Agent Setup: Dein erster Agent

Wissen

Ein Agent besteht im Kern aus drei Bausteinen: einem System Prompt, der sein Verhalten definiert, einem Modell, das die Denkarbeit übernimmt, und Tools, die ihm Fähigkeiten geben. In diesem Abschnitt baust du alle drei Bausteine auf.

Der System Prompt -- Die DNA deines Agents

Der System Prompt ist die wichtigste Entscheidung bei der Agent-Entwicklung. Er bestimmt, wie dein Agent sich verhält, welche Rolle er einnimmt und welche Grenzen er einhalt. Ein guter Agent-System-Prompt unterscheidet sich deutlich von einem einfachen Chatbot-Prompt.

Die fünf Elemente eines Agent-System-Prompts:

1. Rolle: Wer ist der Agent? ("Du bist ein Code-Review-Assistent für Python-Projekte.")
2. Fähigkeiten: Was kann er tun? ("Du kannst Dateien lesen, Code analysieren und Verbesserungen vorschlagen.")
3. Einschränkungen: Was darf er nicht? ("Du änderst niemals Code direkt. Du schlägst nur Änderungen vor.")
4. Ausgabeformat: Wie antwortet er? ("Antworte immer mit einer Liste von Findings, sortiert nach Schweregrad.")
5. Reasoning-Anweisung: Wie denkt er? ("Analysiere den Code Schritt für Schritt. Prüfe erst die Struktur, dann die Logik, dann den Stil.")

Modellwahl -- Welches LLM für welchen Agent?

Nicht jedes Modell eignet sich für jeden Agent. Die Wahl hängt von drei Faktoren ab:

Faustregel: Starte mit einem kleinen Modell. Wenn die Qualität nicht reicht, wechsle auf ein größeres. Die meisten Agents funktionieren mit Sonnet 5 oder GPT-5 mini besser als erwartet.

Verstehen

Die erste Tool-Definition

Tools geben deinem Agent Fähigkeiten jenseits von Text. Ein Tool ist eine Funktion, die der Agent aufrufen kann -- mit einer klaren Beschreibung, damit das LLM weiß, wann und wie es das Tool einsetzen soll.

Python-Beispiel mit dem Anthropic SDK:

import anthropic

client = anthropic.Anthropic()

# Tool-Definition: Der Agent kann Dateien lesen
tools = [
    {
        "name": "read_file",
        "description": "Liest den Inhalt einer Datei. Nutze dieses Tool, "
                       "wenn du den Code oder Inhalt einer Datei analysieren musst.",
        "input_schema": {
            "type": "object",
            "properties": {
                "file_path": {
                    "type": "string",
                    "description": "Der Pfad zur Datei, z.B. 'src/main.py'"
                }
            },
            "required": ["file_path"]
        }
    }
]

# Agent mit System Prompt und Tool starten
response = client.messages.create(
    model="claude-sonnet-5",
    max_tokens=1024,
    system="Du bist ein Code-Review-Assistent. Analysiere Code "
           "Schritt für Schritt und gib konkrete Verbesserungen.",
    tools=tools,
    messages=[
        {"role": "user", "content": "Prüfe die Datei src/main.py"}
    ]
)

TypeScript-Beispiel mit dem Anthropic SDK:

import Anthropic from "@anthropic-ai/sdk";

const client = new Anthropic();

// Tool-Definition
const tools: Anthropic.Tool[] = [
  {
    name: "read_file",
    description:
      "Liest den Inhalt einer Datei. Nutze dieses Tool, " +
      "wenn du den Code oder Inhalt einer Datei analysieren musst.",
    input_schema: {
      type: "object" as const,
      properties: {
        file_path: {
          type: "string",
          description: "Der Pfad zur Datei, z.B. 'src/main.py'",
        },
      },
      required: ["file_path"],
    },
  },
];

// Agent starten
const response = await client.messages.create({
  model: "claude-sonnet-5",
  max_tokens: 1024,
  system:
    "Du bist ein Code-Review-Assistent. Analysiere Code " +
    "Schritt für Schritt und gib konkrete Verbesserungen.",
  tools,
  messages: [
    { role: "user", content: "Prüfe die Datei src/main.py" },
  ],
});

Beachte: Die description im Tool ist entscheidend. Das LLM entscheidet anhand dieser Beschreibung, wann es das Tool einsetzt. Eine vage Beschreibung führt zu falschem oder fehlendem Tool-Einsatz.

Anwenden

Reflektieren