KI Agenten erstellen – Leitfaden für Maschinendaten

Klassische KI beantwortet Fragen. Ein KI-Agent geht einen Schritt weiter: Er handelt. Statt nur Text zu erzeugen, ruft ein Agent Werkzeuge auf, liest Live-Daten, trifft Entscheidungen und führt Aufgaben eigenständig aus – vom Auslesen einer Maschine bis zum Anlegen eines Arbeitsauftrags. Damit verschiebt sich der Nutzen von „Wissen abfragen“ hin zu „Aufgaben erledigen“. Für Industrieunternehmen entsteht daraus eine neue Klasse von Anwendungen, die direkt auf Betriebsdaten wirken. Dieser Artikel zeigt, wie Sie KI Agenten erstellen: Er erklärt den Aufbau, die zentralen Bausteine, das Model Context Protocol (MCP), die Framework-Landschaft und die Best Practices für den produktiven Einsatz in der Fertigung.

Was ist ein KI-Agent?

Ein KI-Agent ist ein System, das ein großes Sprachmodell (Large Language Model, LLM) als Denkkern nutzt, um selbstständig Aufgaben zu lösen. Das Modell plant, trifft Entscheidungen und ruft dabei externe Werkzeuge auf. Anders als ein reiner Chatbot bleibt der Agent nicht bei der Antwort stehen. Er handelt, beobachtet das Ergebnis und passt sein Vorgehen an. Drei Komponenten machen einen Agenten aus.

• Denkkern (LLM): Das Sprachmodell interpretiert die Aufgabe, zerlegt sie in Schritte und entscheidet, welches Werkzeug als Nächstes sinnvoll ist.
• Werkzeuge (Tools): Über Funktionsaufrufe greift der Agent auf APIs, Datenbanken oder Maschinen zu. Erst dadurch kann er in der realen Welt etwas bewirken.
• Gedächtnis (Memory): Der Agent speichert Zwischenergebnisse, frühere Schritte und Kontext, damit er über mehrere Aktionen hinweg konsistent bleibt.

Die Agenten-Schleife: wahrnehmen, denken, handeln, beobachten

Das eigentliche Prinzip steckt in der Agenten-Schleife (agent loop). Der Agent durchläuft sie wiederholt, bis die Aufgabe erledigt ist. Zuerst nimmt er den aktuellen Zustand und die Aufgabe wahr. Dann überlegt das LLM, welcher Schritt folgt. Anschließend handelt der Agent, indem er ein Werkzeug aufruft. Zuletzt beobachtet er das Ergebnis und startet die Schleife erneut. Genau diese Rückkopplung unterscheidet einen Agenten von einem Chatbot: Ein Chatbot antwortet einmal, ein Agent arbeitet iterativ auf ein Ziel hin.

Wie man einen KI-Agenten baut

Um einen KI-Agenten zu bauen, setzen Sie mehrere Bausteine zusammen. Jeder Baustein löst eine klar abgegrenzte Aufgabe. Die folgende Reihenfolge hat sich in der Praxis bewährt, wenn Sie KI Agenten erstellen möchten.

1. Modell wählen: Wählen Sie ein Sprachmodell, das zuverlässig plant und Funktionsaufrufe unterstützt. Größere Modelle argumentieren besser, kleinere sind schneller und günstiger. Für viele Aufgaben genügt ein mittelgroßes Modell.
2. Werkzeuge anbinden (Function Calling): Beschreiben Sie jedes Werkzeug als Funktion mit Namen, Zweck und Parametern. Das Modell entscheidet dann selbst, wann es welche Funktion mit welchen Argumenten aufruft.
3. Gedächtnis und Zustand: Legen Sie fest, was der Agent speichert. Ein Kurzzeitgedächtnis hält den laufenden Dialog, ein Langzeitgedächtnis – oft in einer Vektordatenbank – bewahrt Wissen über Sitzungen hinweg.
4. Orchestrierungs-Schleife: Implementieren Sie die Schleife aus Wahrnehmen, Denken, Handeln und Beobachten. Sie ruft das Modell auf, führt Werkzeuge aus und speist die Ergebnisse zurück, bis ein Abbruchkriterium erreicht ist.
5. Leitplanken (Guardrails): Begrenzen Sie, was der Agent darf. Dazu zählen erlaubte Werkzeuge, Wertebereiche, eine maximale Zahl an Schritten und eine Freigabe durch den Menschen bei kritischen Aktionen.

