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.
- ist zusätzlich
- 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
taskangegeben, 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.
2.1 Delegation an Agent/Task (Empfohlen)
Abschnitt betitelt „2.1 Delegation an Agent/Task (Empfohlen)“{ "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
taskgriffe die Default-Chain des Agenten (sofern vorhanden), sonst ein LLM-Aufruf. - Einsatz: Standard-Delegation zwischen Agenten.
2.2 Spezifische Chain erzwingen
Abschnitt betitelt „2.2 Spezifische Chain erzwingen“{ "agent": "Tank_Monitor", "chain": "Tank_Monitor_Chain", "input": "..."}- Logik:
agentwird wie immer aufgelöst;chainwählt die Chain, die gebunden ausgeführt wird — anstelle der Default-Chain des Agenten. Ein matchender Task hätte dennoch Vorrang (dafürtaskweglassen). 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.
3. Dynamische Ketten-Wahl (Fortgeschritten)
Abschnitt betitelt „3. Dynamische Ketten-Wahl (Fortgeschritten)“Wenn ein Sub-Agent entscheiden soll, welche von mehreren Ketten er nutzt, wird er als LLM-Agent konfiguriert und erhält das Tool execute-chain.
- Master delegiert an Sub-Agent (LLM).
- Sub-Agent analysiert die Anfrage.
- Sub-Agent ruft Tool
execute-chain(name="Kette_A")oderexecute-chain(name="Kette_B")auf.
Dies ermöglicht eine intelligente Vor-Auswahl technischer Prozesse durch eine KI.
4. Best Practices für Chains
Abschnitt betitelt „4. Best Practices für Chains“- 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 finalefinalize-Schritt sollte seine Antwort streamen.