Agenten-Lab: die Schleife eines KI-Agenten mit Werkzeugen schreiben, mit einem Ersatzmodell

Dieses Lab gibt jeder lernenden Person einen KI-Agenten, von Hand in Python geschrieben, zum Lesen, Ausführen und Ändern: die Schleife, die ein Gespräch und eine Liste von Werkzeugen an ein Sprachmodell schickt, das Werkzeug ausführt, das das Modell verlangt, und dessen Ergebnis zurückschickt. Die Lernenden lernen Schemas für Werkzeuge, Abbruchbedingungen und eine Schrittgrenze, Fehler und erneute Versuche, Gedächtnis, das Planen einer Aufgabe in mehreren Runden, Schutzregeln und einen Trace, der bewertet wird.

Das Modell ist ein Ersatzmodell, und das Lab sagt das überall: Es antwortet im selben Format wie eine echte Modell-API, wählt aber jede Antwort nach festen Regeln und ruft pro Runde ein Werkzeug auf, sodass dieselbe Frage immer dieselbe Antwort bekommt. Nichts wird heruntergeladen, kein KI-Dienst wird aufgerufen, und nichts kostet Geld. Auch die Werkzeuge sind nur gespielt und arbeiten auf festen Daten, und keine Kopie hat eine Verbindung ins Internet oder zu anderen Lernenden.

Was die Lernenden lernen

Was ein Agent im Kern ist. Sie sehen, wie ein Modell statt mit Wörtern mit einem Werkzeugaufruf antwortet, führen das Werkzeug selbst aus und schicken „Rain, 9 C“ zurück. Sie verfolgen die Schleife durch fünf Runden, die sich 17 Nachrichten teilen, sehen, wie die Schrittgrenze ein Modell, das ständig Werkzeuge aufrufen muss, nach 3 Schritten stoppt, und erledigen einen Plan aus drei Schritten in drei Runden. Ein scheiterndes Werkzeug kommt als Wörter zurück, und ein ausgelastetes Modell wird nach einer wachsenden Pause erneut gefragt. Sie sehen, wie eine Liste erlaubter Werkzeuge ein Löschen ablehnt und wie ein in einer E-Mail versteckter Befehl nur dann befolgt wird, wenn das Programm ihn so einfügt, als käme er von der Person selbst. Zuletzt wird ein Trace protokolliert, und vier Testfälle bewerten den Agenten, 3 von 4 bestehen. Das passt zu einem Kurs über Softwareentwicklung oder angewandte KI; prüfen Sie die genaue Formulierung in der Einheit Ihrer eigenen Prüfungsstelle, hier wird keine zitiert.

Der Unterschied zu den Labs mit KI-Programmieragenten

Die Labs mit KI-Programmieragenten geben den Lernenden einen fertigen Agenten, opencode, mit dem sie an einem Programm arbeiten. Dieses Lab ist die andere Seite: Die Lernenden lesen und ändern den Agenten selbst, etwa 120 Zeilen Python, sodass Schleife, Werkzeuge und Schutzregeln Code sind, den sie sehen können. Das Lab LLM-Werkbank, das nur die API des Modells behandelt, eignet sich gut als Einstieg davor.

Im Browser ausführen

Das Lab startet zwei Dienste. model ist das Ersatzmodell, das im Lab unter http://model:4000/v1 antwortet. tools ist ein Python mit agent.py, der Agentenschleife und ihren gespielten Werkzeugen, llm.py, einem kleinen Client, und steps/, kurzen Skripten, die je eine Idee zeigen. Das Terminal neben dem Lab hat curl, aber kein Python, deshalb erreicht es die Skripte mit docker exec tools.

  1. Container-Seite öffnen. Öffnen Sie in der Leiste „Entwickeln“ und wählen Sie „Einen Container ausführen“. Die Seite kann jeder öffnen, und das Git-Lab und das SQL-Lab starten ohne Konto. Alle anderen Labs brauchen ein kostenloses Konto: Erstellen Sie eines, melden Sie sich an und klicken Sie dann auf „Starten“.
  2. Lab suchen. Die Karte „Beispiel-Labs“ listet alle Beispiele auf. Suchen Sie Agenten-Lab: die Schleife eines KI-Agenten mit Werkzeugen schreiben.
  3. Auf „Starten“ klicken. „Starten“ führt das Lab unverändert mit einem einzigen Klick aus. „Zuerst die Datei bearbeiten“ öffnet die Compose-Datei, damit Sie sie vor dem Start ändern können.
  4. Öffnen. Klicken Sie auf der Seite des Labs auf „Terminal öffnen“ und tippen Sie docker exec tools python3 steps/onecall.py, um einen von Hand ausgeführten Werkzeugaufruf zu sehen. Tippen Sie dann docker exec tools python3 steps/loop.py, um der Schleife zuzusehen.

Was die Lernenden abgeben sollen

agent.py mit einer eigenen Änderung: einem neuen Werkzeug mit seinem Schema, einer strengeren Liste erlaubter Werkzeuge oder einem weiteren Testfall in steps/trace.py. Dazu die Ausgabe des Schritts, der die Änderung zeigt, und einen Satz dazu, was ein echtes Modell anders machen könnte. Nichts wird automatisch bewertet: Der Satz zeigt, ob es verstanden wurde.

