Detaillierte Erläuterung der Agentenkonfiguration

Ein Agent kapselt „eine LLM-Sitzung + die ihm verfügbaren Tools + seine Ausführungsstrategie“. In Braidrun müssen Sie kaum je einen system prompt von Hand schreiben — es genügt, ein preset auszuwählen und bei Bedarf einige Felder per overrides anzupassen.

Voreinstellung: Wählen Sie eine Basislinie basierend auf der Szene aus

Ein preset ist eine plattformintegrierte Agent-Vorlage, die „Modell, Standard-Toolset, system prompt und Ausführungsstrategie“ zusammen bündelt und nach Anwendungsfall benannt ist. Aktuell gibt es 19 integrierte Presets:

Minimale Deklaration

agents:
  analyst:
    preset: universal

Das genügt bereits — Modell, Tools und system prompt folgen alle den Standardwerten des presets.

Overrides: Überschreiben bei Bedarf

agents:
  analyst:
    preset: universal
    overrides:
      system_prompt: |
        你是公司的风控分析师。所有输出用中文。
      llm_config:
        models:
          - model: anthropic/claude-sonnet-4-20250514
            provider: openrouter
        temperature: 0.2
      tool_set:
        - file_system
        - web
        - data_transform

Häufig verwendetes Überschreibungsfeld

• system_prompt — Ersetzt den system prompt des presets vollständig (kein Anhängen).
• llm_config — Modellkonfiguration: models-Liste (je Eintrag model + provider), fallback, temperature. Innerhalb desselben Workflows kann jeder Agent ein anderes Modell verwenden.
• tool_set — Eine Liste von Toolset-Namen, die die preset-Standardwerte vollständig ersetzt (ohne Zusammenführung).
• max_iterations — Harte Obergrenze der Runden von „Denken + Tool-Aufruf“ innerhalb des Agents; ist sie erreicht, wird zwangsweise gestoppt. Die Standardwerte der integrierten Presets sind großzügig bemessen.
• strategy — just_work_parallel（Standard der meisten Presets）/ just_work_parallel_reasoning（Sichtbare Denkschritte beibehalten）/ single_run（Direktausgabe in einer Runde, von lightweight verwendet）。
• mcp_servers — Registriert einen externen MCP Server; die von ihm bereitgestellten Tools werden in das Toolset dieses Agents aufgenommen.
• retry_max_attempts / retry_initial_delay / retry_max_delay — Backoff-Wiederholungsstrategie bei fehlgeschlagenem LLM-Aufruf.

Wiederverwendbar: Referenzagent im Schritt

agents:
  analyst: { preset: universal }
  writer:  { preset: writer }

steps:
  - step: plan
    agent: analyst
    input: "拆解下面这个目标为 3~5 个可执行任务：..."

  - step: write
    agent: writer
    input: "把下面的计划改写成给客户的邮件：{{steps.plan.output}}"
    depends_on: [plan]

Ein und derselbe Agent kann von mehreren step referenziert werden. Bei jeder step-Ausführung wird eine neue Sitzungsinstanz geöffnet — der Speicher wird nicht vermischt. Um Daten zwischen steps weiterzugeben, referenzieren Sie mit Template-Variablen die vorgelagerte Ausgabe; um den Kontext über Runden hinweg zu erhalten, verwenden Sie state_machine oder group_chat.

Toolset (tool_set)

Die integrierten Tools sind nach Namen gruppiert; gebräuchlich sind:

• file_system — Dateien im Arbeitsverzeichnis lesen und schreiben.
• shell — Shell-Befehle ausführen.
• web — HTTP-Anfragen, Webscraping und Suche.
• browser — Browser-Automatisierung: dynamische Seiten, Formulare, Screenshots.
• code_execution — Code-Snippets ausführen.
• csv · database · data_transform — CSV-Tabellen, SQL-Datenbanken, Formatkonvertierung zwischen JSON/YAML/XML.
• email · im — E-Mail-Versand und -Empfang sowie IM-Nachrichten (Slack, Telegram, DingTalk, WeCom, Feishu usw.).
• word · excel · powerpoint · pdf · ocr — Dokumentgenerierung und -parsing.
• image_processing · multimedia — Bildbearbeitung und KI-Bild- / -Audiogenerierung.
• git — Versionskontroll-Operationen.
• knowledge_memory — Ausführungsübergreifend persistierter Wissensspeicher.
• sub_agent — Sub-Agents ableiten, um Aufgaben zu zerlegen.
• skill_tools — Fähigkeiten (skills) laden und aufrufen.

Die Definition jedes presets enthält ein Standard-tool_set; darüber hinaus kann jeder Agent über die mcp_servers-Konfiguration die von einem MCP Server bereitgestellten Tools einbinden.

Empfehlungen zur Modellauswahl

• Für korrektheitskritische Aufgaben (Review, Schlussfolgern, Codegenerierung): Verwenden Sie die Flaggschiff- oder Reasoning-Modelle der jeweiligen Anbieter.
• Für latenzkritische Aufgaben mit einfachem Ausgabeformat (classifier, kurze Zusammenfassung): Verwenden Sie ein leichtgewichtiges Modell, schnell und günstig.
• Innerhalb desselben Workflows können Sie mischen: für die volumenstarke Analyse ein günstiges Modell, für die entscheidende Endprüfung ein stärkeres.

Alle Modelle laufen per BYOK: unterstützt werden 15+ Anbieter (OpenAI, Anthropic, Google, DeepSeek, Kimi, MiniMax, Zhipu, xAI, Mistral, Qwen usw. sowie lokal Ollama / LM Studio), die Aufrufkosten laufen über Ihr eigenes Konto, und die Zugangsdaten werden AES-256-GCM-verschlüsselt gespeichert. Auch Claude Pro / ChatGPT-Abonnements lassen sich per Login-Anbindung nutzen, ein API Key ist nicht zwingend erforderlich.

FAQ

Wie wird das Kontingent berechnet, wenn mehrere Schritte denselben Agenten wiederverwenden?

Jede step-Ausführung ist eine eigenständige LLM-Sitzung; der Token-Verbrauch wird in den Ausführungsdetails einzeln erfasst. Die Tarifkontingente begrenzen Plattformressourcen wie Workflow-Anzahl, Zeitplan-Anzahl und Parallelität; die LLM-Token laufen über Ihren eigenen Key, und die Plattform setzt kein Token-Limit.

Was soll ich tun, wenn es im Agent eine Endlosschleife gibt?

max_iterations ist eine harte Obergrenze; ist sie erreicht, wird der Lauf zwangsweise gestoppt. Sehen Sie zur Diagnose zuerst jede Runde der Tool-Aufrufe in der Ausführungszeitachse an; im Pro-Tarif und höher können Sie außerdem mit dem Breakpoint-Debugger innerhalb eines Schritts pausieren und prüfen.

Ich möchte mein eigenes Tool hinzufügen?

Empfohlen wird, es als MCP server zu verpacken und über die mcp_servers-Konfiguration einzubinden, ohne die Plattform ändern zu müssen. Siehe Integrierte Modulbibliothek mit Dokumentation zum KI-Assistenten Im MCP-Kapitel.