Mitarbeiter

Autonomer Agent-Knoten: Konfigurieren Sie einen KI-Agent mit Modell, Prompts, Tools und Ressourcen, um Aufgaben zu argumentieren und abzuschließen.

Was es tut

Führt einen KI-Agent aus, den Sie auf der Arbeitsfläche erstellen. Sie geben ein Modell, Anweisungen, Tools und einen Kontext vor und er erläutert Ihre Daten, um eine Aufgabe abzuschließen und ein Ergebnis zurückzugeben.

Der Knoten ist in der Palette als Autonomous Agent gekennzeichnet. Verwenden Sie es für KI-gestützte Entscheidungen, Inhaltsgenerierung, Klassifizierung, Extraktion oder jeden Schritt, der von Argumentation anstelle fester Logik profitiert.

Ein autonomer Agent argumentiert in einer Schleife. Sie liest die Prompts, entscheidet, ob ein Tool aufgerufen oder sein Kontext konsultiert wird, integriert das, was zurückkommt, und wiederholt es, bis es eine Antwort hat oder sein Iterationslimit erreicht. Sie gestalten diese Schleife mit dem Modell, den Eingabeaufforderungen und den Ressourcen, die Sie mit den Handles des Knotens verbinden.

Wann dieser vs. BPMN-Prozess verwendet werden sollte

Situation	Verwenden Sie
Sie möchten das Modell, die Prompts und die Tools des Agents direkt in diesem Flow definieren	Autonomer Agent
Sie möchten einen Agent aufrufen, der bereits in Ihrer Organisation veröffentlicht wurde	BPMN-Prozess
Sie benötigen eine feste, regelbasierte Verzweigung ohne Argumentation	Entscheidung oder Wechseln

Ein autonomer Agent wird inline erstellt: seine Konfiguration befindet sich auf dem Knoten und folgt dem Flow. Ein BPMN-Prozess ist ein Verweis auf einen Agent, der separat versioniert und bereitgestellt wird.

Hinzufügen eines Agents

Fügen Sie den Knoten hinzu und konfigurieren Sie ihn dann im Eigenschaftenbereich.

1. Wählen Sie die Taste + an einem Ausgabe-Handle oder öffnen Sie die Knotenpalette über die untere Symbolleiste.
2. Wählen Sie die Kategorie Agent und dann Autonomous Agent aus. Ein Flow fügt den Knoten hinzu und öffnet seinen Eigenschaftenbereich.
3. Konfigurieren Sie das Modell und die Prompts wie unten beschrieben.

Ergebnis: Der Autonomous Agent-Knoten wird der Arbeitsfläche mit geöffnetem Eigenschaftenbereich hinzugefügt und ist bereit für die Konfiguration.

Konfigurationsreferenz

Feld	Erforderlich	Standard	Beschreibung
Modell	Nein	Standard-Agent-Modell der Organisation	Das Large Language Model (LLM), das der Agent verwendet. Wählen Sie ein Modell aus der Auswahl, die die für Ihre Organisation verfügbaren Modelle auflistet.
Systemprompt	Ja	Keine	Die Rolle und ständigen Anweisungen des Agents: Wer er ist und wie er sich verhalten sollte. Verfassen Sie dauerhafte Anleitungen, die für jeden Aufruf gelten, wie z. B. die Persona, Einschränkungen und Ausgabeerwartungen des Agents.
Benutzerprompt	Ja	Keine	Die Aufgabe für diesen Aufruf. Verweisen Sie auf Workflow-Daten mit Ausdrücken, z. B. $vars.start.output.request.
Temperatur	Nein	0	Stichprobenzufälligkeit, von 0 bis 1. Niedrigere Werte machen Antworten deterministischer; Höhere Werte machen Antworten vielfältiger oder kreativer.
Max. Token pro Antwort	Nein	16384	Maximale Länge jeder Modellantwort. Die Obergrenze hängt vom ausgewählten Modell ab.
Max. Iterationen	Nein	25	Maximale Anzahl von Argumentations- und Toolaufrufschritten, bevor der Agent angehalten wird. Akzeptiert Werte von 1 bis 100.
Leitlinien	Nein	Keine	Regeln, die das Verhalten und die Ausgaben des Agents einschränken, wie z. B. das Blockieren unzulässiger Inhalte oder das Halten des Agents innerhalb eines definierten Scope. Guardrails gelten für den Agent als Ganzes.

