Was ist ein wissensbasierter Agent?
Ein wissensbasierter Agent ist ein KI-System, das mithilfe einer Wissensbasis und einer Inferenzmaschine schlussfolgert und handelt. Die Wissensbasis speichert Fachwissen, während die Inferenzmaschine Regeln auf bekannte Fakten anwendet und daraus Schlussfolgerungen ableitet. Der grundlegende Ablauf lautet Wahrnehmung → Wissensbasis → Inferenz → Aktion. Ein technischer Support-Agent kann beispielsweise ein Druckerproblem mit Fehlerbehebungsregeln abgleichen, eine Lösung vorschlagen und die Grundlage dieser Empfehlung erklären.
Wie funktioniert ein wissensbasierter Agent?
Ein wissensbasierter Agent in der künstlichen Intelligenz folgt in der Regel einem wiederkehrenden Denkzyklus. Er nimmt Informationen aus seiner Umgebung auf. Er wandelt diese Informationen in strukturierte Fakten um. Anschließend fragt er seine Wissensbasis ab, bevor er eine Antwort oder Aktion auswählt.
Die Wahrnehmungsphase
In der Wahrnehmungsphase werden Informationen aus der Umgebung erfasst. Die Quelle kann eine Nutzernachricht, ein Sensorwert, ein Transaktionsdatensatz oder ein Systemereignis sein.
Rohdaten sind nicht immer sofort für logisches Schlussfolgern geeignet. Der Agent muss die Eingabe unter Umständen zunächst normalisieren. Dabei kann er wichtige Entitäten identifizieren, Bedingungen erkennen und das Ergebnis in strukturierte Wahrnehmungen umwandeln.
Zum Beispiel:
User input: The printer has power, but it does not print.
Percepts: printer_has_power, printer_not_printingDiese Umwandlung liefert der Inferenzmaschine ein einheitliches Format für den Regelabgleich.
Der TELL–ASK–PERFORM-Zyklus
Ein klassischer wissensbasierter Agent verwendet drei Kernoperationen:
| Operation | Zweck | Beispiel |
|---|---|---|
| TELL | Fügt der Wissensbasis neue Informationen hinzu | Erfassen, dass eine Bestellung verzögert ist |
| ASK | Fragt die Wissensbasis nach einer Schlussfolgerung ab | Prüfen, ob die Bestellung für den Support qualifiziert ist |
| PERFORM | Führt die ausgewählte Aktion aus | Ein Tracking-Update senden |
Die Inferenz- und Aktionsphase
Die Inferenzmaschine prüft, welche Regeln zu den vorhandenen Fakten passen. Daraus leitet sie eine oder mehrere Schlussfolgerungen ab. Ein Planer oder Aktionsauswähler kann diese Schlussfolgerungen nutzen, um den nächsten Schritt zu bestimmen.
Ein zuverlässiger Agent sollte zwischen einer gesicherten Schlussfolgerung und einer möglichen Erklärung unterscheiden. Enthält die Wissensbasis nicht genug Informationen, sollte der Agent um Klärung bitten oder den Fall an einen Menschen weiterleiten.
Was sind die wichtigsten Komponenten eines wissensbasierten Agenten?
Die Architektur wissensbasierter Agenten kombiniert mehrere Schichten. Jede Schicht hat eine eigene Aufgabe. Diese Trennung macht das System leichter testbar und wartbar.
Wissensbasis
Die Wissensbasis speichert die Fakten und Regeln, die ein Agent für seine Schlussfolgerungen nutzt. Sie kann zum Beispiel erfassen, dass ein Kunde ein aktives Abonnement hat und dass aktive Abonnenten Zugriff auf einen bestimmten Support-Kanal haben.
Eine Wissensbasis kann je nach Anwendungsbereich eine Datenbank, einen Wissensgraphen oder eine Regel-Engine verwenden. Ihre Qualität ist entscheidend, denn fehlende oder falsche Informationen können zu unzuverlässigen Schlussfolgerungen und Handlungen führen.
Wissensrepräsentation
Die Wissensrepräsentation legt fest, wie Informationen innerhalb des Systems dargestellt werden. Aussagenlogik behandelt einfache Wahr-oder-Falsch-Aussagen, während Prädikatenlogik erster Stufe Variablen und Beziehungen nutzt, um komplexeres Wissen darzustellen.
