Entwicklung von Agenten: Zehn Projekte zur praktischen Anwendung von KI-Technologien - KI

Einleitung

Wer Agententechnologien erlernen möchte, sollte dies durch praktische Anwendung tun, anstatt sich nur auf theoretische Inhalte zu stützen. Der effektivste Weg besteht darin, reale Repositories zu klonen, sie lokal auszuführen und für die eigenen Bedürfnisse anzupassen. Hierbei findet das eigentliche Lernen statt. Ich habe die zehn besten Projekte ausgewählt, die sowohl nützlich als auch weithin anerkannt sind, um zu demonstrieren, wie moderne Agentenanwendungen entwickelt werden. Lassen Sie uns beginnen.

1. OpenClaw

OpenClaw (~343k ⭐) ist das erste Projekt, das ich empfehlen würde, wenn Sie einen Einblick in die nächste Generation persönlicher KI-Assistenten gewinnen möchten. Es fungiert als persönlicher Assistent, der auf Ihren eigenen Geräten läuft und mit bereits genutzten Tools wie WhatsApp, Telegram, Slack, Discord, Signal und iMessage verbunden ist. Besonders interessant ist, dass es sich nicht nur um eine einfache Chat-Demonstration handelt. Es vermittelt das Gefühl eines echten Assistenten mit Unterstützung für mehrere Kanäle, Sprachfunktionen und einem umfassenderen Ökosystem für Fähigkeiten und Steuerung. Wenn Sie ein Repository suchen, das einem echten Agentensystem nahekommt, ist dies ein hervorragender Ausgangspunkt.

2. OpenHands

OpenHands (~70k ⭐) ist ein empfehlenswertes Repository, wenn Ihr Hauptinteresse im Programmieren von Agenten liegt. Es basiert auf KI-gesteuerter Entwicklung und hat mittlerweile ein breiteres Ökosystem, das Cloud-Dienste, Dokumentationen, CLI, SDK, Benchmarking und Integrationen umfasst. Dies ist wichtig, da Sie nicht nur eine Demo betrachten. Sie können den Kernagenten studieren, die Schnittstelle überprüfen und auch sehen, wie das Team über Evaluierung und Bereitstellung denkt. Wenn Sie einen Programmierassistenten entwickeln oder anpassen möchten, ist dies eines der praktischsten Repositories, von dem Sie lernen können.

3. browser-use

browser-use (~85k ⭐) gehört zu den nützlichsten Projekten, wenn Sie Agenten entwickeln möchten, die tatsächlich im Internet agieren können. Die Idee ist einfach: Es erleichtert KI-Agenten die Nutzung von Websites, sodass sie browserbasierte Aufgaben mit weniger Aufwand erledigen können. Dies macht es einfach, damit zu experimentieren, da viele reale Agentenarbeiten ohnehin im Browser stattfinden – sei es beim Ausfüllen von Formularen, bei Recherchen, beim Navigieren oder bei sich wiederholenden Online-Aufgaben. Es gibt auch unterstützende Repositories und Beispiele, die den Übergang von Neugier zu einem Test in einem realen Workflow erleichtern.

4. DeerFlow

DeerFlow (~55k ⭐) ist eines der interessanteren Projekte, wenn Sie ein Verständnis für langfristige Agentensysteme entwickeln möchten. Es handelt sich um ein Open-Source-Super-Agenten-Harness, das Sub-Agenten, Gedächtnis, Sandkästen, Fähigkeiten und Werkzeuge zusammenführt, um über längere Aufgaben hinweg zu forschen, zu programmieren und zu kreieren. Es geht also nicht nur darum, Toolaufrufe zu verpacken. Es versucht, die gesamte Struktur um komplexeres Agentenverhalten zu verwalten. Wenn Sie sehen möchten, wie moderne Agentensysteme um Gedächtnis, Koordination und Erweiterbarkeit herum aufgebaut werden, ist dies ein sehr nützliches Repository zum Forken.

5. CrewAI

CrewAI (~48k ⭐) ist eines der am leichtesten verständlichen Repositories, wenn Sie eine Multi-Agenten-Orchestrierung ohne zu viel Komplexität wünschen. Es handelt sich um ein schnelles, flexibles Framework für die Automatisierung von Multi-Agenten, das unabhängig und nicht auf LangChain basiert. Das mentale Modell ist einfach, die Einrichtung ist zugänglich, und die Dokumentation sowie Beispiele sind benutzerfreundlich genug für Anfänger. Wenn Sie ein Python-basiertes Repository suchen, das Sie klonen und in etwas Nützliches verwandeln können, verdient CrewAI nach wie vor einen Platz an der Spitze.