Das Model Context Protocol (MCP)

Ein Problem taucht schnell auf: Jedes Werkzeug spricht seine eigene Schnittstelle. Wer viele Systeme anbinden will, schreibt für jedes eine eigene Integration. Genau hier setzt das Model Context Protocol (MCP) an. MCP ist ein offener Standard, der Agenten und externe Werkzeuge über eine einheitliche Schnittstelle verbindet. Ein Agent spricht also nur noch MCP, und jedes System stellt einen MCP-Server bereit, der seine Daten und Funktionen anbietet.

Der Vorteil ist Wiederverwendbarkeit. Statt jede Verbindung neu zu programmieren, nutzt der Agent standardisierte MCP-Server – etwa für eine Datenbank, ein Dateisystem oder eine Industrieplattform. MCP entwickelt sich damit zum verbindenden Standard zwischen KI-Agenten und der Außenwelt. Wer heute KI Agenten erstellen will, sollte MCP deshalb von Beginn an einplanen.

KI-Agenten-Builder und Frameworks

Sie müssen nicht bei null anfangen. Für den Bau von Agenten existiert inzwischen eine breite Werkzeuglandschaft. Sie lässt sich in drei Gruppen einteilen, die sich vor allem im Abwägen zwischen Kontrolle und Geschwindigkeit unterscheiden.

Die drei Kategorien im Überblick

• Code-Frameworks: Bibliotheken wie LangChain oder LlamaIndex sowie die Agent-SDKs der Modellanbieter geben volle Kontrolle über Logik, Werkzeuge und Schleife. Sie erfordern jedoch Entwicklungsaufwand.
• No-Code- und Low-Code-Builder: Visuelle Werkzeuge erlauben es, Agenten per Baukasten zusammenzustellen. Sie beschleunigen erste Ergebnisse deutlich, schränken aber die Anpassbarkeit ein.
• Verwaltete Agenten-Plattformen: Gehostete Dienste übernehmen Betrieb, Skalierung und Überwachung. Sie senken den Aufwand, binden Sie aber stärker an einen Anbieter.

Die Wahl hängt vom Ziel ab. Ein Code-Framework passt, wenn Sie maximale Kontrolle und Integrationstiefe brauchen. Ein No-Code-Builder eignet sich für schnelle Prototypen und einfache Abläufe. Eine verwaltete Plattform lohnt sich, wenn der Betrieb im Vordergrund steht. In der Praxis kombinieren viele Teams die Ansätze: ein Prototyp im Builder, die produktive Version im Code-Framework. Unabhängig vom Werkzeug bleibt die entscheidende Frage jedoch dieselbe – woher bekommt der Agent verlässliche Daten?

KI-Agenten auf Fabrikdaten: UNS und MCP

In der Fertigung entfaltet ein Agent erst dann Wirkung, wenn er auf echte Maschinendaten zugreift. Genau hier liegt die typische Hürde: Betriebsdaten stecken in SPS, SCADA-Systemen und Historian-Datenbanken – verteilt, uneinheitlich und schwer zugänglich. Ein Agent, der jede dieser Quellen einzeln anbinden müsste, wäre kaum wartbar.