Weitere Ansätze sind WENN-DANN-Produktionsregeln, die sich in Expertensystemen leicht überprüfen lassen. Ontologien definieren Domänenkonzepte und ihre Beziehungen, während Wissensgraphen diese Beziehungen nutzen, um Entitäten miteinander zu verknüpfen.
Inferenzmaschine
Die Inferenzmaschine wendet Regeln auf Informationen in der Wissensbasis an. Vorwärtsverkettung beginnt mit bekannten Fakten und wendet passende Regeln an, bis eine Schlussfolgerung erreicht ist.
Rückwärtsverkettung beginnt mit einem Ziel und sucht nach unterstützenden Fakten. Fortgeschrittenere Systeme können Techniken wie Resolution oder Unifikation einsetzen, um logische Aussagen mit Variablen zu verarbeiten.
Erklärung und Meinungsrevision
Das Erklärungsmodul identifiziert die Fakten und Regeln hinter einer Schlussfolgerung. Diese Nachvollziehbarkeit hilft Nutzern zu verstehen, warum der Agent eine bestimmte Antwort oder Handlung gewählt hat.
Die Meinungsrevision verwaltet Änderungen und Konflikte innerhalb der Wissensbasis. Sie nutzt Prioritätsregeln, um festzulegen, welche Informationen gültig bleiben sollen – das ist besonders wichtig in regulierten Arbeitsabläufen.
Wo werden wissensbasierte Agenten eingesetzt?
Wissensbasierte Agenten sind nützlich, wenn ein System explizitem Fachwissen folgen muss. Sie sind besonders wertvoll, wenn der Entscheidungsprozess nach einer Handlung überprüft werden muss.
Medizinische Entscheidungsunterstützung
Ein System zur medizinischen Entscheidungsunterstützung kann Symptome mit klinischen Regeln abgleichen. Es kann mögliche Erkrankungen identifizieren oder empfehlen, welche Informationen als Nächstes erhoben werden sollten.
Ein solches System sollte medizinisches Fachpersonal unterstützen, nicht ersetzen. Seine Ausgaben erfordern eine angemessene Überprüfung, insbesondere wenn die Entscheidung die Patientenversorgung betrifft.
Automatisierung des Kundensupports
Ein Support-Agent kann eine Produktwissensbasis durchsuchen, bevor er einem Kunden antwortet. Er kann Geschäftsregeln nutzen, um zu bestimmen, ob ein Fall für eine Rückerstattung, eine Eskalation oder einen Fehlerbehebungsablauf qualifiziert ist.
Dieser Prozess trägt dazu bei, Antworten konsistent zu halten. Außerdem erhält das Support-Team eine Dokumentation darüber, warum eine bestimmte Maßnahme gewählt wurde.
Compliance und Entscheidungsunterstützung
Compliance-Systeme können Transaktionen mit internen Richtlinien abgleichen. Sie können auch Fälle kennzeichnen, die eine zusätzliche Freigabe erfordern.
Ein wissensbasiertes System ist hier nützlich, weil Richtlinien als explizite Regeln dargestellt werden können. Ändert sich eine Richtlinie, kann die entsprechende Regel überprüft und aktualisiert werden.
Bildung und Gerätediagnose
Ein intelligentes Tutorensystem kann die früheren Antworten eines Lernenden nutzen, um eine Wissenslücke zu erkennen. Anschließend kann es eine passende Erklärung oder Übung auswählen.
Ein Gerätediagnosesystem kann Sensordaten mit Wartungsregeln kombinieren. Es kann eine Inspektion empfehlen oder einen Reparaturauftrag erstellen, wenn bestimmte Bedingungen erfüllt sind.
Was sind die Vorteile und Grenzen?
Vorteile
Wissensbasierte Agenten bieten mehrere praktische Vorteile:
Erklärbarkeit: Das System kann eine Schlussfolgerung mit den Fakten und Regeln verknüpfen, die sie erzeugt haben.
Konsistenz: Dieselbe Regel kann in ähnlichen Fällen auf die gleiche Weise angewendet werden.
