Wie Multi-Agenten-KI-Systeme in Mendix Kann Sie für einen Marathon trainieren

Warum Multi-Agenten-KI-Systeme verwenden?

KI-Agenten sind derzeit allgegenwärtig – Sie haben sie wahrscheinlich schon überall in Ihrem Feed gesehen. Aber bevor wir uns mit dem Aufbau agentenbasierter Systeme befassen, Mendix, lassen Sie uns einen kurzen Schritt zurückgehen und aufschlüsseln, was ein KI-Agent eigentlich ist.

AI-Agenten

Im Kern ist ein KI-Agent (auch LLM-Agent genannt) ein intelligentes Programm, das selbstständig aktiv werden kann, wenn es durch etwas ausgelöst wird – beispielsweise durch einen Benutzer, der eine App bedient, oder durch ein anderes System, das Daten sendet. Diese Agenten können Tools, Funktionen oder sogar Wissensdatenbanken nutzen, um herauszufinden, was zu tun ist. Manche Agenten sind darauf ausgelegt, mit der Zeit zu lernen, während andere sich auf die Erledigung bestimmter Aufgaben konzentrieren. In jedem Fall ist das Ziel, das Leben zu erleichtern – durch Automatisierung von Arbeit, Beschleunigung von Prozessen oder einfach durch reibungslosere Abläufe.

Wenn Sie neu in diesem Bereich sind, lesen Sie unseren Leitfaden auf wie man einen einzelnen Agenten baut in Mendix. Es behandelt die Kombination von Prompt Engineering, Funktionsaufrufen und Wissensdatenbanken – alles in einem Mendix App.

Manchmal reicht ein einzelner Agent einfach nicht aus, um eine Aufgabe zu erledigen. Einzelagentensysteme eignen sich gut für einfachere Aufgaben, aber wenn die Probleme komplexer oder unklarer werden – genau wie im echten Leben –, ist oft ein Team erforderlich. Hier kommen Multiagentensysteme ins Spiel. Durch die Zusammenarbeit können sich verschiedene Agenten auf bestimmte Aufgaben spezialisieren und ihre Bemühungen koordinieren, um bessere und effektivere Ergebnisse zu erzielen.

Multi-Agenten-KI in der Praxis umsetzen

Sobald Sie die Grundlagen der KI verstanden haben und wissen, wie Mendix funktioniert, ist der Aufbau eines Multi-Agenten-Systems nicht so kompliziert, wie es klingt. Wenn Sie gerade erst anfangen, empfehlen wir Ihnen, sich unsere Anleitung zum Erstellen eines einzelnen Agenten zunächst zusammen mit einigen Hilfreiche Ressourcen zum Thema Prompt Engineering.

Das Besondere an Multi-Agenten-Systemen ist, dass die Agenten je nach Problemlösung auf unterschiedliche Weise zusammenarbeiten können. Sie können einem festgelegten Ablauf folgen, Aufgaben delegieren, die Ergebnisse der anderen bewerten oder sogar entscheiden, wer was erledigen soll.

Um diese Muster in Aktion zu sehen, werfen Sie einen Blick auf die GenAI Showcase App, und erkunden Sie mehrere Multi-Agent-Setups, darunter:

• Deterministischer Fluss / Eingabeaufforderungsverkettung
• Deterministischer Fluss / Prompt-Verkettung mit Gatekeeper
• Evaluator-Optimizer-Agent
• Routingbasierte Agentenzusammenarbeit

Diese Beispiele zeigen, wie flexibel und leistungsstark Multi-Agenten-Systeme sein können – insbesondere wenn sie mit Mendix.

Multi-Agent-Routing-Muster für die Mendix App ausführen

In diesem Blogbeitrag beziehen wir uns auf die GenAI Showcase App, insbesondere das Routing-Beispiel im Abschnitt Multi-Agent-Muster. In diesem Setup fungiert der erste Agent als Routing-AgentSeine Aufgabe besteht nicht darin, direkt auf den Benutzer zu antworten. Stattdessen entscheidet es, welcher der verfügbaren Agenten am besten für die Bearbeitung der Anfrage geeignet ist. Sobald diese Entscheidung getroffen ist, leitet es die gesamte Konversation an den ausgewählten Agenten weiter, der dann die weitere Interaktion übernimmt und verwaltet.

