10 bewährte Best Practices für den Aufbau zuverlässiger KI-Agenten im Jahr 2025

Bei UiPath leben wir schon seit einiger Zeit die Agentenmentalität. Wir erstellen nicht nur Demos; Wir bauen Agenten, die echtes Unternehmenschaos transportieren, skalieren und überleben.

Wenn Sie jemals ein großes Sprachmodell (LLM) in die Produktion integriert haben, wissen Sie:Es sind nicht die Eingabeaufforderungen, die kaputt gehen. Es ist alles um sie herum. Fehlerbehandlung, Kontextmanagement, Toolverträge, Rückverfolgbarkeit. Aus diesem Grund haben wir UiPath Agent Builder in Studio so erstellt, wie wir es getan haben. Wir wollten Ihnen die Kontrolle und Beobachtbarkeit geben, die Sie benötigen, damit KI-Agenten wie echte Softwarekomponenten funktionieren.

Folgendes haben wir beim Erstellen, Testen und Versenden von Agentenautomatisierungen in großem Maßstab gelernt. Dies sind die Best Practices für den Agent-Builder, die Ihnen dabei helfen, von „Es funktioniert irgendwie“ zu „Dieses Ding läuft in der Produktion, ohne mich um 2 Uhr morgens zu wecken“ zu gelangen.

1. Entwerfen Sie Agenten, die ausfallsicher (nicht nur schnell) sind

• Integrieren Sie Agenten sorgfältig in Automatisierungen:Vermeiden Sie die Einbettung von Agenten in ein REFramework, es sei denn, Sie haben einen sehr starken Anwendungsfall. Agenten führen Variablen ein (z. B. Eskalationen, Fehlerbehandlung), die sorgfältig verwaltet werden müssen. Stattdessen wird UiPath Maestro™ für eine bessere Sichtbarkeit und Kontrolle empfohlen.

• Vermeiden Sie Wiederholungsmechanismen für Agenten:Die Agentenausgabe ist nicht deterministisch, daher ist ein erneuter Versuch keine Garantie für eine Verbesserung. Erfassen und behandeln Sie Fehler stattdessen im Agenten oder Tool selbst.

• Fangen Sie klein und konzentriert an:Beginnen Sie mit Agenten mit nur einer Verantwortung; jeweils mit einem klaren Ziel und einem engen Anwendungsbereich. Breite Eingabeaufforderungen verringern die Genauigkeit. Enge Bereiche sorgen für eine konsistente Leistung.

• Modularisieren Sie in mehrere spezialisierte Agenten:Bauen Sie modulare Systeme auf, indem Sie Agenten und Roboter für komplexe Arbeitsabläufe kombinieren, anstatt einen „Alles erledigen“-Agenten. Dies ermöglicht eine kontrollierte Skalierung, einfacheres Debuggen und eine flexible Wiederverwendung.

• Verwenden Sie für deterministische Aufgaben Tools:Begrenzen Sie das Risiko, indem Sie bewährte UiPath-Automatisierungen oder APIs als Tools aufrufen, anstatt den Agenten direkt agieren zu lassen, wenn der Anwendungsfall dies erfordert. Dies erhöht die Vorhersehbarkeit und Sicherheit.

• Richten Sie Agentenziele und messbare Ergebnisse aus:Definieren Sie klare Ziele, Leistungskennzahlen und Erfolgskriterien, bevor mit dem Entwurf begonnen wird. Agenten sollten innerhalb messbarer Grenzen agieren.

2. Konfigurieren Sie den Kontext richtig

• Indizieren Sie Ihren Unternehmenskontext:Indizieren Sie die strukturierten Quellen, Wissensdatenbanken (KBs) und Dokumentation, auf die sich Ihr Agent verlassen wird. Eine gute Planung und Kontextgestaltung sind der Schlüssel zu einer zuverlässigen Ausführung. Stellen Sie sicher, dass Sie die richtige Suchstrategie wählen. Die semantische Suche findet bedeutungsbasierte Übereinstimmungen in unstrukturiertem Text und die strukturierte Suche ruft exakte Daten aus definierten Schemata ab. DeepRAG kombiniert beides, um fundierte Erkenntnisse über große, komplexe oder gemischte Quellen zu gewinnen.

