Von Prompt zu Agent: Die Kernlogik des Denkensprungs in der KI

In der Praxis der KI-Trainings in großen Unternehmen werden die Arbeitsweisen durch die wesentlichen Unterschiede zwischen Prompt-Denken und Agent-Denken neu geformt. Dieser Artikel analysiert in Tiefe, wie man traditionelle 'literarische Schreibweise'-Prompting-Wörter zu einer 'Projektmanagement'-Agent-Architektur aufwerten kann, und enthüllt die praktischen Methoden und Fallstricken-Handbucher für das Aufbauen von 'Digitalen Mitarbeiter-Clustern' in großen Unternehmen.

Nach langer Zeit des KI-Trainings in großen Unternehmen ist meine stärkste Empfindung: Prompt-Denken ist wie 'literarische Schaffung', während Agent-Denken eher 'Projektmanagement' ist.

Wenn Sie noch immer 500-Wort-Prompts für die KI schreiben und versuchen, mit 'Zauberworten' Glück zu haben, befinden Sie sich möglicherweise in der Falle der 'niedrigwertigen Fleißigkeit'.

Heute möchte ich dieses Denkmuster der Transformation von Prompt zu Agent aufschlüsseln und über die Geheimnisse in großen Unternehmen sprechen, die nicht leicht preisgegeben werden.

Denksprung: Vom 'Interviewer' zum 'alten Wachtmeister'

Viele Menschen haben beim Schreiben von Prompts die Haltung eines Interviewers: Sie stellen eine Reihe von Anforderungen und warten dann mit gekreuzten Armen auf eine perfekte Antwort des Modells. Wenn das Modell schlecht antwortet, fügen sie weitere Begrenzungen und Ausdrucksstärker hinzu, oder sogar drohen und locken.

Aber in der Welt der Agenten müssen Sie der 'Entwerfer eines SOP (Standard Operating Procedure)' sein.

• Prompt-Denken: 'Bitte schreiben Sie einen tiefgehenden Analysebericht über die Branche der großen Modelle. Er muss professionell, tiefgründig und 5.000 Wörter lang sein.' (Das ist ein Wetteinsatz auf die Obergrenze des Modells, und das Ergebnis ist oft nur ein Haufen Unsinn.)
• Agent-Denken: 'Ich brauche einen Bericht. Schritt 1: Suchen Sie die Branchennews der letzten 7 Tage. Schritt 2: Filtern Sie die Top 5 der Finanzierungen und technologischen Durchbrüche aus. Schritt 3: Erstellen Sie einen Gliederungsentwurf anhand dieser Materialien. Schritt 4: Schreiben Sie die einzelnen Abschnitte und korrigieren Sie die Daten.'

Geheimnisse aus großen Unternehmen: In unseren internen Projekten ist ein guter Agententwurf oft 'strukturiert'. Das Zerlegen einer komplexen Aufgabe in winzige Schritte, die das Modell auch im Schlaf richtig machen kann, ist viel effektiver als das Schreiben eines perfekten Prompts.

Merken Sie sich: Anweisungen können nur einzelne Probleme lösen, während Workflows geschlossene Geschäftsprozesse bewältigen können.

Drei Kernfaktoren: Tiefe Analyse und Praxis des Agent-Denkens

Um einen echten Agenten zu erstellen, müssen Sie im Wesentlichen Ihre 'beruflichen Erfahrungen' in eine 'vom Modell ausführbare Code-Logik' übersetzen. Um es allen verständlich zu machen, nehmen wir das von Berufstätigen am meisten gefürchtete Thema 'automatisches Schreiben von Wochenberichten' als Beispiel.

1. Logische Planung (Planning): Vom 'einzelnen Satz' zur 'Karte'

In der Prompt-Zeit dachten Sie, es genüge, die Anforderungen klar zu formulieren; aber in der Agent-Zeit müssen Sie 'mehrstufige Inferenzabläufe' entwerfen.

Beispielszenario: Wenn Sie das Modell direkt bitten, einen Wochenbericht zu schreiben, wird es höchstwahrscheinlich frei erfundenes Zeug produzieren.

In der Agent-Architektur wird der ReAct (Reasoning and Acting)-Rahmenwerk eingeführt. Nachdem der Agent die Anweisung erhalten hat, beginnt er nicht mit 'Schreiben', sondern mit 'Denken (Thought)'.

