> 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 der agentischen Funktionen unserer GenAI-Lösungen (z. B. Copilot Assistant). Sie erläutern, wie agentische Lösungen aufgebaut sind, wie natürliche Sprache in Datenbankabfragen übersetzt wird und warum agentische Integrationen mit Anwendungsfunktionen einen größeren Mehrwert bieten können als die herkömmliche Navigation über die Benutzeroberfläche.

## Terminologie

### Tool-Aufrufe

Ein Sprachmodell kann für sich genommen nur Text auf Grundlage seiner Trainingsdaten und des aktuellen Kontexts generieren. Es kann keine aktuellen Daten abrufen, eine Datenbank abfragen oder mit externen Systemen interagieren.

**Tool-Aufrufe** (auch Function Calling genannt) erweitert ein Sprachmodell um die Fähigkeit, während eines Gesprächs externe Funktionen aufzurufen. Das Modell erhält Beschreibungen der verfügbaren Tools – ihrer Namen, Parameter und Funktionen – und entscheidet anhand der Anfrage des Benutzers, wann und wie es sie aufruft.

Wenn ein Benutzer beispielsweise fragt: „Wie hoch ist die aktuelle Temperatur in Raum 302?“, rät das Modell die Antwort nicht. Es ruft ein Tool auf, das nach dem Asset „Raum 302“ sucht, ein weiteres Tool, um zu prüfen, welche Temperaturdaten verfügbar sind, und ein drittes Tool, um die neuesten Messwerte abzurufen.

### Agent

Ein Agent ist ein Sprachmodell, das mit Tools und einem festgelegten Arbeitsablauf für deren Nutzung ausgestattet ist.\
Der Agent entscheidet, welche Tools in welcher Reihenfolge aufgerufen werden, interpretiert Zwischenergebnisse, passt sein Vorgehen an, wenn etwas fehlschlägt, und erstellt aus einer oder mehreren Tool-Ausgaben eine abschließende Antwort.

### Subagenten

Ein Subagent ist ein spezialisiertes, eigenständiges Sprachmodell, das eine bestimmte Teilaufgabe innerhalb eines umfassenderen agentischen Arbeitsablaufs übernimmt. Anstatt einen monolithischen Agenten zu entwickeln, der alles erledigt, werden komplexe Aufgaben in spezialisierte Komponenten zerlegt.

Wichtige Eigenschaften von Subagenten:

* **Klar abgegrenzter Aufgabenbereich**: Jeder Subagent erledigt eine bestimmte Aufgabe besonders gut (z. B. SQL generieren, ein Diagramm planen oder ein Dokument erstellen).
* **Zustandslos**: Ein Subagent erhält in der Regel eine vollständig spezifizierte Anfrage und liefert ein Ergebnis zurück, ohne ein Gesprächsgedächtnis oder den Kontext mehrerer Gesprächsrunden 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 Anfrage mit vollständig festgelegtem Umfang und liefert ein Abfrageergebnis zurück, ohne ein Gesprächsgedächtnis zu benötigen. Durch diese Trennung bleiben die einzelnen Komponenten einfacher und zuverlässiger.

Ein SQL-Subagent erhält beispielsweise eine klar eingegrenzte Datenanfrage („wöchentliche Energiegesamtwerte für diese bestimmten Assets aus den letzten sechs Monaten abrufen“) und liefert ein Abfrageergebnis zurück. Er weiß nicht, wer der Benutzer ist, was zuvor besprochen wurde oder was mit dem Ergebnis geschehen soll. Dieser Kontext gehört zum orchestrierenden Agenten.

### Agentisches System

Ein agentisches System ist ein System, in dem eine oder mehrere LLM-gestützte Komponenten in einem koordinierten Kreislauf zusammenarbeiten: Sie planen, führen Aktionen aus, beobachten Ergebnisse und passen ihr Vorgehen über mehrere Schritte hinweg an.\
\
Zu den bemerkenswerten Fähigkeiten eines solchen Systems gehören **die Kombination von Komponenten und die Selbstkorrektur**:

* Mehrere spezialisierte Agenten oder Subagenten arbeiten gemeinsam an einer Aufgabe.
* Das System kann sich von Fehlern erholen (z. B. wird eine fehlgeschlagene Abfrage mit angepassten Parametern erneut ausgeführt).
* Zwischenergebnisse beeinflussen die nachfolgenden Schritte (z. B. legen die Ergebnisse der Konzeptauflösung fest, welche Datenbankabfrage generiert wird).
* Der Arbeitsablauf umfasst mehrere Denk- und Ausführungszyklen und nicht nur ein einziges Anfrage-Antwort-Paar.

