🏗️ Vom QA-Bot zum Task-Agent: Ein Architekturleitfaden

TL;DR: Hören Sie auf, Chatbots zu bauen, die nur Fragen beantworten. Beginnen Sie mit der Entwicklung von Task-Agenten, die tatsächlich Arbeit verrichten.

Dieser Leitfaden erklärt den architektonischen Wandel von monolithischen QA-Bots zu Task-Agenten mit statischen Regeln, dynamischen Fähigkeiten und deterministischen Hooks – mit konkreten Codebeispielen und Open-Source-Referenzen.

Abbildung einer Task-Agent-Systemarchitektur, die die Interaktion zwischen verschiedenen Komponenten zeigt

1. Die grundlegende Veränderung: Vom QA-Bot zum Task-Agenten

Die meisten KI-Systeme sind heute immer noch kontextüberladene QA-Bots:

• Sie beantworten Fragen gut

• Sie halluzinieren unter Druck

• Sie bieten keine Garantien für Ausführung, Sicherheit und Konsistenz

💡 Die zentrale Erkenntnis: Skalieren Sie nicht den Kontext. Strukturieren Sie ihn.

2. Die Drei-Schichten-Architektur

🧱 1. Statischer Kontext — Regeln (Immer aktiv)

•Mentales Modell: Mitarbeiterhandbuch
•Immer geladen
•Definiert Identität, Codierungsstandards, Verhaltensrichtlinien
•Verhindert Halluzinationen und Stilabweichungen
•Klein, stabil, von Menschen bearbeitbar

🛠️ 2. Dynamischer Kontext — Fähigkeiten (Bei Bedarf)

•Mentales Modell: Werkzeugkasten
•Wird nur bei Bedarf geladen
•Jede Fähigkeit ist eine eigenständige Funktion
•Hält das Kontextfenster sauber

⚓ 3. Deterministische Hooks — Leitplanken

•Mentales Modell: Sicherheits- und Compliance-Schicht
•Nicht probabilistisch
•Läuft vor/nach der LLM-Verarbeitung
•Erzwingt Regeln, die niemals fehlschlagen dürfen

3. Empfohlene Projektstruktur

mein-task-agent/
├── .cursorrules
├── main.py
├── tools/
│   └── linear_mcp.py
└── README.md

4. Beispiel für statischen Kontext: .cursorrules

# ROLLE
Sie sind ein erfahrener Python-Entwickler mit Fokus auf produktionsreife Systeme.

# REGELN
- NIEMALS print() zum Debuggen verwenden
- Funktionen IMMER typisieren
- Bei Änderungen an >3 Dateien einen Plan vorschlagen

# VERHALTEN
- Seien Sie prägnant
- Stellen Sie bei Bedarf klärende Fragen

Referenz: https://github.com/PatrickJS/awesome-cursorrules

5. Beispiel für eine dynamische Fähigkeit (MCP)

from mcp.server.fastmcp import FastMCP

mcp = FastMCP("DevTools")

@mcp.tool()
def create_linear_ticket(title: str, priority: str = "low") -> str:
    ticket_id = f"LIN-{hash(title) % 10000}"
    return f"Erstellt Ticket {ticket_id} mit Priorität={priority}"

if __name__ == "__main__":
    mcp.run()

Referenz: https://github.com/modelcontextprotocol/python-sdk

6. Beispiel für einen deterministischen Hook

def compliance_check_hook(state):
    user_input = state["messages"][-1].content.lower()
    if "passwort" in user_input or "api_key" in user_input:
        return {"error": "Sicherheitsverletzung erkannt"}
    return agent_node(state)

Referenz: https://langchain-ai.github.io/langgraph/

Wenn Ihr Agent nur Fragen beantwortet, ist es ein Chatbot. Wenn er zuverlässig Arbeit ausführt, ist es ein Task-Agent.

AI Architecture