Fachwissen: Teams können spezialisiertes Wissen für eine bestimmte Branche kodifizieren.
Wartbarkeit: Eine Regel lässt sich oft aktualisieren, ohne ein ganzes Modell neu zu trainieren.
Nachvollziehbarkeit: Entscheidungsprotokolle können zeigen, welche Informationen eine Handlung beeinflusst haben.
Zielorientiertes Schlussfolgern: Der Agent kann auf ein definiertes Ziel hin argumentieren, anstatt eine beliebige Antwort zu generieren.
Diese Vorteile machen wissensbasierte Agenten für strukturierte Arbeitsabläufe geeignet. Sie sind weniger vom verdeckten Verhalten eines Modells abhängig, wenn ihre Entscheidungen auf expliziten Regeln beruhen.
Grenzen
Wissensbasierte Agenten erfordern kontinuierliche Pflege, um genau und wirksam zu bleiben. Der Aufbau der Wissensbasis erfordert Zeit und Fachwissen, während veraltete Informationen oder widersprüchliche Regeln zu unzuverlässigen Entscheidungen führen können. Versionskontrolle, regelmäßige Überprüfungen und klare Regelprioritäten sind daher unerlässlich.
Traditionelle regelbasierte Systeme können außerdem bei mehrdeutigen, verrauschten oder domänenfremden Eingaben Schwierigkeiten haben. Mit wachsender Wissensbasis kann die Inferenz teurer werden, sodass eine sorgfältige Indizierung und Organisation der Regeln notwendig ist, um die Leistung zu erhalten.
So baut man einen einfachen wissensbasierten Agenten
Das folgende Beispiel nutzt ein IT-Support-Szenario. Es zeigt die grundlegende Struktur, ohne einen regelbasierten Prototyp als Produktivsystem zu behandeln.
Schritt 1: Wissensbasis definieren
Beginnen Sie mit Fakten und Regeln für eine eng begrenzte Domäne:
KNOWLEDGE_BASE = {
"printer_has_power": True,
"printer_not_printing": True,
"print_queue_stuck": False,
}
RULES = [
{
"conditions": {"printer_has_power", "printer_not_printing"},
"conclusion": "check_print_queue",
},
]Eine kleine Wissensbasis lässt sich leichter überprüfen. Die Fakten sollten einheitliche Bezeichnungen verwenden, damit die Inferenzmaschine sie zuverlässig zuordnen kann.
Schritt 2: Eingabe in strukturierte Fakten umwandeln
Die Wahrnehmungsschicht wandelt Benutzereingaben in Fakten um. Ein reales System kann dafür natürliche Sprachverarbeitung einsetzen.
Ein einfacher Prototyp kann mit vordefinierten Eingaben beginnen:
percepts = {
"printer_has_power",
"printer_not_printing",
}So bleibt das Beispiel auf das Schlussfolgern fokussiert und nicht auf die Sprachverarbeitung.
Schritt 3: Inferenzregeln anwenden
Die Inferenzmaschine prüft, ob alle Bedingungen für eine Regel erfüllt sind:
def infer(percepts, rules):
conclusions = []
for rule in rules:
if rule["conditions"].issubset(percepts):
conclusions.append(rule["conclusion"])
return conclusionsDie Funktion liefert die Schlussfolgerungen zurück, die durch die aktuellen Wahrnehmungen gestützt werden. Sie erfindet keine Schlussfolgerung, wenn die erforderlichen Fakten fehlen.
Schritt 4: Aktion auswählen
Die Aktionsschicht ordnet einer Schlussfolgerung eine Antwort zu:
def perform(conclusions):
if "check_print_queue" in conclusions:
return "Open the print queue and remove any stuck job."
return "Request more information before continuing."Ein produktiver Agent würde vor dem Aufruf eines externen Tools Berechtigungen und Sicherheitsprüfungen anwenden.
Schritt 5: Ergebnis erklären
Ein nützlicher Agent sollte zeigen, warum er die Aktion ausgewählt hat:
conclusions = infer(percepts, RULES)
response = perform(conclusions)
print(response)Das System kann außerdem die zutreffende Regel protokollieren. So entsteht ein einfacher Nachvollziehbarkeitspfad, den ein Entwickler oder Support-Mitarbeiter einsehen kann.
