> 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 intelligenter Gebäude

Intelligente Gebäude erzeugen große Datenmengen, die häufig über mehrere Subsysteme und Schnittstellen verteilt sind: Anlagenkonfigurationen, Live-Telemetriedaten, Alarme und Zeitreihenverläufe.\
Um Erkenntnisse aus diesen Daten zu gewinnen, muss man traditionell zwischen Dashboards wechseln, neue Diagramme konfigurieren, Rohdaten untersuchen oder auf vorgefertigte Berichte zurückgreifen.\
\
Agenten bieten ein anderes Interaktionsmodell. Statt dass Nutzer zu den Daten navigieren, übernimmt der Agent die Navigation für sie.\
Ein Agent erhält eine Anfrage in natürlicher Sprache, zerlegt sie in Schritte, verwendet Tools, um die relevanten Informationen zu ermitteln und abzurufen, und liefert ein strukturiertes, nachvollziehbares Ergebnis zurück.\
\
In BuildingPro Suites fungieren Agenten als Schnittstellenschicht zwischen Geschäftsanwendern und den Daten und Funktionen der Plattform. Statt die Plattformfunktionen zu ersetzen, machen sie diese zugänglich, ohne dass Nutzer das zugrunde liegende Datenmodell, Abfragesprachen oder Navigationspfade der Benutzeroberfläche verstehen müssen.\ <br>

* Anlagenhierarchien sind tief verschachtelt und projektspezifisch. Ein einzelnes Portfolio kann Tausende von Anlagen aus Dutzenden von Typen umfassen, die nach Standort, Funktion und logischer Gruppierung organisiert sind. Die manuelle Navigation ist zeitaufwendig.
* Messwerte sind auf verschiedenen Anlagentypen und Hierarchieebenen verteilt. „Energieverbrauch“ wird möglicherweise von Zählern erfasst, die sich drei Ebenen unterhalb des Gebäudes befinden, nach dem der Nutzer fragt. Ein Agent löst diese Zuordnungskette automatisch auf.
* Die Fragen der Nutzer sind oft spontan und explorativ. Vorgefertigte Dashboards decken bekannte Fragen ab; Agenten kümmern sich um den Rest.

Über den Datenabruf hinaus ermöglichen Agenten ein grundlegend anderes Interaktionsmuster mit Anwendungsfunktionen.

**Das herkömmliche Muster:**

1. Der Nutzer möchte etwas konfigurieren (z. B. eine Alarmregel, ein Dashboard oder einen Bericht).
2. Der Nutzer navigiert in der Anwendung zur entsprechenden Funktion.
3. Der Nutzer liest die Dokumentation oder Kurzinfos, um die verfügbaren Optionen zu verstehen.
4. Der Nutzer füllt Formulare aus, wählt Parameter aus und wechselt zwischen zugehörigen Ansichten.
5. Der Nutzer überprüft das Ergebnis.

Das ist selbst für erfahrene Nutzer umständlich. Für Gelegenheitsnutzer oder Personen, die mit dem Datenmodell nicht vertraut sind, entsteht dadurch eine Hürde, die Funktionen praktisch unzugänglich macht.\
Eine agentengestützte Integration verändert das grundlegend. Statt dass der Nutzer zur Funktion navigiert, kennt der Agent von Anfang an deren Möglichkeiten: was sie tut, welche Eingaben sie akzeptiert und welche Ausgaben sie erzeugt. Diese Informationen sind in Form von Tool-Definitionen und Systemanweisungen in den Kontext des Agenten eingebettet. Der Nutzer beschreibt seine Absicht in natürlicher Sprache, und der Agent:

**Das agentengestützte Muster:**

1. Der Nutzer beschreibt in natürlicher Sprache, was er möchte.
2. Der Agent hat bereits die *Kernaussagen* der Dokumentation zur Funktion in seinem Kontext eingebettet: die Parameter, Einschränkungen und gültigen Konfigurationen.
3. Der Agent übersetzt die Anfrage in natürlicher Sprache in die technische Konfiguration, wählt die passende Funktion bzw. das passende Tool aus und führt sie aus.
4. Der Agent übersetzt das technische Ergebnis zur Überprüfung zurück in natürliche Sprache.

Das ist sehr hilfreich, um die Hürde zwischen *zu wissen, was man möchte,* und *zu wissen, wie man es mit den Begriffen der Anwendung ausdrückt,*. Der Agent fungiert als Übersetzer in beide Richtungen:

* **Natürliche Sprache -> technische Konfiguration:** „Benachrichtige mich, wenn ein beliebiger Raum im 3. Stock länger als 30 Minuten über 26 °C liegt“ wird zu einer konkreten Alarmregel mit dem passenden Anlagenbereich, Attribut, Schwellenwert und Zeitintervall.
* **Technische Konfiguration -> natürliche Sprache:** Der Agent erklärt, was er erstellt hat, sodass der Nutzer das Ergebnis überprüfen kann, ohne die technische Darstellung verstehen zu müssen.

Dieses Muster lässt sich auf viele Funktionen übertragen. Jede neue agentengestützte Integration folgt demselben Prinzip: Man stellt dem Agenten den Kontext bereit, den er zur Nutzung einer Funktion benötigt (Schema, Einschränkungen und gültige Optionen), und schon wird er zu einer Schnittstelle, die Nutzer per Unterhaltung statt durch Navigation bedienen können.\
Je komplexer die Plattform, desto größer der Nutzen. Je mehr Funktionen, Menüs und Konfigurationsoptionen eine Plattform bietet, desto mehr Mehrwert schafft ein Agent, indem er den Navigations- und Lernaufwand in einer einzigen dialogbasierten Schnittstelle bündelt.


---

# 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/agents-in-the-smart-building-domain.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.
