🏗️ 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.
1. Die grundlegende Veränderung: Vom QA-Bot zum Task-Agenten
Die meisten KI-Systeme von heute sind immer noch kontextgefüllte QA-Bots:
• Sie beantworten Fragen gut
• Sie halluzinieren unter Druck
• Es fehlen Garantien bezüglich 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)
- •Gedankenmodell: Mitarbeiterhandbuch
- •Immer geladen
- •Definiert Identität, Codierungsstandards, Verhaltensbeschränkungen
- •Verhindert Halluzinationen und Stildrift
- •Klein, stabil, von Menschen bearbeitbar
🛠️ 2. Dynamischer Kontext — Fähigkeiten (Bei Bedarf)
- •Gedankenmodell: Werkzeugkasten
- •Nur bei Bedarf geladen
- •Jede Fähigkeit ist eine in sich geschlossene Fähigkeit
- •Hält das Kontextfenster sauber
⚓ 3. Deterministische Hooks — Schutzgeländer
- •Gedankenmodell: Sicherheits + Compliance-Schicht
- •Nicht probabilistisch
- •Läuft vor / nach LLM-Reasoning
- •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-sdk6. 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.
