Agentische KI: Der Stack für Agent-Entwickler

Der Autor, ein Habr-Nutzer, stellt fest, dass viele Kandidaten für Positionen als agentic Python Engineer Schwierigkeiten mit gängigen Konzepten und Werkzeugen in diesem Bereich haben. Um zu helfen, bietet er einen praktischen Überblick. Er definiert einen Agenten als eine Entität mit einem Prompt, einem LLM und Werkzeugen, aber entscheidend ist eine Schleife mit Feedback: Das Modell entscheidet jeden nächsten Schritt, handelt und beobachtet die Ergebnisse, im Gegensatz zu einer vordefinierten Kette. Er merkt an, dass Ketten zwar eine feste Route haben, Agenten jedoch über eine Reihe von Fähigkeiten und ein Ziel verfügen, wobei sich die Route dynamisch ergibt. Die Schleife beinhaltet Tool-Deklarationen über API-Schemata (JSON-Schema), das Modell fordert Tool-Aufrufe an, und die Laufzeit führt diese aus und gibt die Ergebnisse in den Kontext zurück. Stopp-Bedingungen, wie zum Beispiel das Modell entscheidet, dass die Aufgabe abgeschlossen ist, oder Iterationslimits, sind wichtig. PydanticAI wird als ein typsicheres Framework für die Entwicklung von Agenten hervorgehoben, das Pydantic-Modelle für die Ausgabevalidierung, Werkzeuge mit Typannotationen und Docstrings, Dependency Injection über RunContext und Ausgabevalidatoren verwendet. LangGraph wird als ein graphbasierter Ansatz für zustandsbehaftete Workflows präsentiert, der menschliche Genehmigung und Checkpoints ermöglicht. smolagents von Hugging Face verwendet Code-Agenten, die Python-Code zur Ausführung schreiben. CrewAI bietet einen rollenbasierten Ansatz mit Agenten, die Rollen, Ziele und Biografien haben und in einer Crew orchestriert werden. Der Artikel erwähnt auch MCP (Model Context Protocol), einen offenen Standard von Anthropic zum Verbinden von Werkzeugen, der als USB-C für KI beschrieben wird und Interoperabilität ermöglicht. Das Material zielt darauf ab, Lesern zu helfen, Interviews zu bestehen, und erkennt an, dass sich das Feld schnell weiterentwickelt.