In unserer Beispiel-App kann der Router-Agent zwischen drei verschiedenen Agenten wählen – jeder mit seiner eigenen Rolle bei der Unterstützung der Mitglieder des Mendix Läufer-Community zu besseren Läufern werden. Hier ist eine kurze Übersicht über die Aufgaben der einzelnen Agenten:

• Lauftrainer-Agent: Dieser Agent hilft Benutzern dabei, basierend auf ihren Zielen einen Trainingsplan oder einen Marathon-Vorbereitungsplan zu erstellen.
• Ernährungsberater: Dieser Artikel konzentriert sich auf die Bereitstellung von Ratschlägen zur Verbesserung der Ernährung, um Läufern zu helfen, bessere Leistungen zu erbringen oder einfach bewusster auf ihre Essgewohnheiten zu achten.
• Running Facts Agent: Dieser Agent bearbeitet allgemeine Lauffragen – wie Statistiken, Wissenswertes oder alles, was nichts mit Coaching oder Ernährung zu tun hat. Er fungiert auch als Standardagent, wenn eine Frage nicht in die beiden anderen Kategorien passt.

Es ist zu beachten, dass sich alle drei Agenten ausschließlich auf laufbezogene Themen konzentrieren. Sie können keine anderen Fragen beantworten. Das obige Diagramm zeigt, wie dieses Routingmuster in der App implementiert ist.

Mit dem richtigen Fuß durchstarten

Mendix macht es super einfach, mit dem Erstellen Ihrer eigenen Agentenanwendung zu beginnen – und der beste Weg, um einzusteigen, ist mit dem Leere GenAI-AppEs ist mit allen Modulen vorinstalliert, die Sie für eine Vielzahl von Modellen benötigen.

Sie haben bereits eine bestehende Mendix App? Kein Problem. Sie können einfach die benötigten Module hinzufügen –GenAI Commons, Konversations-Benutzeroberflächeund dem Mx GenAI-Anschluss—sofern Sie Studio Pro 9.24.2 oder höher verwenden. Vergessen Sie nicht, die MxGenAIConnector.NAV_ConfigurationOverview_Open Microflow zu Ihrer App-Navigation.

Befolgen Sie diese Einrichtungsanweisungen nachdem Sie Ihren Infrastrukturanbieter ausgewählt haben.

Damit haben Sie alles, was Sie brauchen, um schnell mit der Entwicklung intelligenter Multi-Agent-Erlebnisse zu beginnen.

Schnelles Engineering

Der Schlüssel zum Erfolg eines Agenten liegt in der richtigen Systemeingabe – sie bestimmt sein Verhalten und seine Entscheidungsfindung. Im Fall unseres Router-Agenten ist das Ziel einfach: Jede Anfrage an den richtigen Spezialisten zu senden.

• [Systemeingabeaufforderung / Router] Sie sind Spezialist für Intent-Erkennung. Ihre Aufgabe ist es, die Nutzerabsicht anhand der letzten Nachricht einer Konversation zu klassifizieren. Handelt es sich um Sportdiäten oder Ernährungsinformationen, geben Sie „ERNÄHRUNGSBERATER“ zurück. Geht es um Trainingspläne oder die Vorbereitung auf ein Sportereignis, geben Sie „TRAINING“ zurück. Handelt es sich um allgemeine Informationen zu sportbezogenen Themen, geben Sie „FAKTEN“ zurück. Geht es um nicht-sportbezogene Themen, geben Sie „KEINE“ zurück. Bevor Sie Ihre Schlussfolgerung formulieren, berücksichtigen Sie die gesamte Konversation und extrahieren Sie den richtigen Kontext der letzten Nutzernachricht. Sie sprechen den Nutzer nicht direkt an, sondern geben lediglich die Klassifizierung und Ihre Begründung an.
  • Beispiel: Absicht: ERNÄHRUNGSBERATER | Grund: Der Benutzer hat im Gespräch nach Ernährungstipps gefragt und möchte nun aufgrund von Allergien bestimmte Lebensmittel ausschließen.‘

Es ist wichtig, dass die Systemansagen des Routers klar und präzise sind, da ihre Ausgabe programmgesteuert in unserem Mikrofluss verwendet wird, um zu entscheiden, welcher Agent die Konversation übernimmt. Sobald dies gewährleistet ist, können wir uns auf die spezialisierten Agenten konzentrieren. Für diese halten wir es zunächst einfach – jeder erhält eine klare, auf sein Fachgebiet zugeschnittene Ansagen.

