> 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/agents-in-the-smart-building-domain.md).
# Agenten im Bereich Smart Buildings
Intelligente Gebäude erzeugen große Datenmengen, die oft über mehrere Subsysteme und Schnittstellen verteilt sind: Asset-Konfigurationen, Live-Telemetrie, Alarme, Zeitreihentrends.\
Das Gewinnen von Erkenntnissen aus diesen Daten erfordert traditionell das Navigieren zwischen Dashboards, das Konfigurieren neuer Diagramme, das Prüfen von Rohdaten oder das Zurückgreifen auf vorgefertigte Berichte.\
\
Agenten bieten ein anderes Interaktionsmodell. Statt dass der Benutzer zu den Daten navigiert, navigiert der Agent für den Benutzer.\
Ein Agent erhält eine Anfrage in natürlicher Sprache, zerlegt sie in Schritte, nutzt Tools, um die relevanten Informationen zu ermitteln und abzurufen, und liefert ein strukturiertes, nachvollziehbares Ergebnis.\
\
In BuildingPro Suites fungieren Agenten als die Schnittstellenschicht zwischen Geschäftsanwendern und der Daten- und Funktionsoberfläche der Plattform. Doch anstatt Plattformfunktionen zu ersetzen, machen sie sie zugänglich, ohne dass die Nutzer das zugrunde liegende Datenmodell, Abfragesprachen oder UI-Navigationspfade verstehen müssen.\
* Asset-Hierarchien sind tief und projektspezifisch. Ein einzelnes Portfolio kann Tausende von Assets über Dutzende von Typen hinweg enthalten, organisiert nach Standort, Funktion und logischer Gruppierung. Die manuelle Navigation durch diese Strukturen ist langsam.
* Metriken befinden sich auf verschiedenen Asset-Typen auf unterschiedlichen Ebenen der Hierarchie. „Energieverbrauch“ könnte von Zählern drei Ebenen unterhalb des Gebäudes erfasst werden, nach dem der Benutzer fragt. Ein Agent löst diese Kette automatisch auf.
* Die Fragen, die Benutzer stellen, sind oft ad hoc und explorativ. Vorgefertigte Dashboards decken bekannte Fragen ab; Agenten decken den Rest ab.
Über den Datenabruf hinaus ermöglichen Agenten ein grundlegend anderes Interaktionsmuster mit Anwendungsfunktionen.
**Das traditionelle Muster:**
1. Der Benutzer möchte etwas konfigurieren (z. B. eine Alarmregel, ein Dashboard, einen Bericht)
2. Der Benutzer navigiert zur relevanten Funktion in der Anwendung
3. Der Benutzer liest Dokumentation oder Tooltips, um die verfügbaren Optionen zu verstehen
4. Der Benutzer füllt Formulare aus, wählt Parameter aus, navigiert zwischen zugehörigen Bildschirmen
5. Der Benutzer überprüft das Ergebnis
Das erzeugt Reibung sogar für erfahrene Nutzer. Für gelegentliche Nutzer oder solche, die mit dem Datenmodell nicht vertraut sind, schafft es eine Barriere, die Funktionen faktisch unzugänglich macht.\
Eine agentische Integration ändert das grundlegend. Statt dass der Benutzer zur Funktion navigiert, erhält der Agent die Fähigkeiten der Funktion im Voraus: was sie tut, welche Eingaben sie akzeptiert und welche Ausgaben sie erzeugt. Dies ist im Kontext des Agents als Tool-Definitionen und Systemanweisungen eingebettet. Der Benutzer formuliert seine Absicht in natürlicher Sprache, und der Agent:
**Das agentische Muster:**
1. Der Benutzer beschreibt in natürlicher Sprache, was er möchte
2. Der Agent hat bereits die *Essenz* der Dokumentation der Funktion in seinem Kontext eingebettet: die Parameter, Einschränkungen, gültigen Konfigurationen.
3. Der Agent übersetzt die Anfrage in natürlicher Sprache in die technische Konfiguration, wählt die passende Funktion/das passende Tool aus und führt sie aus
4. Der Agent übersetzt das technische Ergebnis zur Überprüfung wieder in natürliche Sprache
Dies geht nicht darum, die UI zu entfernen. Es geht darum, die Reibung zwischen\
*zu wissen, was man will* als auch *zu wissen, wie man es in den Begriffen der Anwendung ausdrückt*.Der Agent fungiert als bidirektionaler Übersetzer:
* **Natürliche Sprache -> technische Konfiguration:** „Benachrichtige mich, wenn irgendein Raum im 3. Stock länger als 30 Minuten über 26 °C liegt“ wird zu einer konkreten Alarmregel mit dem richtigen Asset-Umfang, Attribut, Schwellenwert und der richtigen Dauer.
* **Technische Konfiguration -> natürliche Sprache:** Der Agent erklärt, was er erstellt hat, damit der Benutzer es überprüfen kann, ohne die technische Darstellung analysieren zu müssen.
Dieses Muster skaliert über Funktionen hinweg. Jede neue agentische Integration folgt demselben Prinzip: Geben Sie dem Agenten den Kontext, den er benötigt, um eine Funktion zu bedienen (ihr Schema, ihre Einschränkungen, gültige Optionen), und er wird zu einer Schnittstelle, die Benutzer über Konversation statt über Navigation nutzen können.\
Der Nutzen wächst mit der Komplexität der Plattform. Je mehr Funktionen, Menüs und Konfigurationsoptionen eine Plattform hat, desto mehr Wert liefert ein Agent, indem er den Navigations- und Lernaufwand in eine einzige dialogorientierte Oberfläche zusammenführt.
---
# 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/agents-in-the-smart-building-domain.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.