Konversations-Agent

Der Conversational Agent-Knoten führt eine LLM-gesteuerte Runde in einer Chatkonversation aus, durchlaufen Argumentation und Toolaufrufe und streamt sie in den Chat.

Was es tut

Führt eine einzelne Runde eines Conversational AI Agent aus, den Sie auf der Arbeitsfläche erstellen. Sie konfigurieren ein Modell, Anweisungen und Tools und übergeben dann den Konversationskontext (der den Chatverlauf enthält), der von einem „Wait for Message“ -Knoten ausgegeben wird. Der Agent führt eine Schleife von Argumentationsschritten und Toolaufrufen durch und überträgt sie in den Chat.

Hinweis:

Der Agent kann nur innerhalb eines Austauschs antworten, den ein Benutzer initiiert hat, was bedeutet, dass der Benutzer zuerst eine Nachricht senden muss, bevor ein Conversational Agent-Knoten ausgeführt werden kann. Flow-initiierte Austauschvorgänge – das Senden einer Nachricht ohne vorherige Benutzereinführung – werden noch nicht unterstützt.

Einsatzbereich

Situation	Verwenden Sie
Sie benötigen eine LLM-gesteuerte, gestreamte Konversationsantwort mit möglichen Toolaufrufen.	Konversations-Agent
Sie benötigen eine deterministische Antwort in der Konversation (kein LLM).	Send Message
Sie benötigen eine LLM-gesteuerte Ausführung mit möglichen Toolaufrufen, aber ohne Streaming für die Konversation.	Autonomer Agent

Hinweis:

Da der Conversational Agent-Knoten seine Antwort automatisch streamt und an den Chat anfügt, müssen Sie Nachricht senden nicht verwenden, um die Antwort des Agenten auf die Konversation auszugeben.

Ein schrittweises Beispiel, das Conversational Agent-Knoten mit den anderen Chatknoten kombiniert, finden Sie unter Erstellen eines Chat Agent-Workflows .

Hinzufügen eines Agenten

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

1. Wählen Sie die Schaltfläche + an einem Output-Handle aus oder öffnen Sie die Knotenpalette über die untere Symbolleiste.
2. Wählen Sie die Kategorie Agent und dann Conversational Agent aus. Ein Flow fügt den Knoten hinzu und öffnet seinen Eigenschaftenbereich.
3. Konfigurieren Sie das Modell, den Systemprompt und die Konversationskontextbindung wie unten beschrieben.

Ergebnis: Der Conversational 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 Organization	Das Large Language Model (LLM), das der Agent verwendet. Wählen Sie ein Modell aus der Auswahl aus, in der die für Ihre Organization verfügbaren Modelle aufgeführt sind.
Systemprompt	Ja	Keine	Die Rolle und ständigen Anweisungen des Agents: Wer er ist und wie er sich verhalten sollte. Gilt für jede Runde des Gesprächs, also schreiben Sie eine dauerhafte Anleitung – z. B. Persona, Tonfall, Ziele und wann Tools aufgerufen werden sollen.
Temperatur	Nein	0	Zufallsgrad der Stichproben, von 0 bis 1. Niedrigere Werte führen zu deterministischeren Antworten; höhere Werte führen zu abwechslungsreicheren oder kreativeren Antworten.
Max. Token pro Antwort	Nein	8192	Maximale Länge jeder Modellantwort innerhalb einer Runde. Die Obergrenze hängt vom ausgewählten Modell ab.
Konversationskontext	Ja	Keine	Das Konversationskontextobjekt – das den Chatverlauf enthält – aus einer vorgelagerten Wait for Message-Aktivität, z. B $vars.waitForMessage1.output.conversationContext

Ausgabevariablen

Zusätzlich zur Konversationsantwort des Agents können Sie optional strukturierte Ausgabevariablen im Abschnitt Ausgaben des Eigenschaftenbereichs konfigurieren.

Diese Ausgaben werden für den Benutzer im Chat nicht angezeigt – stattdessen sind sie nützlich, um zielorientierte oder Routing-Variablen festzulegen, die in nachgelagerten Knoten innerhalb des Flows verwendet werden sollen.

Jede Ausgabevariable, die Sie deklarieren, wird zu einem Feld auf dem output -Objekt des Agents, auf das $vars.<agentName>.output.<name> verwiesen wird. Geben Sie jeder Variablen einen Namen und einen Typ und weisen Sie dann den Agent im Feld Beschreibung der Variablen an, wie er dort ausgefüllt werden soll.

Wichtig:

Die Generierung der Konversationsantworten des Agents wird nur durch seinen Systemprompt gesteuert, während die Generierung der Ausgaben des Agents durch eine Kombination aus seinem Systemprompt und den Beschreibungen der Ausgabevariablen gesteuert wird. Um sicherzustellen, dass der Agent keine strukturierten Ausgabedaten in den Chat ausgibt, teilen Sie dem Agent mithilfe des Systemprompts mit, wie er im Chat reagieren soll, und weisen Sie den Agent mithilfe der Ausgabebeschreibungen an, wie die Ausgaben ausgefüllt werden sollen.