In BuildingPro Suites ist der Copilot Assistant ein agentisches System. Anstatt einfach eine Datenbank aufzurufen und Zeilen zurückzugeben, führt sein Data Agent folgende Schritte aus:

1. Er interpretiert die Absicht des Benutzers und erstellt daraus einen Konzeptgraphen (Standorte, Messwerte und Beziehungen).
2. Er löst iterativ jedes Konzept anhand des aktuellen Asset-Modells mithilfe mehrerer spezialisierter Tools auf.
3. Er überträgt die Generierung von SQL an einen dedizierten SQL-Subagenten.
4. Er validiert und analysiert die Ergebnisse mithilfe deterministischer Prüfoperationen.
5. Optional überträgt er die Visualisierung an einen Visualisierungs-Subagenten.
6. Er kann sich von Fehlern in einzelnen Schritten erholen, indem er den Umfang verfeinert, Abfragen wiederholt oder den Benutzer um Klärung bittet.

Copilot Assistant ist ein Produktbeispiel für dieses Muster. Informationen zum kundenorientierten Arbeitsablauf, zu den Funktionen und Einschränkungen finden Sie in der gemeinsamen [Copilot Assistant-Dokumentation](https://docs.buildings.ability.abb/collection/german/copilot-assistant/copilot-assistant.md). Sein [Data Agent ](https://docs.buildings.ability.abb/collection/german/copilot-assistant/agent-modes/data-agent.md)wendet die in diesem Kapitel beschriebenen Konzepte auf Ihre Asset-Daten an.

### Agentische KI und Agenten

Die Begriffe „Agent“ und „agentische KI“ werden in der KI allgemein und oft synonym verwendet; eine [allgemein anerkannte Definition gibt es nicht.](#user-content-fn-1)[^1].

In der Praxis unterscheiden sich die Begriffe oft vor allem hinsichtlich des Umfangs:

| Begriff       | Typische Bedeutung                                                                                                                                              | Beispiel                                                                                                  |
| ------------- | --------------------------------------------------------------------------------------------------------------------------------------------------------------- | --------------------------------------------------------------------------------------------------------- |
| Agent         | Ein LLM mit Tools, das sich meist auf eine bestimmte Aufgabe konzentriert                                                                                       | „Ich rufe Daten aus einer Datenbank ab.“                                                                  |
| Agentische KI | <p>Ein umfassenderes System, das Ziele durchdenkt, Probleme in Teilaufgaben zerlegt<br>und mehrere Agenten oder Tools koordiniert, um eine Lösung zu finden</p> | „Gib mir eine grobe Richtung und ein paar Werkzeuge, und lass mich herausfinden, wie ich ans Ziel komme.“ |

In dieser Dokumentation bezeichnet „Agent“ eine LLM-gestützte Komponente mit Werkzeugen und einem festgelegten Arbeitsablauf. „Agentisch“ beschreibt das Verhalten des Gesamtsystems, wenn mehrere solcher Komponenten mit Planung, Delegation und Selbstkorrektur zusammenarbeiten.

[^1]: Der genaue Unterschied zwischen den Begriffen und ihre Abgrenzung sind meist eine Frage des Marketings.


---

# 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 by asking a question.

Perform an HTTP GET request on the following URL with the `ask` and `goal` query parameters:

```
GET https://docs.buildings.ability.abb/collection/german/akademie/building-intelligence-ai-and-machine-learning-in-buildingpro-suites/agents.md?ask=<question>&goal=<user_goal>
```

`ask` is the immediate question: it should be specific, self-contained, and written in natural language.
`goal` is what the user is ultimately trying to achieve, the reason they need the answer. Sharing it helps GitBook give you a better, more relevant answer. A goal is most helpful when it describes the outcome the user wants rather than restating the question. For example, with `ask=how do I create an API token`, a goal like `automate deployments from our CI pipeline` lets GitBook tailor the answer to that use case.

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.
