KI-Agenten: Der ultimative Leitfaden (German Edition)

Kapitel 3. Fortgeschrittene Planung, Schlussfolgerung und skalierbare Ausführung in Agenten

Diese Arbeit wurde mithilfe von KI übersetzt. Wir freuen uns über dein Feedback und deine Kommentare: [e-mail]

In den Kapiteln 1 und 2 hast du gesehen, dass KI-Agenten keine Zauberei sind, sondern technisch entwickelte Systeme. Aber die Techniken, die du in diesem Kapitel lernen wirst, könnten dir schon fast so vorkommen. Wie Arthur C. Clarke einmal sagte:

Jede ausreichend fortgeschrittene Technologie ist von Magie nicht zu unterscheiden.¹

Dieses Gefühl von Magie entsteht dadurch, dass Agenten nicht mehr nur reagieren, sondern aus ihren eigenen Erfahrungen lernen oder bei Tests klügere Entscheidungen treffen. Sie sind zumindest im übertragenen Sinne keine Nicht-Spieler-Charaktere (NPCs) mehr, weil sie nicht mehr nur einem festen Skript folgen. Sie fangen an, selbstständig zu lernen und sich anzupassen, wenn du die Prinzipien des en verstärkenden Lernens (RL) auf LLMs anwendest. So erhält Clarkes Zitat in der Welt der KI-Agenten eine neue Bedeutung.

Doch was auf den ersten Blick unheimlich wirken mag, beruht tatsächlich auf einer Reihe klarer Mechanismen. Dieses Kapitel erklärt diese Mechanismen ausführlich: Du erfährst, wie RL eine Rückkopplungsschleife zwischen Schlussfolgerungen und Ergebnissen aufbaut und wie baumbasierte Suche und adaptive Planung es Agenten ermöglichen, vor dem Handeln mehrere Zukunftsszenarien zu simulieren und zu entscheiden, ob es besser ...