Agent-Knoten

Ein autonomer KI-Agent, der Knoten in sich stapeln kann und automatisch auf alle Daten aus dem Workflow zugreift, ohne manuelle Variablenverkabelung.

Überblick

Der Agent-Knoten ist ein Container-Knoten – ähnlich dem Model-Knoten, aber mit einem entscheidenden Unterschied: Sie können andere Knoten darin stapeln, und das ausgewählte Modell hat automatisch Zugriff auf alle Daten dieser inneren Knoten, ohne dass Sie Variablen-Mappings manuell einrichten müssen.

Stellen Sie es sich so vor, als würden Sie einem LLM volle Autonomie über eine Reihe von Werkzeugen geben. Sie platzieren Knoten im Agent (MCP Server, HTTP Requests, Datenbankabfragen usw.), wählen ein Modell, und der Agent entscheidet, wann und wie er jedes Werkzeug einsetzt, um die Aufgabe zu erfüllen.

Konfiguration

Erweiterte Optionen

Unter Model Settings (Modelleinstellungen):

Geplante Aufgaben

Wenn Scheduled Tasks aktiviert ist, können Personen den Agenten im Chat bitten, etwas später oder nach Zeitplan zu erledigen, zum Beispiel „prüfe jeden Morgen um 9 Uhr unsere Preise“. Jede Person sieht und verwaltet ihre eigenen Aufgaben, und jede Ausführung meldet sich in der Unterhaltung zurück, in der sie angefordert wurde.

Andere Agenten aufrufen

Wenn Can call other agents aktiviert ist, kann der Agent andere Agenten im selben Workspace um Hilfe bitten. Aufgerufen werden können nur Agenten, bei denen in ihrem Flow Start Other agents can call this one aktiviert ist. Aufgerufene Agenten arbeiten für dieselbe Person, mit den Konten dieser Person.

Funktionsweise

1. Ziehen Sie einen Agent-Knoten auf die Arbeitsfläche.
2. Wählen Sie ein Modell (dieselben Anbieter wie beim Model-Knoten).
3. Platzieren Sie Tool-Knoten im Agent-Container – diese werden zu den verfügbaren Werkzeugen des Agenten.
4. Schreiben Sie einen System-Prompt und User-Prompt, die die Aufgabe beschreiben.
5. Der Agent entscheidet autonom, welche inneren Knoten er aufruft, in welcher Reihenfolge und wie er deren Ergebnisse kombiniert.

Der Agent durchläuft einen Reason → Act → Observe-Zyklus:

• Reason: Das Modell analysiert die Aufgabe und entscheidet, was als Nächstes zu tun ist.
• Act: Es ruft einen der inneren Knoten (Werkzeuge) mit den passenden Argumenten auf.
• Observe: Es liest das Ergebnis und entscheidet, ob es fortfahren oder eine endgültige Antwort liefern soll.

Innere Knoten (Werkzeuge)

Jeder Knoten, den Sie im Agent-Container platzieren, wird zu einem Werkzeug, das der Agent aufrufen kann. Der Agent sieht automatisch:

• Den Namen und die Beschreibung des Knotens
• Sein Eingabeschema (welche Argumente er akzeptiert)
• Seine Ausgabedaten (das Ergebnis nach der Ausführung)

Keine manuelle Variablenverkabelung nötig – der Agent übernimmt den Datenfluss zwischen inneren Knoten eigenständig.

Unterstützte innere Knoten

Hängen Sie einen Knoten an, indem Sie in den Agent-Container doppelklicken und ihn aus der Liste auswählen.

Agenten von der Agents-Seite

Agenten, die auf der Seite Agents erstellt werden, starten mit einer Fähigkeitsstufe, die Sie später im Builder ändern können:

Beispiel: Recherche-Agent

Stapeln Sie einen Web Scraper und ein Model im Agent, um einen Recherche-Assistenten zu erstellen:

Flow Start → [Agent]
                 ├── Web Scraper (search the web)
                 ├── HTTP Request (fetch APIs)
                 └── (agent reasons over results)
             → Simple Output

Beispiel: Kundensupport-Agent

Geben Sie dem Agenten Zugriff auf Ihr CRM und Ihre Wissensdatenbank:

Flow Start → [Agent]
                 ├── MCP Server (CRM — lookup customer)
                 ├── Database (knowledge base search)
                 ├── MCP Server (ticketing — create ticket)
                 └── (agent handles the conversation)
             → Simple Output

Beispiel: Datenpipeline-Agent

Lassen Sie den Agenten eine mehrstufige Datenextraktion orchestrieren:

HTTP Request (get raw data) → [Agent]
                                  ├── Code (parse & clean)
                                  ├── Database (enrich with lookups)
                                  ├── Code (transform to target schema)
                                  └── (agent chains steps automatically)
                              → Write Data

Agent vs. Model-Knoten

Best Practices

• Schreiben Sie klare Systemanweisungen, die die Rolle, Grenzen und das erwartete Ausgabeformat des Agenten definieren
• Platzieren Sie nur Knoten im Agent, die für die Aufgabe relevant sind – weniger Werkzeuge bedeuten schnelleres, fokussierteres Schlussfolgern
• Hängen Sie nur die Werkzeuge an, die die Aufgabe benötigt; jedes zusätzliche Werkzeug ist eine weitere Option, zwischen der das Modell wählen muss
• Verwenden Sie niedrigere Temperature (0.2-0.5) für deterministische Aufgaben wie Datenextraktion, höhere (0.7-1.0) für kreative Aufgaben
• Testen Sie den Agenten zuerst mit einfachen Aufgaben und fügen Sie dann schrittweise weitere Werkzeuge hinzu
• Speichern Sie sensible Zugangsdaten im Vault – der Agent erbt den Zugriff auf Vault-Variablen wie jeder andere Knoten