Er erstellt zunächst eine Aufgabenliste:

• Extraktion der Schlüsselzahlen der Leistung
• Analyse des Risikos von Verzögerungen
• Abstimmung mit der Planung für die nächste Woche.

Tiefgehende Einsicht: Bei der Modell-Trainings haben wir festgestellt, dass lange Prompts das Modell dazu bringen können, 'Aufmerksamkeitsverschiebungen' zu haben.

Die logische Planung eines Agenten ist im Wesentlichen eine 'Belastungsverteilung'.

Die Ausgabe des ersten Schritts wird als Eingabe für den zweiten Schritt verwendet.

Der Fehler in jeder Stufe wird auf das Minimum reduziert. Das ist der Grund, warum die von Agenten generierten Inhalte viel zuverlässiger sind als die von Prompts.

2. Langzeitgedächtnis (Memory): Vom 'Fremden' zum 'persönlichen Sekretär'

Warum wird die KI, die Sie so lange optimiert haben, plötzlich dumm, wenn Sie ein neues Dialogfenster öffnen? Weil sie nur ein 'Gedächtnis wie ein Fisch' hat.

Praktische Lösung: Wir führen über RAG (Retrieval Augmented Generation) eine Vektordatenbank ein.

• Langzeitgedächtnis: Speichern Sie die Standardvorlage der Unternehmenswochenberichte, Ihre Leistungsziele der letzten drei Monate und sogar die Vorlieben Ihres Chefs für bestimmte Wörter (z.B. mag der Chef nicht 'Befähigung', sondern 'Umsetzung').
• Kurzzeitgedächtnis: Notieren Sie Ihre wichtigen Äußerungen in der Gruppenkonversation in dieser Woche und die vorübergehend geänderten Anforderungen.

Effektvergleich: Wenn der Agent einen Wochenbericht schreiben will, sucht er zunächst in der Datenbank. Er wird sich daran erinnern: 'Im November letzten Jahres hat der Chef in der Genehmigung eines Wochenberichts erwähnt, dass er keine vagen Begriffe wie 'im Wesentlichen abgeschlossen' mag und konkrete Prozentzahlen verlangt.' Solche 'regelkonformen' Ergebnisse sind die Kernkompetenz im Beruf.

3. Werkzeugaufruf (Tool Use): Geben Sie der KI 'Administratorrechte'

Dies ist die Markgrenze, die Agenten von 'Chatbots' unterscheidet: Sie können nicht nur schreiben, sondern auch handeln.

Beispielszenario: Beim Schreiben eines Wochenberichts greift der Agent bei 'Leistungsdaten' nicht mehr auf 'Raten' zurück, sondern ruft externe Funktionen auf (Function Calling):

Erster Schritt: Datenbeschaffung (Data Sourcing)

Der Agent nutzt die Feishu-API (oder ein spezielles Daten-Plugin) als 'digitale Antenne' und greift direkt auf die angegebene Feishu-Tabelle zu.

Aktion: Die Zeilen- und Spalteninformationen in der Tabelle (z.B. Projektname, Fortschrittsprozentsatz, Fälligkeitsdatum) werden in Echtzeit extrahiert.

Ergebnis: Die ungeordneten Online-Tabellen werden in strukturierte Daten (JSON-Format) umgewandelt, die der Agent verstehen kann.

Zweiter Schritt: Intelligente Absichtserkennung (LLM Reasoning)

Der Agent übergibt die extrahierten Daten an das Large Language Model (LLM), das die Rolle eines Datenanalysten übernimmt.

Aktion: Das Modell beurteilt den Kernwert der aktuellen Daten.

• Wenn es sich um einen Fortschrittsvergleich handelt, entscheidet es sich für ein 'Säulendiagramm'.
• Wenn es sich um die Darstellung einer Zeittrend handelt, entscheidet es sich für ein 'Liniendiagramm'.

Ergebnis: Es wird eine Anweisungsliste mit 'Diagrammtyp, X-Achsenfeld, Y-Achsenfeld, Diagrammtitel' generiert.

Dritter Schritt: Aufruf des Visualisierungstools (Tool Execution)

Der Agent ruft anhand der Anweisungsliste die auf dem Server installierte Visualisierungstool-Bibliothek auf (z.B. Matplotlib oder Seaborn in Python).

