AWS definiert vier Bausteine hinter den KI-Agenten von Amazon Quick
AWS hat eine Taxonomie für die agentischen Systeme hinter Amazon Quick vorgestellt und ihre Arbeit in vier Fragen gegliedert: Wann, Was, Wer und Wie. Das Framework trennt Trigger, Agenten und Fähigkeiten voneinander und gibt Entwicklern ein gemeinsames Vokabular für die Entwicklung KI-gestützter Aufgaben.
- AWS ordnet die agentische Arbeit von Amazon Quick nach den Fragen Wann, Was, Wer und Wie.
- Trigger können menschlich ausgelöst, von Agenten delegiert, zeitgesteuert oder ereignisgesteuert sein.
- Agenten kombinieren Anweisungen, Fähigkeiten und erlernten Kontext.
- Tools, Skills und Workflows bieten unterschiedliche Freiheitsgrade für Agenten.
- AWS zufolge bleiben Skills und Workflows für Fachwissen, Prüfbarkeit und Koordination nützlich.
Eine gemeinsame Sprache für agentische Arbeit
AWS zufolge haben sich die Agenten von Amazon Quick von der Beantwortung von Fragen hin zur Ausführung von Aktionen entwickelt, etwa dem Planen von Meetings, dem Durchführen von Recherchen und dem Erstellen von Berichten. Im Zuge dieser Entwicklung stellte das Unternehmen fest, dass ähnliche Konzepte wiederholt unter unterschiedlichen Bezeichnungen umgesetzt wurden.
Die Taxonomie soll Anfragen präzisieren, die andernfalls auf mehrere Arten interpretiert werden könnten. Eine Anfrage, einen Slack-Kanal zu überwachen und täglich eine Zusammenfassung zu verschicken, könnte beispielsweise als neuer Agent, geplante Anweisung, Workflow oder Skill behandelt werden. Das Framework von AWS ordnet diese Elemente getrennten Rollen zu, ermöglicht aber ihr Zusammenspiel.
Laut AWS startet ein Trigger eine Aufgabe und enthält deren Anweisungen. Ein Agent übernimmt die Verantwortung für die Arbeit, während Fähigkeiten bestimmen, wie sie ausgeführt wird. Das Unternehmen erklärt, dass der größte Teil dieses Frameworks für Endnutzer unsichtbar bleiben sollte, Entwicklern aber eine Struktur für die Analyse des Systems bietet.
Trigger legen den Startzeitpunkt der Arbeit fest
AWS unterscheidet vier Trigger-Typen. Menschlich ausgelöste Trigger starten, wenn eine Person in einem Gespräch einen Agenten um etwas bittet. Von Agenten delegierte Trigger ermöglichen es einem Agenten, für ein Teilproblem einen anderen aufzurufen. Zeitgesteuerte Trigger aktivieren eine Aufgabe zu einem festgelegten Zeitpunkt, während ereignisgesteuerte Trigger auf Signale wie eine neue E-Mail, eine Slack-Erwähnung, eine Dateiänderung oder einen Webhook reagieren.
Der Trigger-Typ kann die Ausführung beeinflussen. AWS nennt als Beispiel eine geplante Hintergrundaufgabe, die vorsichtig agiert und bei Unsicherheit nichts unternimmt, während eine von einem Menschen gestartete Aufgabe stattdessen eine Rückfrage stellen könnte.
Das Unternehmen definiert einen Agenten als einen „persistent, learning actor“, also einen „dauerhaften, lernenden Akteur“. Jeder Agent umfasst feste Anweisungen, verfügbare Fähigkeiten und erlernten Kontext. AWS zufolge ist das zugrunde liegende Large Language Model ein austauschbarer Parameter, der Gesprächsverlauf gehört zur Sitzung und Trigger gehören zur Plattform.
Tools, Skills und Workflows bestimmen den Vertrauensrahmen
Fähigkeiten beschreiben, wie ein Agent handelt. Das Spektrum reicht von flexiblen, agentengesteuerten Entscheidungen bis zur deterministischen Ausführung. Tools sind atomare Operationen mit typisierten Ein- und Ausgaben, etwa das Versenden einer E-Mail, das Abfragen einer Datenbank oder das Lesen einer Datei. Skills liefern strukturierte Anleitungen, Ressourcen und Beispiele, lassen aber Raum für eigene Entscheidungen. AWS zufolge nutzen Skills eine schrittweise Offenlegung und zeigen kurze Beschreibungen, bis der Agent die vollständigen Anweisungen benötigt.
Workflows koordinieren festgelegte Schritte, Verzweigungen und die Fehlerbehandlung in einer festen Reihenfolge, wobei die Entscheidungslogik im Code und nicht durch die Inferenz des Modells umgesetzt wird. AWS beschreibt dies als nützlich für Prozesse wie eine Kaufgenehmigung, bei der eine Budgetprüfung, die Zustimmung des Managers und die Prüfung durch die Finanzabteilung dokumentiert werden können.
Das Unternehmen argumentiert, dass Skills und Workflows auch mit besseren Modellen ihren Wert behalten. Skills erfassen, versionieren und teilen institutionelles Wissen, während Workflows Prüfbarkeit und eine deterministische Koordination ermöglichen. AWS zufolge kann ein Skill zu einem Workflow werden, wenn sein Prozess gut verstanden ist. Umgekehrt kann sich ein Workflow zu einem Skill entwickeln, wenn er wiederholt auf Sonderfälle stößt.
Für Nutzer lautet die praktische Botschaft, dass dieselbe tägliche Slack-Zusammenfassung zunächst als einfache zeitgesteuerte Anweisung beginnen, durch einen Skill mit Formatierungsregeln und Prioritäten erweitert werden oder einen Workflow mit festen Schritten und Fehlerbehandlung nutzen kann. AWS zufolge hängt die passende Wahl davon ab, wie viel Spielraum der Nutzer dem Agenten geben möchte. Lernprozesse können spätere Durchläufe verbessern, ohne dass die Anweisungen manuell neu geschrieben werden müssen.