• Wählen Sie das richtige Modell:UiPath Agent Builder in Studio ist modellunabhängig. Verwenden Sie daher das Modell, das für Ihren Anwendungsfall am besten geeignet ist. GPT-5 ist beispielsweise im Allgemeinen zuverlässiger als GPT-4. Verwenden Sie zur Bewertung ein anderes Modell als für den Agenten selbst, um Verzerrungen zu vermeiden.

• Sorgen Sie für klare Werkzeugdefinitionen:Verwenden Sie einfache, beschreibende Werkzeugnamen mit alphanumerischen Kleinbuchstaben und ohne Leerzeichen oder Sonderzeichen. Die Namen müssen genau mit den Angaben in der Eingabeaufforderung übereinstimmen.

3. Behandeln Sie jede Fähigkeit als Werkzeug

• Behandeln Sie jede externe Fähigkeit als Werkzeug:Werkzeuge sollten enge Input-/Output-Verträge und klare Erfolgskriterien haben. Verwenden Sie UiPath-Automatisierungen wann immer möglich als Tools wieder.

• Schemagesteuerte Eingabeaufforderungen:Halten Sie die Eingabeaufforderungen des Tools prägnant und strukturiert. Validieren Sie Ausgabeformen und behandeln Sie Null- oder leere Ergebnisse explizit.

• Dokument- und Versionstools:Sorgen Sie für einen klaren Versions- und Auswertungsverlauf pro Tool. Die Linkauswertung wird für bestimmte Versionen ausgeführt.

• Erstellen Sie Tools, um die Zuverlässigkeit des Agenten für deterministische Aufgaben zu erhöhen:LLMs eignen sich nicht besonders gut für Mathematik, das Vergleichen von Daten usw. Um Probleme mit der Zuverlässigkeit des Agenten zu vermeiden, erstellen Sie Tools, die komplexe Vorgänge ausführen.

4. Schreiben Sie Aufforderungen wie Produktspezifikationen (keine Prosa)

• Iteratives Design und Testen:Prompt Engineering ist ein iteratives Handwerk. Verwenden Sie daher UiPath Agent Builder, um Ihre Systemprompts und Aufgabenanweisungen zu verfeinern, indem Sie beim Erstellen geeignete Bewertungssätze erstellen und testen.

• Beginnen Sie mit einer Systemaufforderung, die Folgendes definiert:

  • Rolle und Persona

  • Anleitung

  • Ziel und Kontext

  • Erfolgskennzahlen

  • Leitplanken und Einschränkungen

• Verwenden Sie strukturiertes, mehrstufiges Denken:Integrieren Sie bei komplexen Arbeitsabläufen das Denken im Gedankenkettenstil. Definieren Sie explizit die Aufgabenzerlegung, Argumentationsmethoden und Ausgabeformate.

• Seien Sie spezifisch und so detailliert wie möglich über das gewünschte Ergebnis Ihres Agenten:Stellen Sie sicher, dass Sie das richtige Ausgabeschema Ihrer Out-Argumente im UiPath Data Manager definieren. Auch die Angabe von Beispielen hilft.

• Beschreiben Sie, was passieren sollte, anstatt was nicht passieren sollte:Es ist der Unterschied zwischen der Aufforderung an Ihren KI-Agenten mit „Fragen Sie NICHT nach persönlichen Informationen“ und „Vermeiden Sie es, nach persönlichen Informationen zu fragen, sondern verweisen Sie den Benutzer stattdessen an …“.

• Betrachten Sie unterschiedliche Eingabeaufforderungen, um dieselbe Aufgabe zu erfüllen:Modelle weisen ein unterschiedliches implizites Verhalten auf. Beispielsweise besteht die Tendenz, bei Unsicherheit Fehler zu melden, weshalb spezifische Anweisungen pro Modell erforderlich sind.