Der Unified Namespace (UNS) löst dieses Problem. Er bildet eine zentrale, hierarchisch organisierte Datenschicht, in der alle Systeme ihre Daten über einen gemeinsamen Message Broker – etwa MQTT – veröffentlichen. Damit stehen Maschinendaten normalisiert, kontextualisiert und in Echtzeit als Single Source of Truth (SSOT) bereit. Der Agent muss die Daten also nicht mühsam einsammeln, sondern findet sie an einer Stelle in einheitlicher Form.

Über einen MCP-Server wird der UNS für den Agenten nutzbar. Der Server stellt Funktionen bereit, mit denen der Agent Topics abonniert, Werte liest und – bei entsprechender Freigabe – Aktionen auslöst. Ein Wartungsagent könnte so den Vibrationsverlauf eines Motors im UNS abonnieren, eine Anomalie erkennen und automatisch einen Arbeitsauftrag anlegen. Das ist die i-flow-Perspektive: Der UNS liefert die einheitliche, kontextualisierte Datenbasis, die ein Agent braucht, und MCP bildet die standardisierte Brücke dorthin. So lassen sich KI Agenten erstellen, die verlässlich auf dem Factory Floor arbeiten.

Best Practices und Grenzen

Ein Agent, der eigenständig handelt, braucht klare Regeln. Ohne Leitplanken kann er Fehler skalieren, statt Nutzen zu stiften. Die folgenden Empfehlungen haben sich bewährt, wenn Sie KI Agenten erstellen und produktiv betreiben.

Empfehlungen

• Mensch in der Schleife: Lassen Sie kritische oder irreversible Aktionen vom Menschen freigeben, besonders wenn der Agent in Produktionsprozesse eingreift.
• Leitplanken definieren: Begrenzen Sie erlaubte Werkzeuge, Wertebereiche und die Zahl der Schritte. So verhindern Sie Endlosschleifen und unerwünschte Aktionen.
• Halluzinationen eindämmen: Verankern Sie Antworten in realen Daten aus dem UNS und lassen Sie den Agenten Quellen prüfen, statt Werte zu erfinden.
• Kosten im Blick behalten: Jeder Schritt verursacht Modellaufrufe. Begrenzen Sie die Schrittzahl und wählen Sie das kleinste ausreichende Modell.
• Klein anfangen: Starten Sie mit einem eng umrissenen Anwendungsfall statt mit einem universellen Agenten, und weiten Sie den Einsatz danach aus.

Zu den Grenzen zählt vor allem die Zuverlässigkeit. Ein LLM kann Fehler machen, deshalb eignen sich Agenten heute besser für unterstützende als für sicherheitskritische Aufgaben. Auch der Aufwand ist real: Ohne eine saubere Datenbasis bleibt jeder Agent wirkungslos. Deshalb gilt für die Fertigung dieselbe Reihenfolge wie bei jeder Industrial-AI-Initiative – zuerst die Daten, dann das Modell.

Fazit

KI-Agenten verschieben den Nutzen künstlicher Intelligenz vom Antworten zum Handeln. Ein LLM-Kern plant, Werkzeuge greifen ein, ein Gedächtnis sichert den Kontext, und die Agenten-Schleife hält alles in Bewegung. Der Weg dorthin führt über klar getrennte Bausteine, das Model Context Protocol als verbindenden Standard und eine bewusste Wahl zwischen Frameworks, Buildern und Plattformen. Drei zentrale Erkenntnisse:

1. Handeln statt antworten: Ein Agent kombiniert LLM, Werkzeuge und Gedächtnis in einer Schleife und führt Aufgaben eigenständig aus.
2. MCP als Standard: Das Model Context Protocol verbindet Agenten einheitlich mit Werkzeugen und Daten – auch mit dem Unified Namespace.
3. Daten vor Autonomie: In der Fertigung liefert der UNS die kontextualisierte Datenbasis, ohne die kein Agent verlässlich handelt.

Wer heute das Datenfundament legt und MCP einplant, kann KI Agenten erstellen, die nicht nur beeindrucken, sondern im Werk echten Mehrwert schaffen.