Skip to main content

Agenten als AI component

Hinweis: Dieses Dokument ist eine automatische Übersetzung des englischen Originals.

Agenten als AI component

Agenten als AI component bedeutet, dass die KI-Schicht des Projekts um ein Agenten-Framework herum aufgebaut ist — ein System, das Eingaben wahrnimmt, Entscheidungen trifft und Aktionen ausführt, oft mit Gedächtnis, Tools und Zielen. Wenn eine DecAIHub-Projektkarte einen agentenbezogenen Wert im Feld AI component aufführt, beschreibt sie die konkrete technische Architektur: die Laufzeitumgebung, die Orchestrierungsschicht oder das Framework, das autonomes oder halbautonomes Verhalten ermöglicht. Dies unterscheidet sich vom allgemeinen Konzept dessen, was ein KI-Agent ist, und vom Kategorie-Label AI/Agents.

Kurz gesagt: Agenten als Komponente bedeuten, dass das Projekt ein echtes Agenten-Framework hat — nicht nur das Label „Agent" in seinem Namen.

Wie es in DecAIHub-Karten aussieht

Das Feld AI component verwendet normalisierte Werte. Agentenbezogene Einträge umfassen:

  • agentic framework (memory/actions/plugins) — eine Agenten-Laufzeitumgebung mit persistentem Gedächtnis, Aktionsfähigkeiten und Tool-/Plugin-Integrationen
  • agent swarm + NL prompt-to-DeFi — ein Multi-Agenten-System, das natürlichsprachliche Prompts in DeFi-Operationen übersetzt
  • AI agent platform (workflows/tools/KB) — Infrastruktur zum Erstellen und Bereitstellen von Agenten mit Workflow-Orchestrierung, Tools und einer Wissensdatenbank
  • AI agents + orchestration — Systeme, die mehrere Agenten koordinieren, um komplexe Aufgaben zu erfüllen
  • autonomous trading agent — ein Agent, der auf Basis KI-gesteuerter Analyse eigenständig Handelsstrategien ausführt
  • on-chain AI agent — ein Agent, dessen Entscheidungsfindung oder Ausführung nachweisbar on-chain aufgezeichnet wird

Jeder Wert beschreibt die tatsächliche Agenten-Architektur, nicht einen Produkt-Slogan. Wenn die Karte agentic framework (memory/actions/plugins) angibt, bedeutet das, dass der Prüfer Belege für ein Agentensystem mit genau diesen Fähigkeiten gefunden hat.

Das Agenten-Spektrum

Nicht jedes System, das „Agent" genannt wird, hat dieselbe Tiefe. In der Praxis bewegen sich Agenten-Implementierungen entlang eines Spektrums:

  1. Einfacher Bot — ein Skript, das feste Regeln ausführt, ohne dass ein KI-Modell beteiligt ist. Keine AI component.
  2. Chatbot mit Prompts — ein LLM hinter einer Chat-Oberfläche, das jeweils auf eine Frage antwortet. Minimale Handlungsfähigkeit.
  3. Agent mit Gedächtnis — ein LLM, das Kontext über Interaktionen hinweg behält und auf frühere Gespräche oder Daten verweisen kann.
  4. Agent mit Tools und Zielen — ein System, das externe APIs aufrufen, mit Smart Contracts interagieren und mehrstufige Ziele verfolgen kann.
  5. Autonomes Multi-Agenten-System — mehrere Agenten, die sich koordinieren, Aufgaben delegieren und kollektive Entscheidungen mit minimaler menschlicher Aufsicht treffen.

DecAIHub-Projektkarten beschreiben, wo auf diesem Spektrum die Agenten-Komponente des Projekts angesiedelt ist. Je weiter rechts, desto stärker die Behauptung einer AI component — aber auch desto höher die Beweislast für Belege.

Das Spektrum ist ein Leitfaden zum Lesen von Karten, keine starre Taxonomie. Ein Produkt kann Elemente kombinieren (zum Beispiel Gedächtnis plus Tools, aber mit umfangreicher menschlicher Freigabe). Was für die Verifizierung zählt, ist, ob das dokumentierte Verhalten mit dem normalisierten AI component-Wert übereinstimmt und ob Tier-1-Artefakte die Agenten-Schleife im Betrieb zeigen.