• Verwenden Sie Bewertungssätze, um die Eingabeaufforderung zu verfeinern:Experimentieren Sie mit Modellen und Eingabeaufforderungen mit Tools zur Eingabeaufforderungsoptimierung.

• Verwenden Sie die Markdown-Sprache:Mit dieser Sprache können Sie bestimmte Aspekte in Ihrer Eingabeaufforderung hervorheben. Beispiel:* *Kritisch:* *

• Vermeiden Sie es, Eingabeargumente in der Eingabeaufforderung anhand ihres Werts zu referenzieren:zum Beispiel {{input}}, da der Wert zur Laufzeit durch den tatsächlichen Argumentwert ersetzt wird.

Möchten Sie Ihre Prompt-Fähigkeiten erweitern? Die UiPath Academy deckt Sie mit den Kursen „So schreiben Sie bessere Eingabeaufforderungen“ und „Agentic Prompt Engineering“ ab.

5. Bewerten Sie es für die reale Welt

• Erstellen Sie robuste Bewertungsdatensätze:Mindestens 30 Bewertungsfälle pro Agent. Simulieren Sie Tools und Eskalationen, die Ausführungen blockieren könnten. Beziehen Sie Erfolgsfälle, Grenzfälle und Fehlerszenarien ein.

• Bewerten Sie die Breite und Tiefe:Decken Sie mehrere Dimensionen ab – Genauigkeit des Ergebnisses, Argumentation, Nachvollziehbarkeit, Anpassungsfähigkeit und Erfolg bei der Werkzeugnutzung.

• End-to-End-Tests:Bewerten Sie Agenten innerhalb vollständiger Automatisierungskontexte, nicht nur isoliert. Testen Sie Integration, Kommunikation, Wiederherstellung und Fehlermodi.

• Verwenden Sie die Nachverfolgung:Überprüfen Sie regelmäßig die Nachverfolgungsprotokolle, um die Argumentationsschleife, die Entscheidungen und die Tool-Nutzung des Agenten zu überprüfen. Identifizieren Sie Fehler, Ineffizienzen und unerwartetes Verhalten.

• Metriken und Governance:Verfolgen Sie Integritätsbewertungen und Regressionsmetriken und veröffentlichen Sie Gates, wenn Schwellenwerte überschritten werden.

6. Integrierte Sicherheit, Governance und Compliance

• Führen Sie Agenten über UiPath Orchestrator oder Maestro aus:Stellen Sie Agenten als Prozesse bereit, um Lebenszyklusmanagement, Überwachung und Governance zu übernehmen.

• Nutzen Sie AI Trust Layer:Wenden Sie gruppenspezifische Berechtigungen, PII-Schwärzung, Audit-Protokolle, Drosselung und Nutzungskontrollen an.

• Sorgen Sie dafür, dass der Mensch auf dem Laufenden bleibt:Nutzen Sie Eskalationen zur menschlichen Überprüfung risikoreicher Entscheidungen. Diese Interaktionen beeinflussen das Agentengedächtnis und verbessern zukünftige Ausführungen.

• Verwenden Sie Leitplanken:Legen Sie Regeln für akzeptables Verhalten und Eskalation fest und setzen Sie diese durch.

7. Version mit Absicht und Gate-Releases

• Alles versionieren:Behalten Sie eine klare Versionskontrolle für Eingabeaufforderungen, Tools, Datensätze und Auswertungen bei.

• Gate-Produktionsfreigabe:Verschieben Sie Agenten erst in die Produktion, nachdem die Evaluierungen bestanden und die Rollout-Pläne abgeschlossen sind.

• Hängen Sie Bewertungen an Versions-Tags an:Stellen Sie die Rückverfolgbarkeit vom Entwurf bis zur Bereitstellung sicher.

8. Gestalten Sie Gespräche, die Vertrauen aufbauen

• Setzen Sie klare Erwartungen:Kommunizieren Sie, was der Agent tun kann und was nicht. Stellen Sie transparente Werkzeugaktionen und klare Eskalationspfade zwischen Mensch und Roboter bereit.