Aktion: Dies ist wie das Senden einer automatischen Anweisung an ein Zeichnungssoftware. Die Tool-Bibliothek läuft im Hintergrund und rendert auf Pixelebene gemäß den Parametern des zweiten Schritts.

Ergebnis: Es wird ein hochauflösendes .png- oder .jpg-Diagramm generiert.

Vierter Schritt: Berichtssynthese und Ausgabe (Delivery)

Der Agent kombiniert das generierte Diagramm mit der von der KI automatisch verfassten Textzusammenfassung.

Aktion: Das Diagramm wird in die Wochenberichtsvorlage eingefügt oder direkt über einen Bot (Webhook) in die Feishu-Gruppenkonversation gesendet.

Ergebnis: Der Benutzer erhält am Ende einen illustrierten und tiefgehenden automatischen Wochenbericht.

Ein guter Agent sollte die 'Werkzeugwahlmöglichkeit' haben.

Wir müssen das Modell dazu bringen, wenn es unsicher ist, sich zu melden: 'Ich muss das 'Datenbankabfragetool' aufrufen, um die Zahlen zu verifizieren. Bitte erteilen Sie die Genehmigung.' Dieser Übergang von 'Unwissenheit' zu 'Bescheidenheit' ist ein Zeichen für die Weiterentwicklung der KI.

Fallstricken-Handbuch: Die 'Fehlschläge' in großen Unternehmen

Obwohl Agenten sehr mächtig sind, haben wir in großen Unternehmen unzählige Fallstricke kennengelernt. Hier sind drei Tipps für diejenigen, die sich umstellen möchten:

1. Wachsam sein vor 'Über-Engineering': Nicht alle Szenarien eignen sich für Agenten. Wenn Sie für eine einfache Übersetzungsaufgabe 'Planung - Übersetzung - Reflexion - Korrektur' in vier Schritten entwerfen, wird es nicht nur langsamer, sondern die Token-Kosten werden auch zehnmal höher. Wenn eine Aufgabe mit einem Prompt gelöst werden kann, dann verwenden Sie keinen Agenten.
2. Rekursion von Halluzinationen: Je mehr Schritte ein Agent hat, desto eher akkumulieren sich die Fehler. Wenn der erste Schritt falsch geplant ist, sind alle folgenden Schritte auch falsch. Deshalb müssen Sie beim Entwurf eines Agenten 'menschliche Bestätigungspunkte' oder 'logische Gatter' einrichten, damit er an kritischen Knotenpunkte anhält und Sie fragt.
3. Vertrauen Sie nicht zu sehr auf die 'Selbstbewertung' des Modells: Viele Leute fügen gerne den Satz 'Bitte überprüfen Sie Ihre Fehler' hinzu. Tatsächlich wird das Modell, wenn es von Anfang an falsch liegt, höchstwahrscheinlich auch bei der Überprüfung denken, dass es 'recht hat'. Eine effektive Selbstüberprüfung erfordert die Zusammenarbeit mit externen Tools (z.B. Linter, Code-Interpreter) für eine objektive Verifizierung.

Abschluss: Die 'Markgrenze' im Berufsleben der KI-Zeit

Als KI-Trainer denke ich täglich darüber nach: Wo liegt der Wert des Menschen, wenn die Fähigkeiten der Modelle immer stärker werden?

Ich habe festgestellt, dass sich zukünftige KI-Berufstätige schnell in zwei Gruppen aufteilen werden: Eine Gruppe trainiert weiterhin 'Zauberworte' und versucht, mit magischen Prompts Glück zu haben. Die Obergrenze ihrer Leistung ist die ursprüngliche Obergrenze des Modells. Die andere Gruppe beginnt bereits, ihre eigenen **'Digitalen Mitarbeiter-Cluster' aufzubauen. Sie sind nicht mehr nur reine Ausführende, sondern 'KI-Architekten'.

Prompts bestimmen die Obergrenze der KI, aber das Agent-Denken bestimmt Ihre Geschäftsgrundlage.

Wenn Sie anfangen, über 'wie man den Ausführungsprozess der KI managen kann' zu denken, anstatt über 'wie man das Ergebnis der KI beeinflussen kann', haben Sie bereits das Eintrittskarten für die hochrangigen KI-Spieler erhalten.

Dieser Artikel stammt aus dem WeChat-Account 'Jeder ist ein Produktmanager' (ID: woshipm), Autor: Mr.Right., veröffentlicht von 36Kr mit Genehmigung.