Dieses Beispiel zeigt einen minimalen wissensbasierten Agenten. Eine größere Umsetzung würde Eingabevalidierung, Regelprioritäten, Versionierung des Wissens, Fehlerbehandlung und die Eskalation an Menschen benötigen.
Lernen Sie Kimi Agent kennen: Wissen in fertige Arbeit verwandeln
Traditionelle wissensbasierte Agenten hängen von expliziten Fakten und Regeln ab. Kimi Agent verfolgt für wissensintensive Arbeit einen breiteren, moderneren Ansatz. Geben Sie ihm ein Ziel, und er kann die Aufgabe planen, bevor er die erforderlichen Schritte mit integrierten Tools abschließt. Sie können damit ein Thema recherchieren, Ausgangsmaterial verarbeiten oder ein bearbeitbares Ergebnis erstellen, ohne eine separate Orchestrierungsebene aufzubauen.
Bringen Sie Ihr Wissen in die Aufgabe ein
Ein nützlicher Agent braucht Zugriff auf den richtigen Kontext. Kimi ermöglicht das Hochladen von bis zu 50 Dateien mit einer Obergrenze von 100 MB pro Datei. Unterstützt werden PDFs und gängige Office-Dokumente. Sie können außerdem Bilder, TXT-Dateien oder Videos hinzufügen, wenn die Aufgabe mehr Kontext erfordert.
So wird vorhandenes Material Teil des Arbeitsablaufs. Sie können Kimi Agent beispielsweise bitten, eine Sammlung von Berichten zu analysieren, wichtige Erkenntnisse zu identifizieren und das Ergebnis in ein strukturiertes Dokument umzuwandeln. Die Dateien liefern das aufgabenspezifische Wissen, während Ihr Prompt das gewünschte Ergebnis festlegt.
Recherche in ein bearbeitbares Ergebnis verwandeln
Kimi Agent kann über mehrere Produktoberflächen hinweg arbeiten, sodass das Ergebnis nicht bei einer Chat-Antwort enden muss:
Erstellen Sie einen Rechercheberichte mit Belegquellen über Kimi Deep Research.
Bauen Sie aus einem kurzen Briefing eine funktionierende mehrseitige Website.
Erzeugen Sie aus Ausgangsmaterial eine bearbeitbare PPT-Präsentation.
Kimi kann außerdem Dokument- und Tabellenkalkulations-Workflows verarbeiten. So kann eine Aufgabe von der Informationssammlung bis zu einem nutzbaren Ergebnis durchlaufen, ohne dass Sie Inhalte zwischen separaten Tools übertragen müssen.
Ein großes Ziel mit Kimi Agent Swarm skalieren
Manche Aufgaben sind für einen einzelnen, sequenziellen Arbeitsablauf zu groß. Kimi Agent Swarm kann ein Ziel unter mehr als 300 Sub-Agenten aufteilen und bis zu 4.500 parallele Tool-Aufrufe unterstützen.
Diese parallele Struktur ist für groß angelegte Suche und ausführliches Schreiben ausgelegt. Sie kann auch Batch-Aufgaben unterstützen, die bei Einzelbearbeitung deutlich länger dauern würden. Die Sub-Agenten arbeiten an separaten Teilen des Ziels, während der gesamte Arbeitsablauf auf das angeforderte Ergebnis ausgerichtet bleibt.
Fazit
Wissensbasierte Agenten in der KI nutzen strukturiertes Wissen, um Situationen zu bewerten und Aktionen auszuwählen. Ihre expliziten Regeln machen Entscheidungen leichter erklärbar und überprüfbar. Ihre größten Herausforderungen liegen in der Wissenspflege, widersprüchlichen Regeln und unvollständigen Eingaben. Moderne Systeme können wissensbasiertes Schlussfolgern mit maschinellem Lernen, RAG und generativer KI kombinieren. Kimi bietet einen nützlichen Bezugspunkt für wissensintensive Arbeitsabläufe, während traditionelle wissensbasierte Agenten dort wertvoll bleiben, wo Entscheidungen klaren Domänenregeln folgen müssen.