Eingabe- und Ausgabevariablen

Deklarieren Sie die Daten, die der Agent mit dem Rest des Flows auf der Registerkarte „Variablen “ des Eigenschaftenbereichs austauscht.

• Eingabevariablen sind Werte, die Sie an den Agent übergeben und an Workflowdaten binden. Der Agent kann während der Argumentation darauf verweisen. Neue Agents beginnen ohne Eingabevariablen.
• Ausgabevariablen sind die strukturierten Felder, die der Agent zurückgibt. Jeder Agent beginnt mit einer Ausgabevariablen, content, die den Antworttext enthält. Fügen Sie weitere Ausgabevariablen hinzu, damit der Agent strukturierte Daten zurückgibt.

Jede Ausgabevariable, die Sie deklarieren, wird zu einem Feld auf dem output -Objekt des Agents. Geben Sie jedem einen Namen und einen Typ und weisen Sie dann den Agent im Systemprompt an, diesen auszufüllen. Der Agent gibt alle deklarierten Felder zusammen in einer einzigen strukturierten output zurück.

Ressourcen

Ein autonomer Agent besteht aus Ressourcenknoten, die Sie mit seinen Handles verbinden. Der Knoten verfügt über drei Ressourcen-Handles, die jeweils eine eigene Beschriftung auf der Arbeitsfläche haben: Tools, Kontext und Eskalationen. Verbinden Sie eine Ressource mit einem Handle und konfigurieren Sie dann diese Ressource in einem eigenen Eigenschaftenbereich. Die Ressourcen durchlaufen den Fluss.

Jedes Handle akzeptiert nur seinen übereinstimmenden Ressourcentyp. Die Arbeitsfläche blockiert Verbindungen, die nicht passen, sodass Sie z. B. kein Tool mit dem Kontexthandle verbinden können.

Tools

Verbinden Sie Tools mit dem Tools -Handle, um dem Agent Funktionen zur Verfügung zu stellen, die er während der Argumentation aufrufen kann. Der Agent entscheidet während seiner Schleife, ob und wann jedes verbundene Tool aufgerufen werden soll. Jedes Tool hat eine Beschreibung, die dem Agent mitteilt, wozu das Tool dient. Schreiben Sie also klare Beschreibungen, wenn ein Tool eines bereitstellt.

Die Tooltypen, die Sie verbinden können, sind:

• Integrierte Tools, drei vorgefertigte Tools, die unten beschrieben werden.
• Connector-Tools, mit denen der Agent einen Integration Service-Vorgang aufrufen kann, z. B. das Senden einer E-Mail oder das Erstellen eines Datensatzes in einem nachgelagerten System.
• RPA-Workflow- und API-Funktionstools , mit denen der Agent einen veröffentlichten RPA-Prozess oder API-Workflow als Tool aufrufen kann.
• Model Context Protocol (MCP)-Servertools , die die auf einem MCP-Server veröffentlichten Tools verfügbar machen.

Integrierte Tools

Mit Flow werden drei integrierte Tools ausgeliefert. Jede ist eine in sich geschlossenen Ressource, die Sie mit dem Extras- Handle verbinden und in einem eigenen Bereich konfigurieren.

• Dateien analysieren: Analysiert eine oder mehrere Dateien mit einem LLM, um Fragen zu ihrem Inhalt zu extrahieren, zu synthetisieren oder zu beantworten. Beschreiben Sie die Dateien, die der Agent übergibt, und die Analyseaufgabe, die für sie ausgeführt werden soll.
• Batch-Transformation: Verarbeitet und transformiert eine CSV-Datei Zeile für Zeile. Geben Sie die Quelldatei an, beschreiben Sie die Aufgabe pro Zeile und definieren Sie die Ausgabespalten, die das Tool hinzufügt. Sie können die Websuchgrundlage für die Transformation aktivieren oder deaktivieren.
• Zusammenfassen: Erstellt eine Synthese aus Dokumenten (bis zu 1.000 Seiten) mit Zitaten. Geben Sie die Quelle an, beschreiben Sie, was synthetisiert werden soll, und wählen Sie die Dateierweiterung aus. Wenn die Quelle eine PDF-Datei ist, können Sie Zitate aktivieren oder deaktivieren.