Was zu überprüfen ist

Bei der Bewertung von Agenten-Behauptungen in einer Projektkarte achten Sie auf:

  • Argumentationsfähigkeiten — zeigt der Agent echte Entscheidungsfindung, oder führt er vorgefertigte Abläufe aus?
  • Tool- und Aktionsintegrationen — interagiert der Agent mit externen Systemen (DEXs, Smart Contracts, APIs), oder erzeugt er nur Text?
  • Gedächtnis und Kontext — behält der Agent über Sitzungen hinweg einen Zustand bei? Kann er auf frühere Interaktionen oder On-Chain-Historie verweisen?
  • Autonomie-Belege — gibt es Logs, Transaktionshistorien oder Demos, die den Agenten beim Handeln ohne menschliche Aufforderung zeigen?
  • Tier-1-Belege — Code-Repositories, Agenten-Frameworks mit Dokumentation, Live-Demos oder von Agenten erzeugte On-Chain-Transaktionsspuren.

Die Schlüsselfrage: Trifft der Agent tatsächlich Entscheidungen, oder ist er ein Prompt-Wrapper, der Nutzereingaben an ein Drittanbieter-LLM weiterleitet und die Antwort zurückgibt?

Was Agenten als Komponente nicht beweisen

  • Eine „Agenten"-Komponente zu haben beweist keine Autonomie. Viele sogenannte Agenten erfordern manuelle Auslöser oder menschliche Freigabe für jede Aktion.
  • Das Agenten-Label beweist keine Entscheidungsqualität. Ein Agent, der Entscheidungen trifft, trifft nicht zwangsläufig gute Entscheidungen.
  • Agenten können dünne Wrapper sein — der „Agent" ist eine Prompt-Vorlage, die an eine Drittanbieter-API gesendet wird, ohne interne Argumentation, Gedächtnis oder Tool-Integration. Siehe API-Wrapper.
  • Eine Agenten-Komponente beweist nicht, dass der Token notwendig ist, damit der Agent funktioniert.
  • Multi-Agenten-Behauptungen erfordern proportional mehr Belege. Ein „Schwarm" von Agenten muss nachweisen, dass mehrere Agenten sich koordinieren, nicht dass ein einzelnes Modell mehrere Prompts ausführt.

Prüfen Sie stets die Belegtabelle und die AI reality-Flags in der Projektkarte.

Nicht verwechseln mit

  • Was ist ein KI-Agent erklärt das Konzept von Agenten im Allgemeinen. Diese Seite beschreibt, wie Agenten als spezifische Komponente in DecAIHub-Projektkarten erscheinen.
  • AI/Agents ist eine Projektkategorie, die agentenfokussierte Projekte auf oberster Ebene klassifiziert. Ein Projekt in einer anderen Kategorie (z. B. AI/Analytics) kann dennoch eine Agenten-Komponente haben.
  • Chatbots und Assistenten reagieren auf Prompts, es fehlt ihnen aber an Autonomie und mehrstufiger Argumentation. Agenten gehen weiter.
  • Inferenz ist der Prozess des Ausführens eines Modells. Ein Agent nutzt Inferenz als Teil seiner Argumentationsschleife, aber Inferenz allein ist kein Agent.
  • Automatisierung folgt vordefinierten Regeln ohne Lernen oder Argumentieren. Ein KI-Agent muss modellbasierte Entscheidungsfindung nachweisen.

Häufig gestellte Fragen

Garantiert das Wort „Agent" in einem Produktnamen eine Agenten-AI component?

Nein. Marketing-Sprache verwendet Agent oft für jeden automatisierten Workflow. Auf DecAIHub sollte das Feld AI component eine belegbasierte Architektur widerspiegeln: Laufzeitumgebung, Tools, Gedächtnis oder Orchestrierung, wie in den normalisierten Werten beschrieben. Vergleichen Sie den Namen mit den Tier-1-Belegen und mit dem obigen Spektrum.

Was ist der Unterschied zwischen einer Agenten-Komponente und der Kategorie AI/Agents?

Die Kategorie AI/Agents beschreibt den primären Fokus des Projekts auf hoher Ebene. Die Agenten-Einträge im Feld AI component beschreiben den konkreten Mechanismus (zum Beispiel agentic framework vs. on-chain AI agent). Ein Projekt kann sich in einer anderen Kategorie befinden und dennoch eine agentenbezogene Komponente aufführen, wenn dieser Mechanismus vorhanden ist.

Wie viele Belege sollte ein „Schwarm" oder Multi-Agenten-System liefern?

Mehr als ein Single-Agent-Stack. Suchen Sie nach Koordinations-Artefakten: unterschiedliche Rollen, Nachrichtenaustausch, Delegation oder separate Laufzeitumgebungen — nicht nur mehrere Prompts an ein Modell. Fehlen diese, behandeln Sie Multi-Agenten-Behauptungen als Hypothesen, bis Dokumentation oder Demos sie stützen.

Externe Referenzen

Siehe auch

No comments to display

Back to top