Zum Beispiel:

Systemprompt: „Vielen Dank dem Benutzer, wenn er die Konversation beenden möchte.“

Ausgabevariable: endConversation (boolescher Wert). Beschreibung: „Auf „true“ festlegen, wenn der Benutzer die Konversation beenden möchte.“

Verzweigen anhand des Ergebnisses

Folgen Sie dem Agent mit einer Entscheidung oder einem Wechsel zur Route für ein strukturiertes Ausgabefeld. Zum Beispiel:

Wait for Message → Conversational Agent (supervisor) → Switch on $vars.agent.output.intent
  → 'intent-a':  Route to a loop with specialist conversational agent A
  → 'intent-b':  Route to a loop with specialist conversational agent B
  → 'off-topic': Send Message ("Message is off-topic") → back to first Wait for Message.

Ressourcen

Ein Conversational 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.

Jeder Handle akzeptiert nur den entsprechenden Ressourcentyp. Die Arbeitsfläche verhindert unzulässige Verbindungen, sodass Sie beispielsweise ein Tool nicht mit dem Context-Handle verbinden können.

Tools

Verbinden Sie Tools mit dem Tools-Handle, um dem Agenten Funktionen bereitzustellen, die er während des Schlussfolgerns aufrufen kann. Der Agent entscheidet während seiner Schleife, ob und wann die einzelnen verbundenen Tools aufgerufen werden. Jedes Tool enthält eine Beschreibung, die dem Agenten erläutert, wofür es verwendet wird. Verfassen Sie daher klare Beschreibungen, wenn für ein Tool eine solche Beschreibung verfügbar ist.

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. zum Senden einer E-Mail oder zum Erstellen eines Datensatzes in einem nachgelagerten System.
• RPA-Workflow- und API-Funktionstools, mit denen der Agent einen veröffentlichten RPA-Prozess oder einen API-Workflow als Tool aufrufen kann.
• Model Context Protocol (MCP)-Servertools, die die auf einem MCP-Server veröffentlichten Tools bereitstellen.

Integrierte Tools

Drei integrierte Tools werden mit Flow ausgeliefert. Jedes ist eine in sich geschlossene Ressource, die Sie mit dem Tools-Handle verbinden und in einem eigenen Bereich konfigurieren.

• Analyze Files: Analysiert eine oder mehrere Dateien mit einem LLM, um Inhalte zu extrahieren, zusammenzufassen oder Fragen zu deren Inhalt zu beantworten. Beschreiben Sie die Dateien, die der Agent übergeben wird, und die Analyseaufgabe, die für diese Dateien ausgeführt werden soll.
• Batch Transform: 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 Verankerung durch die Websuche für die Transformation aktivieren oder deaktivieren.
• Zusammenfassen: Erstellt eine Zusammenfassung über mehrere Dokumente hinweg (bis zu 1.000 Seiten) mit Zitaten. Geben Sie die Quelle an, beschreiben Sie, was zusammengefasst werden soll, und wählen Sie die Dateierweiterung aus. Wenn die Quelle eine PDF ist, können Sie Zitate aktivieren oder deaktivieren.

MCP-Servertools

Verbinden Sie einen Model Context Protocol (MCP)-Server, um seine Tools dem Agent bereitzustellen. Wenn Sie ein oder mehrere Tools vom Server auswählen, wird unter der Toolauswahl ein Abschnitt Toolkonfiguration mit einem erweiterbaren Bereich pro Tool hinzugefügt. In diesem Bereich können Sie die Beschreibung jedes Arguments bearbeiten, das vollständige Eingabe- und Ausgabeschema des Tools anzeigen und auswählen, wie das Argument seinen Wert erhält: Der Agent entscheidet zur Runtime, der Wert wird an eine In-Scope-Agent-Variable gebunden, oder der Wert wird ausgewählt behoben (und optional als vertraulich gekennzeichnet).

Die Toolliste eines MCP-Servers kann aus zwei Erkennungsmodi stammen:

• Zwischengespeichert: Erstellt einen Snapshot der Tools des Servers, wenn der Server verbunden ist. Verwenden Sie die Refresh-Tools auf dem Server, um einen aktualisierten Snapshot bei Bedarf abzurufen.
  • Standardmäßig überprüft der Umschalter Schema vor Aufruf aktualisieren im Konfigurationsbereich eines Tools den Server kurz vor jedem Aufruf erneut auf das aktuelle Schema des Tools, sodass eine Schemaänderung auf dem Server (z. B. ein umbenannter oder hinzugefügter Parameter) nicht erforderlich ist eine manuelle Aktualisierung. Wenn diese Option deaktiviert ist, verwendet das Tool immer das Schema aus dem letzten Snapshot.
• Dynamisch: Erkennt Tools zur Runtime bei jedem Aufruf, einschließlich Tools, die dem Server hinzugefügt wurden, nachdem der Knoten konfiguriert wurde.