Eine Grundlagenlektion zu diesem Lab

Agent Loop Basics ist eine kleine Lektion, die in diesem Lab abläuft. Darin sieht eine lernende Person einen Werkzeugaufruf, wie er übertragen wird, führt einen von Hand aus, verfolgt die Schleife und ihre Schrittgrenze, erledigt einen Plan in mehreren Runden, behandelt Fehler, probiert die Schutzregeln aus und bewertet einen Trace.

Kostenlose persönliche Konten haben sie im Modul Basics auf der Startseite, und jede Hochschule kann sie aus dem Ordner Basics der Bibliothek kopieren. Sie ist absichtlich klein: Sie zeigt einer Lehrkraft, was eine Lektion in einem Lab ist, und das Lab erledigt den Rest. Kopieren Sie sie in ein eigenes Modul, um sie zu ändern.

Der Code auf GitHub

Die Compose-Datei hat kein Dockerfile: Sie startet ein einziges öffentliches Standard-Image, Python 3.12 auf Alpine, auf ein exaktes Tag festgelegt, zweimal, jeweils mit einem Konto ohne Sonderrechte und 64 MB Speicher. Das Image steht unter der PSF-Lizenz und wird nicht von uns verteilt. Die Datei schreibt beim Start das Ersatzmodell, den Agenten und die Skripte aus festem Text, nur mit der Standardbibliothek von Python, deshalb wird nichts heruntergeladen. Beim Stoppen des Labs bleibt nichts erhalten, deshalb kopieren die Lernenden ihre agent.py vorher heraus.

Als Aufgabe stellen

Schreiben Sie in die Aufgabe, was abzugeben ist.

  1. Lab erstellen. Fügen Sie in Ihrem Modul eine Aufgabe hinzu und wählen Sie die Karte „Container-Lab“, dann „In einem GitHub-Repository“. Geben Sie https://github.com/mitsurutech/lab-agent-lab mit dem Branch main an. Die Compose-Datei ist standardmäßig compose.yaml. Forken Sie das Repository zuerst, wenn Sie es ändern möchten, zum Beispiel um dem Agenten ein eigenes Werkzeug zu geben.
  2. Veröffentlichen und ausprobieren. „Veröffentlichen“ legt den Commit fest, den Sie gesehen haben. Eine spätere Änderung im Repository verändert also kein Lab, das Sie bereits gestellt haben. Starten Sie zuerst Ihre eigene Kopie.
  3. Zuweisen. Weisen Sie es wie jede Aufgabe zu, auf Wunsch mit Fälligkeitsdatum, und schreiben Sie in die Aufgabe, was zu tun ist und was abgegeben werden soll.
  4. Abgaben bewerten. Öffnen Sie die Kopie einer lernenden Person und die abgegebene Arbeit, bewerten Sie sie und geben Sie sie mit einer Begründung zur Überarbeitung zurück, wenn mehr nötig ist.

Dieses Lab ausprobieren, und was es kostet

Mit einem kostenlosen persönlichen Konto können Sie die Grundlagenlektionen in diesem Lab durcharbeiten, mit genug kostenlosem Guthaben pro Monat für die meisten Lektionen und ohne Karte. Für eine Klasse sind die ersten 365 Tage für eine Schule kostenlos, für bis zu 50 Lernende; danach zahlt sie je lernender Person und Jahr, alle Labs inklusive und Lehrkräfte kostenlos.

Häufige Fragen

Steckt in diesem Lab ein echtes KI-Modell?
Nein. Das Modell ist ein für das Lab geschriebenes Ersatzmodell, ein kurzes Python-Programm, das jede Antwort nach festen Regeln wählt. Es antwortet im selben Format wie eine echte Modell-API, Werkzeugaufrufe eingeschlossen, sodass die Agentenschleife der Lernenden mit einem echten Modell genauso funktioniert. Auf dieselbe Frage gibt es immer dieselbe Antwort, und nur deshalb kann die Lektion sagen, was die Lernenden sehen werden.
Warum ruft der Agent bei einer Frage, die zwei Werkzeuge braucht, nur eines auf?
Das Ersatzmodell ruft pro Runde ein Werkzeug auf und meldet dann seine Antwort. Ein echtes Modell ruft vielleicht mehrere nacheinander auf. Das Lab nutzt das absichtlich: Ein Testfall scheitert daran, und der Schritt mit dem Plan zeigt die Lösung, eine große Aufgabe, die dem Agenten in mehreren Runden gegeben wird.
Kann man den Teil über Prompt-Injection gefahrlos unterrichten?
Ja. Er wird als Abwehr unterrichtet, auf gespielten Daten: Das Postfach ist eine einzige feste E-Mail und die Dateien sind ein Python-Dictionary, also wird nichts Echtes gelesen oder gelöscht. Die Lernenden sehen, warum das Ergebnis eines Werkzeugs Daten bleiben muss und warum der Code, nicht das Modell, entscheidet, welche Werkzeuge laufen dürfen. Das Ersatzmodell befolgt nie Text aus einem Werkzeugergebnis, und die Lektion sagt, dass ein echtes Modell es vielleicht täte.
Kostet es etwas oder verbraucht es Guthaben für KI?
Es wird keine KI genutzt, also wird dafür nichts berechnet. Das Lab läuft wie jedes andere Container-Lab.
Warum benutzt das Terminal docker exec tools?
Das Terminal des Labs bringt ein paar Clients mit, darunter curl, aber kein Python. docker exec tools führt einen Befehl im Python-Container des Labs aus, in dem der Agent und die Skripte liegen.