Die fünfschichtige Hermes-Agent-Architektur verwandelt Sprachmodelle von Antwortgeneratoren in zuverlässige Operatoren.
Der Wandel von Chat-Antworten zu Betriebsschleifen
Der einfachste Weg, die Architektur des Hermes-Agenten zu verstehen, besteht darin, die Antwortgenerierung von der Aufgabenausführung zu trennen.
Ein Chatbot basiert normalerweise auf einer einzelnen Börse. Der Benutzer fragt, das Modell antwortet und die Interaktion endet. Auch wenn die Antwort hilfreich ist, hat das Modell in der Benutzerumgebung nicht wirklich funktioniert. Es wurde weder eine Datenbank überprüft, eine Datei geöffnet, Live-Ergebnisse verglichen noch überprüft, ob die Ausgabe die eigentliche Aufgabe löste.
Ein Agent im Hermes-Stil funktioniert anders. Es läuft in einer Schleife. Es erhält ein Ziel, begründet den nächsten Schritt, ruft ein Tool auf, beobachtet das Ergebnis, aktualisiert seinen Status und fährt fort. Diese Schleife ist der Hauptgrund dafür, dass sich Agenten anders fühlen als gewöhnliche KI-Assistenten. Sie beschreiben nicht nur Arbeit. Sie können sich an der Arbeit beteiligen.
Diese Unterscheidung ist wichtig, da es sich bei den meisten Geschäftsabläufen nicht um einmalige Eingabeaufforderungen handelt. Ein Content-Vermarkter muss nicht isoliert „eine Blog-Gliederung schreiben“. Sie benötigen Keyword-Recherche, Mitbewerberbewertung, interne Linkzuordnung, Gliederungserstellung, Entwurfserstellung, Formatierung und Qualitätsprüfungen. Ein Support-Team muss nicht nur „diesem Kunden antworten“. Es erfordert Ticketklassifizierung, Bestellsuche, Richtlinienabgleich, Prüfung der Rückerstattungsberechtigung und Eskalation, wenn es sich um einen sensiblen Fall handelt.
Die Hermes Agent-Architektur ist für die mittlere Ebene zwischen menschlicher Absicht und Softwareausführung konzipiert.
Warum die Agentenarchitektur wichtiger ist als die Eingabeaufforderung
Viele Teams beginnen mit einer sofortigen Verbesserung. Sie schreiben Anweisungen neu, fügen Beispiele hinzu, passen den Ton an und versuchen, das Modell „intelligenter“ zu machen. Das hilft, aber nur bis zu einem gewissen Punkt.
Das tiefere Problem ist normalerweise architektonischer Natur. Der Agent weiß möglicherweise nicht, welche Tools verfügbar sind. Möglicherweise wird das richtige Tool mit den falschen Parametern aufgerufen. Es vergisst möglicherweise, was vor drei Schritten passiert ist. Es kann sein, dass die Schleife weiterläuft, nachdem die Antwort bereits ausreichend ist. Es kann jede Aufgabe als gleich sicher behandeln, auch wenn einige Aktionen einer Genehmigung bedürfen.
Ein nützlicher Agent braucht mehr als eine clevere Systemaufforderung. Es braucht Grenzen, Gedächtnis, Beobachtbarkeit, Werkzeugdesign, Feedback und Bewertung. Ohne diese Teile wird der Agent unberechenbar. Es kann in einer Demo beeindruckend und in der Produktion unzuverlässig erscheinen.
Aus diesem Grund sollte die Hermes Agent-Architektur als Betriebssystem für Entscheidungen konzipiert werden. Das Modell ist die Argumentationsmaschine, aber das umgebende System entscheidet, was das Modell sehen kann, was es tun kann, wie es Fortschritte aufzeichnet, wie es mit Fehlern umgeht und wann Menschen beteiligt werden müssen.
Die zentrale Hermes-Agentenschleife
Im Zentrum der Architektur steht ein sich wiederholender Zyklus: Verstehen, Planen, Handeln, Beobachten, Überarbeiten und Fertigstellen.
Der Agent interpretiert zunächst das Ziel des Benutzers. Ein schwacher Agent betrachtet das Ziel als direkte Anweisung und schreitet in die Tat um. Ein stärkerer Agent identifiziert das erforderliche Ergebnis, den verfügbaren Kontext, die fehlenden Informationen und den Risikograd der Aufgabe.
Dann erstellt es einen Plan. Dieser Plan muss kein langwieriger Aufsatz sein. Tatsächlich profitieren Produktionsmitarbeiter oft von einer kompakten Planung. Der wichtige Punkt ist, dass der Agent entscheiden muss, welche Abfolge von Aktionen sinnvoll ist.