• Bestätigen Sie irreversible Aktionen:Verwenden Sie deterministische Bestätigungen („Ich werde X-mit-Y-Felder erstellen – fortfahren?“).

• Design für Transparenz:Zeigen Sie gegebenenfalls Kontext- oder Begründungsausschnitte an, um Vertrauen aufzubauen.

9. Kontrollieren Sie Kosten und Leistung, ohne Abstriche bei der Qualität zu machen

• Optimieren Sie die Modellnutzung:Passen Sie die Größe Ihrer Modellauswahl an (große Modelle für komplexe Überlegungen, kleinere für Klassifizierung oder Routing).

• Begrenzen Sie die Token-Nutzung:Halten Sie Abrufe fokussiert, fassen Sie lange Kontexte zusammen und speichern Sie stabile Antworten im Cache.

• Batch- und Tier-Vorgänge:Batch-Anrufe mit geringem Risiko und Eskalation nur bei Bedarf an Modelle mit höherer Leistungsfähigkeit.

10. Verbessern Sie sich kontinuierlich mit Spuren, Gedächtnis und menschlichem Feedback

• Verfolgen und lernen:Nutzen Sie die Verfolgungs- und Auswertungsfunktionen in Agent Builder, um die Zuverlässigkeit iterativ zu verbessern. Nutzen Sie das Agentengedächtnis, um dem KI-Agenten zu helfen, aus von Menschen gelösten Eskalationen zu lernen.

• Menschliche Feedbackschleife:Eskalationen, Bewertungsfeedback und Ausführungsprotokolle sollten alle in Designaktualisierungen sowie in den Agentenspeicher einfließen.

• Inkrementelle Skalierung:Erweitern Sie die Agentenfunktionen erst, nachdem sich Stabilität und Leistung in kleinerem Maßstab bewährt haben.

Sind Sie bereit, Ihren ersten Produktionsagenten zu bauen?

Beginnen Sie mit Agent Builder oder sehen Sie sich eine Live-Demo an.

Für Entwickler haben wir alles, was Sie über die vielen Möglichkeiten zum Erstellen und Bereitstellen von Agenten wissen müssen, an einem praktischen Ort zusammengefasst. Beginnen Sie hier .

FAQ:Agent Builder und KI-Agenten

Was ist ein Agent Builder?

Ein Agent Builder ist eine Entwicklungsumgebung, mit der Sie KI-Agenten entwerfen, konfigurieren und bereitstellen können, die in Ihrer Unternehmensumgebung argumentieren, entscheiden und (sicher und zuverlässig) handeln können.

Warum UiPath Agent Builder anstelle eines generischen LLM-Agent-Tools verwenden?

UiPath Agent Builder in Studio ist für die Produktion und nicht für Prototypen konzipiert. Es kombiniert Scoring- und bewertungsgesteuerte Entwicklung für die Unternehmenstauglichkeit mit nahtloser Integration in Ihre bestehenden Geschäftssysteme. Sie können über eine benutzerfreundliche Oberfläche mit geringem Codeaufwand auf ein vollständiges Toolset zugreifen, einschließlich UI-Automatisierungen und intelligenter Dokumentenverarbeitung (IDP), und mühelos auf die breitere UiPath-Plattform für eine End-to-End-Automatisierung skalieren.

Wie evaluiere ich KI-Agenten vor der Produktion?

Verwenden Sie Bewertungsdatensätze, Ablaufverfolgungsprotokolle und Regressionsmetriken, um Genauigkeit, Erfolg der Werkzeugnutzung und Sicherheit zu validieren. Die UiPath-Auswertungs- und Nachverfolgungsfunktionen machen dies einfach und wiederholbar.

Können sich Agenten im Laufe der Zeit verbessern?

Ja. Agentengedächtnis- und Eskalations-Feedbackschleifen helfen Agenten dabei, aus menschlichen Eingriffen zu lernen und sich im Laufe der Zeit sicher weiterzuentwickeln.