> For the complete documentation index, see [llms.txt](https://docs.buildings.ability.abb/collection/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://docs.buildings.ability.abb/collection/german/akademie/building-intelligence-ai-and-machine-learning-in-buildingpro-suites/agents.md).
# Agenten
Die folgenden Kapitel beschreiben die konzeptionellen und technischen Grundlagen hinter den agentischen Fähigkeiten unserer GenAI-Lösungen (z. B. Copilot Assistant). Sie erläutern, wie agentische Lösungen strukturiert sind, wie natürliche Sprache in Datenbankabfragen übersetzt wird und warum agentische Integrationen mit Anwendungsfunktionen mehr Wert liefern können als die traditionelle UI-Navigation.
## Terminologie
### Tool-Aufrufe
Ein Sprachmodell für sich allein kann nur Text auf Grundlage seiner Trainingsdaten und des aktuellen Kontexts erzeugen. Es kann keine Live-Daten abrufen, keine Datenbank abfragen und nicht mit externen Systemen interagieren.
**Tool-Aufrufe** (auch Funktionsaufrufe genannt) erweitert ein Sprachmodell um die Fähigkeit, während eines Gesprächs externe Funktionen aufzurufen. Das Modell erhält Beschreibungen der verfügbaren Tools — ihre Namen, Parameter und Aufgaben — und entscheidet anhand der Anfrage des Benutzers, wann und wie sie aufgerufen werden sollen.
Wenn ein Benutzer zum Beispiel fragt: „Wie hoch ist die aktuelle Temperatur in Raum 302?“, errät das Modell die Antwort nicht. Es ruft ein Tool auf, das nach dem Objekt „Raum 302“ sucht, ruft ein weiteres Tool auf, um zu prüfen, welche Temperaturdaten verfügbar sind, und ruft ein drittes Tool auf, um die neuesten Messwerte abzurufen.
### Agent
Ein Agent ist ein Sprachmodell, das mit Tools und einem definierten Arbeitsablauf für deren Nutzung ausgestattet ist.\
Der Agent entscheidet, welche Tools in welcher Reihenfolge aufgerufen werden, interpretiert Zwischenergebnisse, passt seinen Ansatz an, wenn etwas fehlschlägt, und erstellt aus einem oder mehreren Tool-Ausgaben eine finale Antwort.
### Subagenten
Ein Subagent ist ein spezialisierter, in sich geschlossener Sprachmodell-Agent, der eine bestimmte Teilaufgabe innerhalb eines größeren agentischen Workflows übernimmt. Anstatt einen monolithischen Agenten zu bauen, der alles erledigt, werden komplexe Aufgaben in fokussierte Komponenten zerlegt.
Wichtige Eigenschaften von Subagenten:
* **Fokussierter Umfang**: Jeder Subagent macht eine Sache gut (z. B. SQL generieren, einen Diagrammplan erstellen, ein Dokument erzeugen)
* **Zustandslos**: Ein Subagent erhält typischerweise eine vollständig spezifizierte Anfrage und gibt ein Ergebnis zurück, ohne Gesprächsspeicher oder mehrstufigen Kontext zu benötigen
* **Unabhängig weiterentwickelbar**: Der Subagent kann ausgetauscht, neu trainiert oder aktualisiert werden, ohne den orchestrierenden Agenten zu ändern, und umgekehrt
Der in BuildingPro Suites verwendete SQL-Subagent arbeitet beispielsweise zustandslos. Er erhält eine vollständig abgegrenzte Anfrage und gibt ein Abfrageergebnis zurück, ohne Gesprächsspeicher zu benötigen. Diese Trennung macht jede Komponente einfacher und zuverlässiger.
Ein SQL-Subagent erhält zum Beispiel eine abgegrenzte Datenanfrage („ermittle die wöchentlichen Energiegesamtwerte für diese bestimmten Anlagen über die letzten 6 Monate“) und gibt ein Abfrageergebnis zurück. Er weiß nicht, wer der Benutzer ist, was zuvor besprochen wurde oder was mit dem Ergebnis geschehen wird. Dieser Kontext gehört zum orchestrierenden Agenten.