Nach der Planung agiert der Agent mithilfe von Tools. Zu den Tools können Websuche, Dateilesen, Codeausführung, Datenbankabfragen, Browserautomatisierung, CRM-Zugriff, Tabellenkalkulationsbearbeitung, E-Mail-Entwurf oder interne APIs gehören. Beim Tool-Aufruf verlässt der Agent die reine Sprache und berührt die Arbeitsumgebung.
Der Beobachtungsschritt ist der Punkt, an dem viele schlechte Agenten scheitern. Ein Tool-Ergebnis ist nicht automatisch nützlich. Der Agent muss es untersuchen, entscheiden, ob sich dadurch der Status der Aufgabe geändert hat, und entscheiden, was als Nächstes zu tun ist. Wenn das Suchergebnis veraltet ist, sollte der Agent erneut suchen. Wenn die Datei nicht das erwartete Feld enthält, sollte sie angepasst werden. Wenn die API einen Fehler zurückgibt, sollte sie sich erholen, anstatt den Erfolg zu halluzinieren.
Die Schleife endet erst, wenn eine Abschlussbedingung erfüllt ist. Diese Bedingung kann eine endgültige Antwort, ein gespeicherter Entwurf, ein abgeschlossener Bericht, ein eingereichtes Formular oder eine Übergabe an einen menschlichen Prüfer sein.
Die fünf Architekturschichten eines sich selbst verbessernden Agenten
Ein sich selbst verbessernder Agent im Hermes-Stil kann auf fünf Ebenen verstanden werden: Schnittstelle, Argumentation, Werkzeuge, Gedächtnis und Bewertung.
Die Schnittstellenschicht
Die Schnittstellenschicht erfasst die Absicht des Benutzers. Dabei kann es sich um ein Chat-Fenster, eine Desktop-App, eine Browser-Erweiterung, einen Slack-Bot, einen Telegram-Bot, ein internes Dashboard oder einen Workflow-Trigger handeln. Diese Ebene sollte nicht einfach rohen Benutzertext an das Modell übergeben. Es sollte den Aufgabentyp klären, verfügbaren Kontext anhängen, Berechtigungen identifizieren und das Ausgabeformat definieren. Eine gute Schnittstellenschicht reduziert Unklarheiten, bevor der Agent mit der teuren, mehrstufigen Arbeit beginnt.
Die Argumentationsschicht
Die Argumentationsschicht entscheidet, was als nächstes zu tun ist. Hier interpretiert das Modell den aktuellen Zustand und wählt eine Aktion aus. Das Denken sollte strukturiert genug sein, um das Verhalten zu leiten, aber nicht so starr, dass es brüchig wird. Die beste Argumentationsebene ist nicht die längste Eingabeaufforderung. Es ist der klarste Vertrag. Es sagt dem Agenten, wie Erfolg aussieht, was er nicht tun darf, welche Quellen vertrauenswürdig sind, welche Aktionen eine Bestätigung erfordern und wie er reagieren soll, wenn die Beweise schwach sind.
Die Werkzeugebene
Auf der Werkzeugebene wird der Agent nützlich. Tools sind nicht nur technische Ergänzungen. Sie sind Teil der Sprache des Agenten. Wenn Werkzeugnamen vage, Parameter verwirrend oder die Ausgaben verrauscht sind, macht das Modell Fehler. Ein Tool namens get_data ist viel schwächer als eines namens search_customer_orders_by_email. Ein gutes Werkzeugdesign macht die richtige Aktion deutlich. Es erschwert auch gefährliche Aktionen. Beispielsweise sollte ein E-Mail-Tool „Entwurf erstellen“ und „E-Mail senden“ trennen. Ein Zahlungstool sollte eine ausdrückliche Genehmigung erfordern, bevor eine Rückerstattung vorgenommen werden kann. In der Produktion ist das Werkzeugdesign oft genauso wichtig wie die Modellauswahl.
Die Speicherschicht
Selbstverbesserung hängt vom Gedächtnis ab, aber Gedächtnis wird oft missverstanden. Ein Agent muss sich nicht alles merken. Tatsächlich kann es noch schlimmer werden, wenn man sich zu viel erinnert. Die Speicherschicht sollte Informationen speichern, die zukünftige Entscheidungen verbessern: Benutzerpräferenzen, wiederkehrende Arbeitsabläufe, erfolgreiche Werkzeugmuster, fehlgeschlagene Versuche, Genehmigungsregeln, Projektkontext und wiederverwendbare Fähigkeiten. Normalerweise gibt es mehrere Arten von Speicher. Das Kurzzeitgedächtnis verfolgt den aktuellen Lauf. Das Langzeitgedächtnis speichert dauerhaft Präferenzen und Arbeitsablaufwissen. Das episodische Gedächtnis zeichnet vergangene Versuche und Ergebnisse auf. Das Fähigkeitsgedächtnis verwandelt wiederholte Abläufe in wiederverwendbare Playbooks. Die Gefahr liegt in veralteter Erinnerung. Starke Architekturen umfassen Speicherüberprüfung, Ablauf, Benutzerkorrektur und Quellenkennzeichnung.