Context

Verbinden Sie eine Kontextressource mit dem Kontexthandle , um den Agent in Ihren Daten zu verankern. Der Agent greift bei der Argumentation auf diese Grundlagendaten zurück, anstatt sich nur auf das Modell zu verlassen. Eine Kontextressource verweist auf einen Kontextindex in Ihrer Organisation.

Konfigurieren Sie, wie der Agent aus dem Index abruft, einschließlich des Abrufmodus (semantisch, strukturiert, DeepRAG oder Batch-Transformation), der Abfrage, der Anzahl der zurückzugebenden Ergebnisse, eines Relevanzschwellenwerts und ob Zitate enthalten sein sollen. Um einen neuen Kontextindex zu erstellen, verwenden Sie die Aktion Neuen Kontext erstellen im Hinzufügen-Panel des Handles, wodurch die Indexerstellung in einer neuen Registerkarte geöffnet wird.

Eskalation

Verbinden Sie das Eskalationshandle , um sie an eine Person weiterzuleiten, wenn sie einen Fall erreicht, den sie nicht allein entscheiden sollte. Der Agent hält an, ein Mensch reagiert auf die Eskalation und der Agent fährt mit dem Ergebnis fort. Sie können eine von zwei Eskalationsressourcen anhängen:

• Eskalation: Leitet Sie zu einer Aufgabe mit der Aktions-App weiter. Konfigurieren Sie die Aktions-App, die Empfänger, Benachrichtigungen, die an die App übergebenen Eingaben und wie das Ergebnis der App dem Agent zugeordnet wird.
• Aktions-App-Eskalation: Leitet zu einer codierten Aktions-App mit den gleichen Empfängern, Benachrichtigungen, Eingaben und Ergebniszuordnungskonfigurationen weiter.

Beide Eskalationsressourcen werden gleich konfiguriert. Wählen Sie Aktions-App-Eskalation, wenn Ihr Eskalationsziel eine codierte Aktions-App und keine Standard-Aktions-App ist. Das Anhängen einer der beiden Ressourcen erfordert Version 1.2 oder höher des Knotens für autonomen Agenten.

Eingaben und Ausgaben

Eingabe

Der Agent erhält Daten vom Upstream-Knoten über sein Eingabe-Handle und von allen Eingabevariablen, die Sie deklarieren.

Ausgabe

Der Agent gibt ein output -Objekt zurück, das die von Ihnen deklarierten Ausgabevariablen enthält. Das Standardfeld ist content, der Antworttext. Greifen Sie mit $vars.<node>.output.<field> auf ein Feld zu, z. B.:

$vars.agent1.output.content

Wenn der Agent fehlschlägt, füllt der Knoten stattdessen ein error -Objekt aus. Weitere Informationen zur Fehlerform und wie sie weitergeleitet werden finden Sie unter Fehlerbehandlung .

{
  "output": {
    "content": "string. The agent's response text, plus any output variables you declared."
  },
  "error": "object. Populated only on failure. See Error handling."
}

Verzweigung für das Ergebnis

Folgen Sie dem Agent mit einer Entscheidung , was er zurückgegeben hat:

Autonomous Agent → Decision ($vars.agent1.output.content.includes("approved"))
  → True:  continue processing
  → False: escalate or terminate

Lesen Sie ein deklariertes Ausgabefeld in einem nachgelagerten Skriptknoten :

return $vars.agent1.output.content;

Beispiele

Beispiel 1: Klassifizieren einer eingehenden Anforderung

Was es tut: Klassifiziert eine Supportanforderung als Rückerstattung, Rückerstattung oder Frage und gibt die Beschriftung als strukturierte Ausgabe zurück.

Systemprompt:

You are a support triage assistant. Classify each request into exactly one category: refund, complaint, or question. Respond with only the category.

