Glossar
Die Wörter, auf die sich die Texte hier stützen, ohne innezuhalten und sie zu erklären. Jede Definition stammt aus dem Artikel auf dieser Seite, der sie erklärt, und verlinkt dorthin zurück, damit nichts in dieser Liste eine Behauptung ist, die die Texte nicht ohnehin aufstellen.
- Control Plane
Der eine Ort, an dem eine Flotte von Agenten inventarisiert, beobachtet, gesteuert und anhaltbar ist. „Stoppe jeden Agenten, der in dieser Stunde das Billing-Tool angefasst hat, und sag mir, wer das genehmigt hat“ ist zugleich eine Registry-Frage, eine Observability-Frage, eine Richtlinien-Frage und eine Audit-Frage, und eine Control Plane ist der Ort, an dem diese vier zu einer einzigen Abfrage werden können.
Erklärt in Ich habe eine Control Plane für KI-Agenten gebaut. Das ist es, was Governance wirklich erfordert
- Eval-Suite
Automatisierte, wiederholbare Testsuiten, die die Erfolgsrate des Agenten je Tool messen: 10 bis 20 realistische Aufgaben mit erwarteten Ground-Truth-Ausgaben, nach jeder Korrektur erneut ausgeführt, mit Erfolgsrate, Anzahl der Tool-Aufrufe, Token-Verbrauch, Latenz und Fehlerrate je Kategorie.
Erklärt in KI-Agenten, MCP und die moderne Framework-Landschaft
- Halluzination
Das Wort der Branche selbst für Output, der mit voller Überzeugung falsch ist: wesentliche Ungenauigkeiten, die durch ihren Detailgrad akkurat wirken. Es ist das Risiko, das dieses Produkt definiert, und die Bedingungen jedes Anbieters übertragen Ihnen die Pflicht, den Output zu prüfen.
- KI-Agent
Ein KI-Agent ist ein LLM-gesteuertes System, das in einer Schleife arbeitet: planen, ein Ziel in Teilaufgaben zerlegen; handeln, ein oder mehrere Tools auswählen und aufrufen; beobachten, Tool-Ergebnisse lesen und den internen Zustand aktualisieren; iterieren, wiederholen, bis das Ziel erreicht ist oder eine Abbruchbedingung eintritt. Zum Agenten statt zum Workflow wird er dadurch, dass das Modell den Kontrollfluss zur Laufzeit entscheidet: welches Werkzeug aufgerufen wird, ob noch eine Schleife gedreht wird, wann Schluss ist.
Erklärt in KI-Agenten, MCP und die moderne Framework-Landschaft, Ist das wirklich ein Agent? Ich habe dieselbe Aufgabe dreimal gebaut, um es herauszufinden
- Kill Switch
Der Schalter, der Agenten anhält, global oder nach Umgebung, Team oder Agent. Er muss neue Arbeit stoppen, nicht nur alte: alle Agenten anzuhalten ist trivial als Statusaktualisierung bestehender Zeilen umzusetzen und völlig nutzlos, wenn ein angehaltener Agent eine Sekunde später einen neuen Run öffnen kann, also muss der Schalter an der Erzeugung von Arbeit ansetzen.
Erklärt in Ich habe eine Control Plane für KI-Agenten gebaut. Das ist es, was Governance wirklich erfordert
- Kontextfenster
Wie viel Text einem Modell in einem einzigen Aufruf übergeben werden kann. Es ist eine Decke, keine Steigung: darüber hinaus degradiert der Prompt nicht, er scheitert, mit null Modellaufrufen und einer Fehlermeldung, dass der Prompt zu lang ist. Eine Architektur, die den gesamten Datensatz in den Prompt legt, wird mit wachsenden Daten also nicht schlechter, sie verschwindet.
Erklärt in Ist das wirklich ein Agent? Ich habe dieselbe Aufgabe dreimal gebaut, um es herauszufinden
- LLMLarge Language Model
LLMs nutzen die Kraft von Deep-Learning-Algorithmen und neuronalen Netzen, konkret von Transformer-Modellen, um natürlichsprachlichen Text zu verstehen und zu erzeugen. Trainiert auf riesigen Datensätzen wie Büchern, Artikeln und Websites, sind diese Modelle in der Lage, menschenähnlichen Text zu produzieren.
Erklärt in Stellen Sie sich eine Welt vor, in der Bücher Ihre Fragen beantworten
- MCPModel Context Protocol
Ein offener Standard, ursprünglich von Anthropic geschaffen und inzwischen von der Linux Foundation verwaltet. Clients, darunter Claude, ChatGPT, VS Code, die JetBrains-IDEs und Cursor, verbinden sich mit MCP-Servern, die Tool-Schemata bereitstellen. Der zentrale Nutzen: Schreiben Sie Ihre Tools einmal und stellen Sie sie jedem MCP-kompatiblen Client bereit, ohne Integrationsaufwand je Client.
Erklärt in KI-Agenten, MCP und die moderne Framework-Landschaft
- Observability
Die Aufzeichnung dessen, was ein Agent zur Laufzeit tatsächlich getan hat: Runs, Spans, Modellaufrufe, Tool-Aufrufe, Tokens, Latenz, Kosten. Ohne sie ist alles zwischen Anfrage und Antwort unsichtbar, und das ist die erste der Lücken, auf die Teams beim Ausliefern von Agenten stoßen.
Erklärt in Ich habe eine Control Plane für KI-Agenten gebaut. Das ist es, was Governance wirklich erfordert
- RAGRetrieval-Augmented Generation
Ein Sprachmodell an externe Datenquellen anbinden, etwa PDFs, APIs und Datenbanken, sodass die Antwort aus diesen Quellen kommt und nicht allein aus dem allgemeinen Training des Modells. Entscheidend ist, die Aufgaben oder Fragen zu identifizieren, die Fachwissen oder zusätzliche Informationen über das allgemeine Wissen des Modells hinaus erfordern, und zu verstehen, welche konkreten Informationen nötig sind, um präzise Antworten zu erzeugen.
Erklärt in Stellen Sie sich eine Welt vor, in der Bücher Ihre Fragen beantworten
- Tool (eines Agenten)
Tools sind semantische Verträge. Ein Agent liest Name, Beschreibung und Schema eines Tools, um zu entscheiden, ob und wie er es aufruft; ist eines dieser Signale unklar, kann der Agent das falsche Tool aufrufen, fehlerhafte Eingaben übergeben oder Ausgaben falsch interpretieren und nachgelagert halluzinieren.
Erklärt in KI-Agenten, MCP und die moderne Framework-Landschaft
- Workflow
Workflows orchestrieren LLMs entlang vordefinierter Codepfade; Agenten steuern ihren eigenen Prozess. Eine feste Kette aus Klassifizieren, Ausführen und Formulieren bleibt ein Workflow, egal wie viele LLM-Aufrufe sie enthält, weil jeder mögliche Pfad zur Autorenzeit von einem Menschen aufgezählt wurde.
Erklärt in Ist das wirklich ein Agent? Ich habe dieselbe Aufgabe dreimal gebaut, um es herauszufinden
Zuletzt aktualisiert