Erstellen Sie den Agent

Definieren Sie den Agentvertrag, schreiben Sie den Systemprompt und konfigurieren Sie die Eingabe- und Ausgabeschemas in agent.json.

Wenn die CLI installiert und Ihr UiPath-Konto verbunden ist, sind Sie bereit, ein Gerüst für den Agent zu erstellen.

Schritt 4 – Gerüst für die Lösung und den Agenten

Low-Code-Agents befinden sich in einer Lösung, der bereitstellbaren Einheit, die die CLI in Studio Web hochlädt. Sie erstellen zuerst die Lösung und erstellen dann ein Gerüst für den Agent.

1. Erstellen Sie ein Arbeitsverzeichnis und erstellen Sie ein Gerüst für die Lösung:

   mkdir Monster-Selector-Lab
   cd Monster-Selector-Lab
   uip solution init MonsterSelector
   

   Dadurch wird ein MonsterSelector/ -Verzeichnis erstellt, das MonsterSelector.uipx (das Lösungsmanifest) sowie Anweisungen für AGENTS.md und CLAUDE.md enthält, die Codierungsagents an der Lösungsstruktur ausrichten.

2. Erstellen Sie ein Gerüst für das Agent-Projekt innerhalb des Lösungsverzeichnisses:

   uip agent init MonsterSelector/MonsterSelector
   

   uip agent init <path> erstellt das Agent-Projekt am angegebenen Pfad und registriert es automatisch bei der Lösung. Es generiert agent.json (den Systemprompt, die Schemas und Modelleinstellungen), entry-points.json, ein leeres evals/ -Gerüst und eine automatisch generierte Projekt-ID.

3. Verschieben Sie in das Lösungsverzeichnis für die verbleibenden Schritte:

   cd MonsterSelector
   

Hinweis:

Zwei Verzeichnisse mit dem Namen ServerSelector. Ihr Lab-Verzeichnis enthält jetzt MonsterSelector/ (die Lösung), die wiederum ein anderes MonsterSelector/ (das Agent-Projekt) enthält. Das ist normal: Die Lösung und das Agent-Projekt können einen gemeinsamen Namen haben. Achten Sie bei den nächsten Schritten darauf, in welchem Verzeichnis Sie sich befinden. Schritt 4 endet damit, dass Sie sich innerhalb des Lösungsverzeichnisses befinden (Monster-Selector-Lab/MonsterSelector/).

---

Schritt 5 – Konfigurieren des Agents

Die Agent-Konfiguration wird durch die Dateien agent.json und entry-points.json definiert. Sie bearbeiten diese direkt, um das Design zu Beginn dieses Labs zu implementieren und den Platzhalterinhalt, der vom Gerüst generiert wurde, zu ersetzen.

Konfigurieren Sie agent.json

Um das Gerüst zu ersetzen, öffnen Sie MonsterSelector/agent.json (relativ zum Lösungsverzeichnis, in dem Sie sich befinden). Ersetzen Sie den gesamten Inhalt durch Folgendem. Die einzige Ausnahme ist der Wert projectId in der letzten Zeile; Behalten Sie die von Ihrem Gerüst generierte UUID bei, anstatt den hier angezeigten Platzhalter zu verwenden.

Das folgende JSON implementiert das Design aus Was Sie erstellen:

1. Eingabeschema: questDescription (Zeichenfolge) und monsters (Array), beide erforderlich.
2. Ausgabeschema: monsterIndex (String).
3. Systemprompt: Der Anweisungstext in messages[0] (der Rolle system ), der dem Modell mitteilt, wie zu argumentieren ist.
4. Benutzerrunde: die Nachricht in messages[1] (die Rolle user ), die questDescription und monsters zur Laufzeit in den Prompt integriert: Das ist die LLM-Konversationsrunde, kein menschlicher Endbenutzer.

