Keine AI-News. Kein LLM-Blog. AI-Playbook.
Baue AI Agents, die Production überleben.
Praktische Patterns, Failure Cases, Architektur und Governance für Agents, die echte Tools aufrufen.
Nicht sicher, welches Pattern du brauchst? Agent gestalten →
Lernen
Start
Das Modell: was ein Agent ist – und wann man keinen nutzt.
5
Angezeigt: 3 / 5
- Was sind KI-Agenten?
- KI-Agenten vs ChatGPT und Workflows: Was ist der Unterschied?
- Wie KI-Agenten Entscheidungen treffen
Alle anzeigen (5) →
Grundlagen
Tool Calling, Memory, Planning vs. Reactive, LLM-Limits.
9
Angezeigt: 3 / 9
- Woraus KI-Agenten bestehen
- Wie KI-Agenten Tools verwenden (Grundlagen)
- Wie KI-Agenten Tools nutzen dürfen
Alle anzeigen (9) →
Agent‑Muster
Production-Patterns für Agents, die du shippen & skalieren kannst.
15
Angezeigt: 3 / 15
- ReAct-Agent-Pattern: Zuverlässige Task-Steuerung
- Task-Decomposition-Agent-Pattern: Komplexe Aufgaben zerlegen
- Routing-Agent-Pattern: Intelligente Aufgabenverteilung
Alle anzeigen (15) →
Umsetzung
Architektur
Production-Stack, Observability, Rate Limits, Operations.
10
Angezeigt: 3 / 10
- Agent Runtime: Kontrolle der Agent-Ausführungsschleife
- Tool Execution Layer: Wie Agenten Tools sicher ausführen
- Memory Layer: Wo Agenten Daten speichern und abrufen
Alle anzeigen (10) →
Agent Governance
Budgets, Approvals, Permissions, Audit Logs — Controls, damit Agents nicht eskalieren.
12
Angezeigt: 3 / 12
- Agent Governance: Kontrolle und Steuerung von KI-Agenten in Production
- RBAC für KI-Agenten: rollenbasierte Zugriffskontrolle ohne Überrechte
- Budgetkontrolle für KI-Agenten: Wie man Ausgaben in Runtime begrenzt
Alle anzeigen (12) →
Beobachtbarkeit
Logs, Traces, Metrics und Alerts — damit Agent-Incidents keine Detektivarbeit werden.
12
Angezeigt: 3 / 12
- Observability für KI-Agenten: Monitoring von Agentensystemen
- Agent Tracing: wie man Agent-Entscheidungen nachverfolgt
- Distributed Tracing für Agenten: Tracing von Multi-Agenten-Systemen
Alle anzeigen (12) →
KI-Agenten testen
Unit Tests, Golden Tasks, Record/Replay und Evals, die Regressionen abfangen, bevor Prod es tut.
7
Angezeigt: 3 / 7
- Teststrategie für KI-Agenten: Tests in Production
- Eval Harness für KI-Agenten: reproduzierbare Evaluierungen
- Golden Datasets: zuverlässige Testdaten für KI-Agenten
Alle anzeigen (7) →
Optimierung
Prompt- und Runtime-Tuning ohne Safety zu zerstören: Latenz, Kosten, Regressionen.
1
Angezeigt: 1 / 1
- Prompt‑Optimierung für KI‑Agenten (ohne Production zu zerlegen)
Alle anzeigen (1) →
Sicherheit
Permissions, Budgets, Kill Switch, Idempotenz, Audit Logs.
1
Angezeigt: 1 / 1
- Tool‑Berechtigungen für KI‑Agenten (mit Code)
Alle anzeigen (1) →
Tools & Integrationen
APIs, Browser, Datenbanken und Automations-Plattformen.
1
Angezeigt: 1 / 1
- Browser Tool for AI Agents (Mit Code)
Alle anzeigen (1) →
Gefahren
Fehler & Lösungen
Reale Failure Modes und wie du sie in Prod stoppst.
15
Angezeigt: 3 / 15
- Warum KI-Agenten scheitern: typische Probleme in Production
- Agent Drift: Wenn KI-Agenten schrittweise den Fokus verlieren
- Infinite Agent Loop: wenn ein KI-Agent nicht stoppt
Alle anzeigen (15) →
Anti-Patterns
Dinge, die in Demos schlau wirken und in Prod zuverlässig wehtun.
12
Angezeigt: 3 / 12
- Anti-Pattern Agent Everywhere: Wenn alles zu einem Agenten wird
- Anti-Pattern Overengineering Agents: zu komplexe Agent-Architektur
- Anti-Pattern Too Many Tools: zu viele Tools für Agenten
Alle anzeigen (12) →
Praxis
Leitfäden
Baue X in 20 Minuten (sicher by default).
1
Angezeigt: 1 / 1
- Baue deinen ersten AI Agent (sicher, mit Code)
Alle anzeigen (1) →
Beispiele
Komplette Agents mit Code, Diagrammen und Trade-offs.
24
Angezeigt: 3 / 24
- ReAct Agent in Python: Vollständiges Beispiel
- Task Decomposition Agent in Python: Vollständiges Beispiel
- Routing Agent in Python: Vollständiges Beispiel
Alle anzeigen (24) →
Vergleiche
Framework vs Framework, Agents vs Workflows — was in Prod bricht und was du wählen solltest.
10
Angezeigt: 3 / 10
- AutoGPT vs Production Agents: Was ist der Unterschied?
- CrewAI vs LangGraph: Was ist der Unterschied?
- LangChain vs AutoGPT: Was ist der Unterschied?
Alle anzeigen (10) →
Integriert: Production ControlOnceOnly
Guardrails für Tool-Calling-Agents
Shippe dieses Pattern mit Governance:
- Budgets (Steps / Spend Caps)
- Tool-Permissions (Allowlist / Blocklist)
- Kill switch & Incident Stop
- Idempotenz & Dedupe
- Audit logs & Nachvollziehbarkeit
Integrierter Hinweis: OnceOnly ist eine Control-Layer für Production-Agent-Systeme.
Beispiel-Policy (Konzept)
Python
# Example (Python — conceptual)
policy = {
"budgets": {"steps": 25, "usd": 2.0},
"tools": {"allow": ["http.get", "browser.search"]},
"controls": {"kill_switch": True, "idempotency": True, "audit": True},
}
# run = onceonly.run(policy)
# result = run.invoke(agent, input="...")