Die Evaluierungsschicht
Die Bewertungsebene ist der Unterschied zwischen einem Agenten, der „ausführt“, und einem Agenten, der sich verbessert. Ein sich selbst verbessernder KI-Agent benötigt Feedbacksignale. Einige Rückmeldungen erfolgen automatisch: Hat der Code die Tests bestanden? War der API-Aufruf erfolgreich? Entsprach der generierte JSON dem Schema? Anderes Feedback ist menschlich: Klang der Entwurf des Kundensupports einfühlsam? Enthält der Forschungsauftrag die richtigen Quellen? So wird Verbesserung systematisch. Das Team sagt nicht einfach: „Der Agent hat eine schlechte Antwort gegeben.“ Es kann den Fehlerpunkt identifizieren: unklare Anweisung, fehlender Kontext, fehlerhaftes Toolschema, schwacher Abruf, unsicherer Speicher oder schlechte Stopplogik.
Wie Selbstverbesserung tatsächlich funktioniert
Selbstverbesserung bedeutet nicht, dass der Agent nach jeder Aufgabe auf magische Weise seine eigenen neuronalen Gewichte neu schreibt. In den meisten praktischen Systemen erfolgt die Selbstverbesserung durch besseren Kontext, besseres Gedächtnis, bessere Werkzeuge und bessere Bewertungsschleifen.
Angenommen, ein Agent wird für die Produktion von SEO-Inhalten eingesetzt. Zunächst folgt möglicherweise ein allgemeiner Arbeitsablauf: Konkurrenten suchen, Überschriften extrahieren, eine Gliederung entwerfen, den Artikel schreiben und Metadaten erstellen. Nach mehreren Durchläufen bemerkt das System wiederholte Korrekturen durch Redakteure. Vielleicht sind die Entwürfe zu werblich. Vielleicht ist die Einleitung zu langsam. Vielleicht sind die internen Links oft irrelevant.
Eine sich selbst verbessernde Architektur erfasst diese Korrekturen. Es kann ein Stilgedächtnis aktualisieren, die Inhaltscheckliste verfeinern, die Bewertungsrubrik ändern oder eine wiederverwendbare „Editor-Pass“-Fertigkeit erstellen. Das Modell selbst mag dasselbe sein, aber das System um es herum wird stärker an die Standards des Teams angepasst.
Dies ist die praktische Bedeutung von sich selbst verbessernden KI-Agenten. Sie verbessern sich, weil die Umgebung es ihnen beibringt. Aus Feedback werden Anweisungen. Wiederholtes Verhalten wird zu Fähigkeiten. Fehler werden zu Testfällen. Menschliche Bewertungen werden zu einem strukturierten Gedächtnis, anstatt im Chat-Verlauf zu verschwinden.
Ein konkreter Arbeitsablauf: Von der Forschungsanfrage bis zum fertigen Brief
Stellen Sie sich einen Produktmanager vor, der einen Agenten bittet, einen Wettbewerbsforschungsauftrag für eine neue Produktivitäts-App zu erstellen.
Ein schwacher Assistent könnte aus dem Gedächtnis eine allgemeine Marktzusammenfassung erstellen. Ein Agent im Hermes-Stil würde die Aufgabe anders angehen. Zunächst wird das Ziel geklärt: Wettbewerber, Positionierung, Preisgestaltung, Funktionslücken und Benutzerbeschwerden. Anschließend durchsucht es aktuelle öffentliche Quellen, öffnet relevante Seiten, extrahiert Daten und zeichnet Zitate auf. Wenn die Ergebnisse inkonsistent sind, werden zusätzliche Prüfungen durchgeführt. Es kann eine Vergleichstabelle erstellen, Muster in Bewertungen identifizieren und überprüfte Fakten von Interpretationen trennen.
Als nächstes entwirft der Agent das Briefing. In einem Evaluierungsschritt wird geprüft, ob der Brief die ursprüngliche Frage beantwortet, ob Ansprüche unterstützt werden und ob die Empfehlungen umsetzbar sind. Wenn der Auftrag zu weit gefasst ist, überarbeitet der Makler ihn. Fehlen wichtige Konkurrenten, wird erneut gesucht. Wenn die Ausgabe für Führungskräfte bestimmt ist, wird das Fazit gekürzt und taktische Details in einen Anhang verschoben.
Das Endprodukt ist nicht nur Text. Es ist das Ergebnis eines kontrollierten Kreislaufs: Recherche, Verifizierung, Synthese, Kritik und Überarbeitung.
Diese Art von Workflow zeigt, warum die Agentenarchitektur wichtig ist. Der Wert ergibt sich aus dem gesamten System und nicht aus einer beeindruckenden Modellreaktion.