Agent Builder

Introduction

In den vorherigen Kapiteln haben wir gelernt, dass moderne KI-Systeme aus drei fundamentalen Komponenten bestehen: Prompts, Sampling und Tools (siehe Compound Systems). Die Evolution von KI-Assistenten führt uns von einfachen Chatbots über intelligente Copiloten zu autonomen Agents – und schließlich zu Multi-Agent-Systemen, in denen spezialisierte Agents zusammenarbeiten.

Gemäß der 4-Ebenen-Taxonomie befinden wir uns auf Level 4: Multi-Agent Systems. Hier orchestriert ein übergeordneter Agent mehrere spezialisierte Sub-Agents, die jeweils spezifische Aufgaben übernehmen. Diese Architektur ermöglicht komplexe Workflows, die über die Kapazitäten einzelner Agents hinausgehen.

Agent Builder ist OpenAI's visuelles Tool zur Erstellung solcher Multi-Agent-Workflows. In diesem Kapitel lernen Sie die Grundlagen von Multi-Agent-Architekturen, Orchestrierungsmuster und praktische Implementierungen kennen.

Agent Builder Fundamentals

Core Components

Agent Builder bietet eine visuelle Canvas, auf der Sie Workflows aus verschiedenen Komponenten zusammenstellen:

Komponente	Funktion	Mapping zu Compound Systems
Agent Nodes	Definieren eigenständige Agents mit System Prompts	Prompts + Sampling (Model)
Tool Nodes	Integrieren externe APIs, Datenbanken, Custom Functions	Tools (Function Calling)
Logic Nodes	Implementieren Conditional Routing, Loops, Aggregation	Control Flow
Knowledge Bases	Stellen kontextspezifisches Wissen bereit (RAG)	Tools (Retrieval)
Memory Nodes	Speichern Konversations- und Workflow-State	Persistent Context

Single Agent Workflow

Bevor wir Multi-Agent-Systeme aufbauen, schauen wir uns einen einfachen Workflow mit einem einzelnen Agent an:

Dieser Workflow zeigt die Grundlogik:

1. Input wird an den Agent übergeben

2. Agent entscheidet, ob ein Tool benötigt wird

3. Falls ja: Tool wird ausgeführt, Ergebnis fließt zurück zum Agent

4. Agent generiert finalen Output

Multi-Agent Architecture Patterns

Multi-Agent-Systeme organisieren mehrere spezialisierte Agents nach unterschiedlichen Mustern. Die drei wichtigsten sind:

1. Sequential Pattern (Pipeline)

Konzept: Agents werden sequenziell in einer Pipeline ausgeführt. Der Output von Agent A wird Input für Agent B, usw.

Use Cases:

• Datenverarbeitungs-Pipelines: Daten sammeln → bereinigen → analysieren → visualisieren

• Content Creation: Recherche → Schreiben → Review → Formatierung

• Research Assistant: Suche → Analyse → Zitierung

Vorteile	Nachteile
✅ Einfach zu verstehen und implementieren	❌ Längere Gesamtlatenz (sequenziell)
✅ Klare Verantwortlichkeiten	❌ Fehler in frühen Stages blockieren nachfolgende
✅ Leicht zu debuggen (linear)	❌ Keine Parallelisierung möglich

2. Parallel Pattern (Fan-out/Fan-in)

Konzept: Ein Router verteilt Aufgaben an mehrere Agents parallel. Ein Aggregator sammelt und kombiniert die Ergebnisse.

Use Cases:

• Multi-Source Research: Parallel Durchsuchen verschiedener Datenquellen

• Consensus Systems: Mehrere Agents evaluieren denselben Input unabhängig

• Load Distribution: Große Aufgaben in parallele Teilaufgaben aufteilen

Vorteile	Nachteile
✅ Schneller durch Parallelisierung	❌ Komplexere Orchestrierung
✅ Fehlertoleranz (wenn ein Agent ausfällt)	❌ Aggregation kann komplex sein
✅ Skalierbar	❌ Höhere Kosten (parallele API-Calls)

3. Hierarchical Pattern (Supervisor/Worker)

Konzept: Ein Supervisor-Agent koordiniert mehrere Worker-Agents. Der Supervisor entscheidet dynamisch, welche Workers aktiviert werden.

Use Cases:

• Research Assistant: Supervisor delegiert an Search/Analysis/Citation-Agents

• Customer Support: Supervisor routet zu Billing/Technical/Refund-Spezialisten

• Code Generation: Supervisor koordiniert Design/Implementation/Testing-Agents

Vorteile	Nachteile
✅ Flexible, dynamische Orchestrierung	❌ Supervisor ist Single Point of Failure
✅ Kann Sequential + Parallel kombinieren	❌ Komplexere Logik erforderlich
✅ Leicht erweiterbar (neue Workers hinzufügen)	❌ Supervisor muss "intelligent" sein

Communication & Handoff

Die Kommunikation zwischen Agents ist entscheidend für funktionierende Multi-Agent-Systeme. Es gibt drei Hauptmuster:

Pattern 1: Structured Data Passing

Mechanismus: Agents kommunizieren über JSON-strukturierte Daten. Jeder Agent definiert ein Output-Schema, das vom nächsten Agent als Input-Schema erwartet wird.

