Ersten Agent konfigurieren

Was ist ein Agent?

Ein Agent ist eine konfigurierbare KI-Schnittstelle, die:

• Über einen eindeutigen Slug als model-Feld in API-Anfragen erreichbar ist
• Eine Routing-Strategie definiert (welches Deployment antwortet)
• Einen System-Prompt vorschaltet (Verhaltensvorgaben)
• Optional Knowledge Bases (RAG) und MCP-Tools integriert

Schritt 1 — Agent erstellen

1. Navigiere zu Dashboard → Agents → Neuer Agent
2. Vergib einen Namen (z. B. Support Agent)
3. Definiere einen Slug — dieser wird als model-Parameter in API-Anfragen verwendet (z. B. support-agent)
4. Optional: Beschreibung hinzufügen

Der Slug kann später nicht mehr geändert werden, ohne bestehende Integrationen zu aktualisieren.

Schritt 2 — System-Prompt definieren

Unter Allgemein → System Prompt legst du das Verhalten des Agents fest:

Du bist ein hilfreicher Support-Agent für Musterfirma GmbH.
Du beantwortest Fragen zu unseren Produkten und Dienstleistungen.
Wenn du eine Frage nicht beantworten kannst, verweise den Nutzer an support@musterfirma.de.
Antworte immer auf Deutsch, präzise und freundlich.

Tipps für effektive System-Prompts:

• Rolle klar definieren ("Du bist ein...")
• Wissensgrenzen explizit setzen ("Wenn du X nicht weißt...")
• Antwortformat vorgeben ("Antworte immer in Stichpunkten")
• Sprache und Ton festlegen

Schritt 3 — Routing-Strategie wählen

Unter Modelle & Routing wählst du, wie Anfragen weitergeleitet werden.

Fixed (Einfachste Option)

Alle Anfragen gehen an ein festes Deployment.

1. Wähle Fixed als Strategie
2. Wähle das Ziel-Deployment aus der Liste
3. Speichern

Geeignet für: einfache Assistenten, Support-Bots, Produktionssysteme mit einem Modell.

Rule-Based

Verschiedene Deployments basierend auf Regeln (Sprachkennung, Keywords, Sentiment).

1. Wähle Rule-Based
2. Klicke Neue Regel und definiere Bedingungen:
   • 26. B.: Wenn die Anfrage "englisch" enthält → Deployment english-model
   • Default-Regel (Fallback): immer ausführen wenn keine andere Regel passt
3. Speichern

Workflow

Visueller Graph-Editor für komplexe Pipelines:

1. Wähle Workflow
2. Wähle eine Vorlage (oder starte mit leerem Canvas)
3. Verbinde Nodes: Input → Condition → Deployment(s)
4. Workflow speichern

Schritt 4 — Knowledge Base anbinden (optional)

Unter Wissen & Tools → Knowledge Bases kannst du eine oder mehrere Knowledge Bases aktivieren:

1. Erstelle zuerst eine Knowledge Base unter Dashboard → Wissensdatenbanken
2. Lade Dokumente hoch (PDF, TXT, Markdown)
3. Warte bis die Indizierung abgeschlossen ist
4. Komme zurück zum Agent und aktiviere die Knowledge Base per Checkbox

Der Agent sucht bei jeder Anfrage automatisch nach relevanten Dokumentenstellen und fügt sie als Kontext ein.

Schritt 5 — Agent testen

Erstelle einen API-Key unter Dashboard → API-Keys und sende eine Test-Anfrage:

curl https://deine-domain.com/api/proxy/v1/chat/completions \
  -H "Authorization: Bearer myk_..." \
  -H "Content-Type: application/json" \
  -d '{
    "model": "support-agent",
    "messages": [{"role": "user", "content": "Wie kann ich euch kontaktieren?"}]
  }'

Checkliste

• Agent erstellt mit eindeutigem Slug
• System-Prompt definiert
• Mindestens ein Deployment vorhanden und aktiv
• Routing-Strategie konfiguriert und gespeichert — Status zeigt "Aktiv"
• API-Key erstellt
• Testanfrage erfolgreich

Nächste Schritte

• RAG Pipeline aufsetzen — Dokumente als Wissensquelle anbinden
• MCP Tools — Externe APIs in den Agent integrieren
• API-Referenz — Alle API-Parameter