Bei Remote-MCP-Servern wird beim Aktualisieren der Erkennungsendpunkt des Servers für asynchrone Vervollständigungen abgefragt. Für Plattform-MCP-Server – UiPath-native Dienste wie Document Understanding – stammt die Toolliste stattdessen aus dem UiPath Platform Service-Katalog.

Wenn noch kein MCP-Server verbunden ist, fügen Sie einen aus dem MCP-Server-Eintrag der Knotenpalette hinzu. Die Optionen Neu erstellen gruppieren die Servererstellung nach Untertyp – Plattform, Remote, Befehl, Codiert und UiPath. Wenn Sie Plattform auswählen, wird ein Dialogfeld zum Erstellen des Servers innerhalb der aktuellen Lösung geöffnet, sofern von Ihrer Umgebung unterstützt; Die anderen Untertypen öffnen die entsprechende Erstellungsseite im Orchestrator. Weitere Informationen finden Sie unter Über MCP-Server.

Hinweis:

Der Inline-Knoten für Conversational Agent unterstützt noch keine persönlichen Verbindungen, clientseitige Tools oder Bestätigungen von Toolaufrufen. Um diese zu verwenden, erstellen Sie den Agent in Agent Builder und importieren Sie ihn als Knoten in Ihren Flow.

Context

Verbinden Sie eine Kontextressource mit dem Context-Handle, um den Agenten in Ihren Daten zu verankern. Der Agent greift beim Schlussfolgern auf diese Verankerungsdaten zurück, anstatt sich nur auf das Modell zu verlassen. Eine Kontextressource verweist auf einen Kontextindex in Ihrer Organization.

Konfigurieren Sie, wie der Agent Daten aus dem Index abruft, einschließlich des Abrufmodus (semantisch, strukturiert, DeepRAG oder Batch Transform), der Abfrage, der Anzahl der zurückzugebenden Ergebnisse, eines Relevanzschwellenwerts und der Angabe, ob Zitate eingeschlossen werden sollen. Um einen neuen Kontextindex zu erstellen, verwenden Sie im Hinzufügen-Bereich des Handles die Aktion „Neuen Kontext erstellen“, die die Indexerstellung in einer neuen Registerkarte öffnet.

Eskalation

Verbinden Sie den Eskalations-Handle, um an eine Person weiterzuleiten, wenn der Agent einen Fall erreicht, den er nicht allein entscheiden sollte. Der Agent hält an, ein Mensch bearbeitet die Eskalation und der Agent setzt die Ausführung mit dem Ergebnis fort. Sie können eine von zwei Eskalationsressourcen anhängen:

• Escalation: leitet an eine Action App-Aufgabe weiter. Konfigurieren Sie die Action App, die Empfänger, Benachrichtigungen, die an die App übergebenen Eingaben und die Zuordnung des Ergebnisses der App zum Agenten.
• Action App Escalation: leitet an eine codierte Action App weiter, mit derselben Konfiguration für Empfänger, Benachrichtigungen, Eingaben und Ergebniszuordnung.

Beide Eskalationsressourcen werden auf die gleiche Weise konfiguriert. Wählen Sie Action App Escalation aus, wenn Ihr Eskalationsziel eine codierte Action App und keine Standard-Action-App ist.

Wichtig:

Eine Eskalation von einem Conversational Agent blockiert die Konversationsrunde – der Benutzer muss auf die Chatoberfläche warten, bis der Mensch handelt. Führen Sie für Genehmigungen mit langer Ausführungszeit oder Übergaben, bei denen die Konversation weiterlaufen sollte, stattdessen einen menschlichen Knoten von einem parallelen Zweig aus, damit der Chat fortgesetzt werden kann, während die Genehmigung im Hintergrund erfolgt.

Häufige Probleme

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

Der Chat blockiert für lange Zeit, nachdem der Agent eine Eskalation ausgelöst hat. Eskalationen, die direkt mit dem Agent verbunden sind, pausieren die gesamte Runde, bis der Mensch handelt. Verschieben Sie bei langlaufenden Genehmigungen den menschlichen Schritt zu einem parallelen Zweig mit menschlichen Knoten, der stattdessen neben der Konversation ausgeführt wird.

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

Zugehörige Seiten

• Wait for Message – stellt den Konversationskontext bereit, den dieser Knoten verbraucht.
• Nachricht senden – deterministische (Nicht-LLM)-Antwortalternative.
• Chat – vollständige Palette von Chat-Konversationsknoten.
• Erstellen Sie einen Chat Agent-Workflow – einen End-to-End-Anleitung, der einen Vorgesetzten und Spezialisten kombiniert.
• Bereitstellung von Chat – Veröffentlichen und Bereitstellen des Flows über verschiedene Kanäle.
• Autonomous Agent – aufgabenausführung einer LLM-gesteuerten Schleife ohne Streaming zur Konversation.