Beispiel:

{
  "task": "search",
  "query": "climate change papers 2024",
  "filters": {
    "min_citations": 10,
    "fields": ["environmental science"]
  },
  "max_results": 5
}

Vorteile: Typsicherheit, Validierung, maschinelle Verarbeitbarkeit Nachteile: Weniger flexibel, Schema-Änderungen brechen Kompatibilität

Pattern 2: Natural Language Handoff

Mechanismus: Agents übergeben Informationen in natürlicher Sprache. Der empfangende Agent extrahiert relevante Informationen.

Beispiel:

"I found 5 relevant papers on climate change from 2024.
The most cited is 'Global Temperature Trends' by Smith et al.
with 127 citations. All papers focus on mitigation strategies."

Vorteile: Flexibel, robust gegen Schema-Änderungen Nachteile: Informationsverlust möglich, Parsing-Fehler

Pattern 3: Workflow Variables (Agent Builder)

Mechanismus: Agent Builder verwendet Logic Nodes mit geteilten Variablen. Agents schreiben in und lesen aus einem gemeinsamen Workflow-State.

Beispiel in Agent Builder:

• Agent A setzt Variable search_results

• Logic Node prüft if search_results.count > 0

• Agent B liest Variable search_results

Vorteile: Zentrale State-Verwaltung, keine expliziten Übergaben Nachteile: Erfordert Agent Builder-spezifische Konfiguration

Best Practices für Agent Communication

Prinzip	Beschreibung
Clear Contracts	Definieren Sie Input/Output-Schemas für jeden Agent
Context Preservation	Übergeben Sie relevanten Kontext (User Intent, Previous Steps)
Error Handling	Agents sollten ungültige Inputs erkennen und signalisieren
Validation	Validieren Sie Outputs vor der Weitergabe

Agent Builder Implementation

So erstellen Sie einen Multi-Agent-Workflow in Agent Builder:

Schritt 1: Agent Nodes erstellen

Für jeden spezialisierten Agent:

1. Neuen Agent Node auf der Canvas platzieren

2. System Prompt definieren (ROLLE, AUFGABE, FORMAT, EINSCHRÄNKUNGEN)

3. Model auswählen (GPT-4 für komplexe Reasoning, GPT-3.5 für einfache Tasks)

4. Tools hinzufügen (z.B. Web Search, Custom APIs)

Schritt 2: Logic Nodes konfigurieren

Für Routing und Aggregation:

1. Router Node für Conditional Logic:

   if (user_query.contains("search")) → SearchAgent
   else if (user_query.contains("analyze")) → AnalysisAgent

2. Aggregator Node für Result Synthesis:

   combine(SearchAgent.output, AnalysisAgent.output)

Schritt 3: Workflow verbinden

1. Verbinden Sie Nodes mit Edges (Pfeile auf der Canvas)

2. Definieren Sie Data Mappings (welche Outputs zu welchen Inputs fließen)

3. Konfigurieren Sie Error Handling (Fallback-Pfade)

Schritt 4: Testen

1. Verwenden Sie Agent Builder's Test Runner

2. Prüfen Sie Trace Viewer für Execution Flow

3. Validieren Sie Outputs gegen erwartete Ergebnisse

Beispiel: Multi-Agent Workflow in Agent Builder Canvas

Cross-References & Next Steps

Grundlagen wiederholen

• Compound Systems: Verstehen Sie Prompts + Sampling + Tools

• Ontologie AI Chatbots: 4-Ebenen-Taxonomie von Chatbot zu Multi-Agent

• Actions & API Integration: APIs als Tools in Agents einbinden

Vertiefen

• Multi-Agent Orchestration: Theorie zu Koordination, Error Handling, Performance

• Research Assistant Example: Vollständiges Praxisbeispiel mit 4 Agents

Üben

• Exercise: Research Assistant Team: Hands-on Implementierung eines Multi-Agent-Systems

---

Zusammenfassung:

• Multi-Agent-Systeme erweitern Single-Agent-Capabilities durch Spezialisierung

• Drei Hauptmuster: Sequential (Pipeline), Parallel (Fan-out/Fan-in), Hierarchical (Supervisor/Worker)

• Communication über Structured Data, Natural Language oder Workflow Variables

• Agent Builder bietet visuelle Tools für Implementation und Testing