### Agentisches System
Ein agentisches System ist ein System, in dem ein oder mehrere LLM-gestützte Komponenten in einer koordinierten Schleife arbeiten: planen, ausführen, Ergebnisse beobachten und sich über mehrere Schritte hinweg anpassen.\
\
Bemerkenswerte Fähigkeiten eines solchen Systems sind **Zusammensetzung und Selbstkorrektur**:
* Mehrere spezialisierte Agenten oder Subagenten arbeiten bei einer Aufgabe zusammen
* Das System kann sich von Fehlern erholen (z. B. wird eine fehlgeschlagene Abfrage mit angepassten Parametern erneut versucht)
* Zwischenergebnisse beeinflussen die nachfolgenden Schritte (z. B. bestimmen Ergebnisse der Konzepterlösung, welche Datenbankabfrage generiert werden soll)
* Der Arbeitsablauf umfasst mehrere Denk- und Ausführungszyklen, nicht nur ein einzelnes Anfrage-Antwort-Paar
In BuildingPro Suites ist der Copilot Assistant ein agentisches System. Anstatt einfach eine Datenbank abzufragen und Zeilen zurückzugeben, geht sein Data Agent wie folgt vor:
1. Analysiert die Absicht des Benutzers in einen Konzeptgraphen (Orte, Messwerte, Beziehungen)
2. Löst jedes Konzept iterativ gegen das aktuelle Objektmodell mithilfe mehrerer spezialisierter Tools auf
3. Delegiert die SQL-Generierung an einen dedizierten SQL-Subagenten
4. Validiert und analysiert Ergebnisse mit deterministischen Inspektionsoperationen
5. Delegiert optional die Visualisierung an einen Visualisierungs-Subagenten
6. Erholt sich bei jedem fehlgeschlagenen Schritt – durch Verfeinern des Umfangs, erneutes Ausführen von Abfragen oder Nachfragen beim Benutzer zur Klärung
Copilot Assistant ist ein Produktbeispiel für dieses Muster. Für den kundenorientierten Arbeitsablauf, die Funktionen und die Einschränkungen siehe die gemeinsame [Copilot Assistant-Dokumentation](/collection/german/copilot-assistent/copilot-assistant.md). Sein [Data Agent ](/collection/german/copilot-assistent/agent-modes/data-agent.md)wendet die in diesem Kapitel beschriebenen Konzepte auf Ihre Objektdaten an.
### Agentische KI vs. Agenten
Die Begriffe „Agent“ und „agentische KI“ werden in der KI breit verwendet, oft synonym und [es gibt keine\
einheitlich anerkannte Definition](#user-content-fn-1)[^1].
In der Praxis liegt der Unterschied oft im Umfang:
| Begriff | Typische Bedeutung | Beispiel |
| ------------- | ------------------------------------------------------------------------------------------------------------------------------------------------- | ---------------------------------------------------------------------------------------- |
| Agent | Ein LLM mit Tools, meist auf eine bestimmte Aufgabe fokussiert | „Ich werde Daten aus einer Datenbank abrufen“ |
| Agentische KI | Ein breiteres System, das über Ziele nachdenkt, Probleme zerlegt
und mehrere Agenten oder Tools auf dem Weg zu einer Lösung koordiniert
| „Gib mir eine grobe Richtung, einige Tools, und ich finde heraus, wie ich dorthin komme“ |
Für die Zwecke dieser Dokumentation bezieht sich „Agent“ auf eine LLM-gestützte Komponente mit Tools und einem definierten Arbeitsablauf. „Agentisch“ beschreibt das Gesamtverhalten des Systems, wenn mehrere solcher Komponenten mit Planung, Delegation und Selbstkorrektur zusammenarbeiten.
[^1]: Der genaue Unterschied und die Abgrenzungen hängen meist vom Marketing ab.
---
# Agent Instructions
This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com.
## Querying This Documentation
If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.
Perform an HTTP GET request on the current page URL with the `ask` query parameter, and the optional `goal` query parameter:
```
GET https://docs.buildings.ability.abb/collection/german/akademie/building-intelligence-ai-and-machine-learning-in-buildingpro-suites/agents.md?ask=&goal=
```
`ask` is the immediate question: it should be specific, self-contained, and written in natural language.
`goal` is optional and describes the broader end goal you are ultimately trying to accomplish on behalf of the user. GitBook uses it to tailor the answer towards what is most useful for that goal.
The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.
Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.