• [Lauftrainer-Agent] „Sie sind ein Lauftrainer, der sich darauf konzentriert, dem Benutzer einen Laufplan zu erstellen. Bevor Sie Empfehlungen geben, sammeln Sie wichtige Informationen: Geschlecht, Alter, gewünschte Laufart und Wettkampfdatum. Sollten Angaben fehlen, fragen Sie den Benutzer. Stellen Sie alle zusätzlichen Fragen, die Sie für einen umfassenden Laufplan für relevant halten.“
• [Ernährungsberater] „Sie sind Sporternährungsberater und auf Läuferdiäten spezialisiert. Bevor Sie Empfehlungen abgeben, sammeln Sie wichtige Informationen: Geschlecht, Alter, Ernährungspräferenzen, angestrebte Wettkampfart und Wettkampfdatum. Sollten Angaben fehlen, fragen Sie den Benutzer. Stellen Sie alle zusätzlichen Fragen, die Sie für einen umfassenden Ernährungsplan für relevant halten.“
• [Running Facts Agent] „Sie sind ein Laufexperte, der sich darauf konzentriert, dem Benutzer Lauffakten und -tipps zu liefern. Um weitere Einblicke zu geben, geben Sie zunächst die üblichen Fakten an und fügen Sie, falls verfügbar, weitere hinzu, die die Altersgruppe und das Geschlecht des Benutzers berücksichtigen.“

Routing-Konfigurationen

Wir gehen durch, wie das Routing-Beispiel konfiguriert wird, sodass Sie es beim Erstellen Ihrer eigenen Agenten-App als Referenz verwenden können.

Wir haben uns für die Verwendung entschieden Mendix Cloud GenAI-Ressourcenpakete Weil sie der schnellste und einfachste Weg zum Einstieg sind – keine Einrichtung erforderlich, minimaler Wartungsaufwand und kein Bedienungsaufwand. Außerdem trinken wir gerne unseren eigenen Champagner (natürlich). Wenn Sie es selbst ausprobieren möchten, Hier können Sie den Zugang beantragen.

So läuft alles in unserer Beispiel-App zusammen: Wenn ein Nutzer eine Nachricht im Chat sendet (Schritt 2 im Bild oben), wird im Hintergrund ein Microflow ausgelöst. Hier kommt der Router-Agent ins Spiel. Er analysiert die bisherige Konversation und entscheidet, welcher der drei spezialisierten Agenten – Coach, Ernährungsberater oder Running Facts – die Anfrage bearbeiten soll. Jeder Agent verfügt über eine klare Systemanweisung, sodass er sich auf seinen spezifischen Bereich konzentriert, und der Microflow nutzt einfache Entscheidungsaufteilungen, um die Anfrage an die richtige Stelle zu senden.

Sehen wir uns das in Aktion an:

1. Unser Benutzer fragt: „Was sollte ich am Tag meines Marathons essen?“
2. Der Router-Agent wertet die bisherige Konversation aus und entscheidet, welcher Fachagent antworten soll. In diesem Fall wählt er „ERNÄHRUNGSBERATER“ aus.
3. Der Microflow leitet die Anfrage an den NUTRITIONIST-Agenten mit der Frage weiter: „Was sollte ich am Tag meines Marathons essen?“
4. Der ERNÄHRUNGSBERATER antwortet mit Ratschlägen zur Ernährung vor dem Rennen, beispielsweise zu kohlenhydratreichen Lebensmitteln und ausreichender Flüssigkeitszufuhr.

Wir kombinieren alle bisherigen Komponenten und zeigen unten, wie das Endergebnis aussehen würde. Da der beste Punkt zum Aufhören der Start ist, haben wir als neuer Läufer mit dem Chat interagiert. Im Chat (Schritt 2) liefert uns das System die Informationen, die wir für den Start unseres Laufziels benötigen. Links (Schritt 3) sehen wir die Zwischenschritte und welcher Agent aufgerufen wird, um die endgültige Antwort zu generieren. Wir haben ein konversationelles Multi-Agenten-System mit dem Chat-Abschluss (mit Verlauf) Aktion, wie im Bild oben zu sehen, sowie Standardaktionen und Snippets aus dem Konversations-Benutzeroberfläche.

Überqueren der Ziellinie

Und voilà, Ihr Multiagentensystem ist einsatzbereit – Sie sind bereit, sofort loszulegen! Mendix macht es einfach zu kombinieren verschiedene Agenten in flexible Multiagentenarchitekturen zur Lösung realer Probleme.

In diesem Beispiel haben wir den Standard genutzt Maia für Smart Apps-Komponenten und ein paar einfache Mikroflüsse, um ein Multi-Agent-Routingsystem zu erstellen, das uns bei unserem Marathon-Trainingsabenteuer unterstützt.

Und das alles ist viel weniger anstrengend, als tatsächlich einen Marathon zu laufen!

Dieser Artikel wurde zusammen mit geschrieben Mendix Sr. Software-Ingenieur Tom Warmerdam.