6. LangGraph

LangGraph (~28k ⭐) ist das Repository, das Sie studieren sollten, wenn Sie die Ingenieursseite von Agenten verstehen möchten, nicht nur die auffällige Demoseite. LangChain beschreibt es als ein Low-Level-Orchestrierungsframework für lang laufende, zustandsbehaftete, kontrollierbare Agenten. Es zwingt Sie dazu, in Begriffen von Graphen, Zustand, Kontrollfluss und Resilienz zu denken. Es ist besonders nützlich, wenn Sie über einfache Prompt-plus-Tool-Call-Systeme hinausgehen und verstehen möchten, wie ernsthafte Agentenlaufzeiten aufgebaut sind. Es mag nicht so schnell zu erlernen sein wie einige andere Repositories, aber es vermittelt viel Wissen.

7. OpenAI Agents SDK

Das OpenAI Agents SDK (~20k ⭐) ist eine gute Wahl, wenn Sie etwas Leichtgewichtiges, aber dennoch Modernes suchen. Es wurde als kompaktes Framework für Multi-Agenten-Workflows entwickelt, und die Dokumentation präsentiert es als produktionsbereiten Weg mit einer kleinen Anzahl nützlicher Bausteine. Sie erhalten Werkzeuge, Übergaben, Sitzungen, Nachverfolgung und Echtzeitmuster, ohne sich durch ein riesiges Framework kämpfen zu müssen. Wenn Sie einfache Oberflächen und direkte Kontrolle mögen, ist dies eines der besseren Starter-Repositories, die Sie erkunden können.

8. AutoGen

AutoGen (~56k ⭐) ist nach wie vor eines der wichtigsten Repositories im Bereich der Multi-Agenten. Microsoft beschreibt es als ein Programmierframework für agentische KI, und die Dokumentation geht weiter auf Geschäftsabläufe, Forschungszusammenarbeit und verteilte Multi-Agenten-Anwendungen ein. Es gehört in diese Liste, da es viel zu lernen gibt. Die Ideen zur Orchestrierung, die Muster der Agentengespräche und das Framework-Design sind alle wertvoll für das Studium. Es mag nicht der einfachste Ausgangspunkt für jeden sein, aber es ist nach wie vor eines der einflussreichsten Projekte in dieser Kategorie.

9. GPT Researcher (~26k ⭐)

GPT Researcher ist eine hervorragende Wahl, wenn Sie einen tiefen Forschungsagenten anstelle eines allgemeinen Frameworks studieren möchten. Es handelt sich um einen autonomen Agenten für tiefgehende Forschung, der jeden Anbieter von großen Sprachmodellen (LLM) nutzen kann, und das umgebende Material zeigt, wie er Multi-Agenten-Forschung und Berichtserstellung handhabt. Dies bietet Ihnen einen klaren Workflow, den Sie von Anfang bis Ende studieren können. Sie können Planung, Browsing, Quellenbeschaffung, Synthese und Berichterstattung alles an einem Ort sehen. Wenn Sie etwas Konkretes und nicht Abstraktes möchten, ist dies eines der am besten forkbaren Repositories auf der Liste.

10. Letta

Letta (~22k ⭐) hebt sich hervor, da es Gedächtnis und Zustand in den Mittelpunkt des Agentendesigns stellt. Das Repository beschreibt es als eine Plattform zum Erstellen zustandsbehafteter Agenten mit fortschrittlichem Gedächtnis, die im Laufe der Zeit lernen und sich verbessern können. Dies ist ein wichtiger Aspekt, da viele Agenten-Repositories hauptsächlich auf Orchestrierung fokussiert sind. Letta erweitert das Bild. Es ist ein gutes Repository, um zu erkunden, wenn Sie Agenten wünschen, die bestehen bleiben, sich erinnern und sich weiterentwickeln, anstatt jedes Mal von vorne zu beginnen. Für gedächtnisorientierte Agentenarbeit ist es eines der interessanteren Projekte, die man heute forkieren kann.

Fazit

Alle zehn Projekte sind es wert, geklont zu werden, da sie unterschiedliche Aspekte lehren, sobald Sie sie tatsächlich ausführen und den Code ändern. Dort beginnt das eigentliche Lernen.

Kanwal Mehreen ist Maschinenbauingenieurin und technische Autorin mit einer tiefen Leidenschaft für Datenwissenschaft und der Schnittstelle zwischen KI und Medizin. Sie ist Mitautorin des E-Books „Maximizing Productivity with ChatGPT“. Als Google Generation Scholar 2022 für APAC setzt sie sich für Vielfalt und akademische Exzellenz ein. Zudem wurde sie als Teradata Diversity in Tech Scholar, Mitacs Globalink Research Scholar und Harvard WeCode Scholar ausgezeichnet. Kanwal ist eine leidenschaftliche Verfechterin des Wandels und hat FEMCodes gegründet, um Frauen in MINT-Berufen zu stärken.