Benutzerprompt:

Classify this request: $vars.start.output.request

Deklarieren Sie eine Ausgabevariable category (String). Der Agent gibt Folgendes zurück:

{
  "output": {
    "category": "refund"
  }
}

Route auf $vars.agent1.output.category mit einem nachgelagerten Switch.

Beispiel 2: Lösen Sie eine Rechnungsabfrage durchgängig

Was es tut: Beantwortet die Rechnungsfrage eines Kunden, indem es die Rechnung liest, die Antwort in der Richtlinie verankert, einen Workflow aufruft, wenn er handeln muss, und eskaliert, wenn der Betrag einen Schwellenwert überschreitet.

Verknüpfen Sie die Handles des Agents:

• Kontext: Ein Kontextindex, der Ihre Abrechnungsrichtlinie enthält, sodass der Agent seine Antwort auf eine genehmigte Anleitung stützt.
• Tools: Ein integriertes Tool zur Analyse von Dateien zum Lesen der angehängten Rechnung und ein RPA-Workflow- Tool, das eine Rückerstattung im Abrechnungssystem ausstellt.
• Eskalationen: Eine Eskalationsressource , die hochwertige Fälle an einen Prüfer in einer Aktions-App weiterleitet.

Systemprompt:

You are a billing support agent. Use the billing policy in your context to answer invoice questions. Read the attached invoice before answering. If a refund is warranted and the amount is at or below 200, issue it with the refund workflow. If the amount exceeds 200, escalate for review instead of acting. Always return a structured result.

Benutzerprompt:

Resolve this customer query: $vars.start.output.query
Invoice: $vars.start.output.invoiceFile

Deklarieren Sie die Ausgabevariablen resolution (Zeichenfolge), refundIssued (boolescher Wert) und amount (Zahl). Ein gelöster Fall gibt Folgendes zurück:

{
  "output": {
    "resolution": "Refund issued for duplicate charge.",
    "refundIssued": true,
    "amount": 48.5
  }
}

Folgen Sie dem Agent mit einer Entscheidung auf $vars.agent1.output.refundIssued , um zwischen einer Bestätigungsnachricht und einem Folgepfad zu verzweigen. Der Agent verarbeitet den Fall der Schwellenwertüberschreitung selbst, indem er eskaliert, sodass diese Verzweigung keine zusätzliche Logik im Flow benötigt.

Häufige Probleme

Bevor Sie mit dem Debuggen beginnen, wird ein Eingabevalidierungsfehler angezeigt. Das Modell, der Systemprompt und der Benutzerprompt sind alle erforderlich. Der Knoten meldet einen Validierungsfehler, bis jeder festgelegt ist.

Ein Ausdruck für ein Schleifenelement wird nicht innerhalb des Agents aufgelöst. Wenn Sie auf das aktuelle Element einer Schleife in einer Eingabeaufforderung verweisen, verwenden Sie den Ausdruck für das aktuelle Element der Schleife, z. B. $vars.loop1.currentItem.<field>. Wenn Sie auf den falschen Scope verweisen, bleibt der Wert zur Laufzeit unaufgelöst.

Der Agent gibt Text zurück, wenn Sie strukturierte Daten erwartet haben. Standardmäßig gibt der Agent nur content zurück. Deklarieren Sie eine Ausgabevariable für jedes strukturierte Feld, das Sie möchten, und weisen Sie den Agent im Systemprompt an, diese auszufüllen.

Ein verbundenes Batch-Transformationstool meldet einen Validierungsfehler. Batch-Transformation erfordert mindestens eine Ausgabespalte. Definieren Sie die Spalten, die das Tool hinzufügen soll, bevor Sie den Flow debuggen.

Sie können keine Aktions-App-Eskalation mit dem Agent verbinden. Aktions-App-Eskalation erfordert Version 1.2 oder höher des Autonomous Agent-Knotens. Aktualisieren Sie den Knoten, wenn die Verbindung blockiert ist.

Zugehörige Seiten

• Orchestrieren Sie einen KI-Agent
• BPMN-Prozess
• Menschliche Aufgabe