{
  "version": "1.1.0",
  "settings": {
    "model": "gpt-4.1-2025-04-14",
    "maxTokens": 16384,
    "temperature": 0,
    "engine": "basic-v2",
    "maxIterations": 25,
    "mode": "standard"
  },
  "inputSchema": {
    "type": "object",
    "properties": {
      "questDescription": {
        "type": "string",
        "description": "Description of the quest"
      },
      "monsters": {
        "type": "array",
        "description": "Candidate monsters from the D&D 5e API"
      }
    },
    "required": ["questDescription", "monsters"]
  },
  "outputSchema": {
    "type": "object",
    "properties": {
      "monsterIndex": {
        "type": "string",
        "description": "The index slug of the chosen monster"
      }
    }
  },
  "metadata": {
    "storageVersion": "50.0.0",
    "isConversational": false,
    "showProjectCreationExperience": false,
    "targetRuntime": "pythonAgent"
  },
  "type": "lowCode",
  "messages": [
    {
      "role": "system",
      "content": "You are an RPG game master helping to select the most thematically appropriate monster for a quest. Given a quest description and a list of candidate monsters (each with a name and an index slug), pick the ONE monster whose lore, environment, or threat level best fits the quest. Return ONLY the index slug of your chosen monster. Do not return the full object or any commentary - just the string slug. If multiple candidates fit, favor the most iconic or thematically resonant choice.",
      "contentTokens": [
        {
          "type": "simpleText",
          "rawString": "You are an RPG game master helping to select the most thematically appropriate monster for a quest. Given a quest description and a list of candidate monsters (each with a name and an index slug), pick the ONE monster whose lore, environment, or threat level best fits the quest. Return ONLY the index slug of your chosen monster. Do not return the full object or any commentary - just the string slug. If multiple candidates fit, favor the most iconic or thematically resonant choice."
        }
      ]
    },
    {
      "role": "user",
      "content": "{{input.questDescription}} {{input.monsters}}",
      "contentTokens": [
        { "type": "variable", "rawString": "input.questDescription" },
        { "type": "simpleText", "rawString": " " },
        { "type": "variable", "rawString": "input.monsters" }
      ]
    }
  ],
  "projectId": "your-scaffold-generated-uuid-here"
}

Hinweis:

temperature: 0. reduziert die Ausgabevarianz, macht das Modell jedoch nicht vollständig deterministisch. Selbst bei 0 kann das Modell gelegentlich unterschiedliche gültige Ausgaben über Ausführungen hinweg zurückgeben. Für diesen Agent ist jede vertretbare Best Practices-Auswahl korrekt; Eine exakte Reproduzierbarkeit von Strings ist nicht das Ziel.

Konfigurieren Sie entry-points.json

Öffnen Sie jetzt MonsterSelector/entry-points.json und ersetzen Sie den gesamten Inhalt durch Folgendes. Behalten Sie auch hier den Wert uniqueId bei, der von Ihrem Gerüst generiert wurde, anstatt den Platzhalter zu verwenden.

Die folgende JSON definiert einen einzelnen agent -Einstiegspunkt, den Sie in den folgenden Schritten aufrufen. Eine Lösung kann mehrere Einstiegspunkte bereitstellen (z. B. eine einfache Variante und eine Variante mit erweiterter Eingabe desselben Agents), aber einer ist alles, was wir hier brauchen.

{
  "$schema": "https://cloud.uipath.com/draft/2024-12/entry-point",
  "$id": "entry-points.json",
  "entryPoints": [
    {
      "filePath": "/content/agent.json",
      "uniqueId": "your-scaffold-generated-uuid-here",
      "type": "agent",
      "input": {
        "type": "object",
        "properties": {
          "questDescription": {
            "type": "string",
            "description": "Description of the quest"
          },
          "monsters": {
            "type": "array",
            "description": "Candidate monsters from the D&D 5e API"
          }
        },
        "required": ["questDescription", "monsters"]
      },
      "output": {
        "type": "object",
        "properties": {
          "monsterIndex": {
            "type": "string",
            "description": "The index slug of the chosen monster"
          }
        }
      }
    }
  ]
}

Grundlegendes zu agent.json und entry-points.json

• agent.json ist die Definition des Agents: die Modelleinstellungen, der Systemprompt und die Eingabe- und Ausgabeschemas.
• entry-points.json stellt diese Schemas der Lösungslaufzeit bereit.
• Wichtig: Die Blöcke inputSchema und outputSchema müssen in beiden Dateien identisch sein. Eine Unstimmigkeit führt dazu, dass die Validierung fehlschlägt.

Anpassen an Ihren Anwendungsfall. Um einen anderen Agent zu erstellen, ersetzen Sie die content -Zeichenfolgen in messages[0] durch Ihren Systemprompt und aktualisieren Sie die properties -Blöcke in inputSchema und outputSchema um den Feldern zu entsprechen, auf die sich Ihr Prompt bezieht. Spiegeln Sie dieselben Änderungen in entry-points.json. settings, metadata, type und die Nachrichtenstruktur bleiben gleich.

---

Schritt 6 – Validieren Sie den Agent

Validieren Sie den Agent über das Lösungsverzeichnis:

uip agent validate MonsterSelector

Sie sollten "Status": "Valid" mit "StorageVersion": "50.0.0" und eine "Validated" -Zusammenfassung mit agent: true sehen. Bei der Validierung werden auch die .agent-builder/ -Dateien generiert, die von Studio Web verwendet werden; müssen Sie diese nicht bearbeiten.

Wenn die Validierung fehlschlägt, bestätigen Sie, dass inputSchema und outputSchema sowohl in agent.json als auch in entry-points.json identisch sind und dass jeder Variablenverweis in messages[1].content das Präfix input. verwendet (z. B. {{input.questDescription}}).

---

Wenn der Agent lokal validiert wurde, können Sie ihn in Studio Web hochladen und im nächsten Abschnitt einen Live-Test durchführen.