Die meisten Teams, die KI-Agenten bauen, optimieren die falsche Ebene
Alle tauschen gerade Modelle von GPT-4, Claude, Gemini aus und sind wieder zurück, weil sie einen angeblichen Denkfähigkeits-Schub jagen, der die Leistung vielleicht um 5–8% verbessert. In der Zwischenzeit liegen die eigentlichen Probleme woanders.
Der Speicher wird bei jeder Sitzung zurückgesetzt. Der Planer bricht, wenn sich Bedingungen mitten in der Aufgabe ändern. Der Orchestrator verfügt über keine echte Fehlererholung, wenn nach drei Schritten etwas fehlschlägt.
Das Modell ist der Teil, den alle sehen – und der Teil, der am wenigsten zählt, sobald du eine grundlegende Fähigkeits-Schwelle überschritten hast. Die meisten Teams haben diese Schwelle schon vor Monaten überschritten, ohne es zu merken. Die Argumentation ist gut genug, aber die Architektur darum herum nicht.
Was Agenten unterscheidet, die zuverlässig in Produktion laufen, von Agenten, die im Demo-Setting großartig aussahen, ist nicht die Modellwahl. Entscheidend ist, ob der Agent sich daran erinnert, was er letzte Woche gelernt hat, ob er sich erholt, wenn ein Tool-Call mitten in der Aufgabe fehlschlägt, und ob er sauber koordiniert, wenn mehrere Agenten an demselben Problem arbeiten.
Um die Frage von @xeleb_protocol direkt zu beantworten: Speicher ist heute in fast jedem Agent-Stack die am wenigsten ausgebaute Ebene. Die meisten behandeln ihn als nachträglichen Gedanken. Die Agenten, die in ihrem Nutzen exponentiell wachsen, betrachten ihn als das Fundament, auf dem alles andere aufbaut.
#AIAgents #BNBChain #Xeleb $BEAT $BNB
Alle tauschen gerade Modelle von GPT-4, Claude, Gemini aus und sind wieder zurück, weil sie einen angeblichen Denkfähigkeits-Schub jagen, der die Leistung vielleicht um 5–8% verbessert. In der Zwischenzeit liegen die eigentlichen Probleme woanders.
Der Speicher wird bei jeder Sitzung zurückgesetzt. Der Planer bricht, wenn sich Bedingungen mitten in der Aufgabe ändern. Der Orchestrator verfügt über keine echte Fehlererholung, wenn nach drei Schritten etwas fehlschlägt.
Das Modell ist der Teil, den alle sehen – und der Teil, der am wenigsten zählt, sobald du eine grundlegende Fähigkeits-Schwelle überschritten hast. Die meisten Teams haben diese Schwelle schon vor Monaten überschritten, ohne es zu merken. Die Argumentation ist gut genug, aber die Architektur darum herum nicht.
Was Agenten unterscheidet, die zuverlässig in Produktion laufen, von Agenten, die im Demo-Setting großartig aussahen, ist nicht die Modellwahl. Entscheidend ist, ob der Agent sich daran erinnert, was er letzte Woche gelernt hat, ob er sich erholt, wenn ein Tool-Call mitten in der Aufgabe fehlschlägt, und ob er sauber koordiniert, wenn mehrere Agenten an demselben Problem arbeiten.
Um die Frage von @xeleb_protocol direkt zu beantworten: Speicher ist heute in fast jedem Agent-Stack die am wenigsten ausgebaute Ebene. Die meisten behandeln ihn als nachträglichen Gedanken. Die Agenten, die in ihrem Nutzen exponentiell wachsen, betrachten ihn als das Fundament, auf dem alles andere aufbaut.
#AIAgents #BNBChain #Xeleb $BEAT $BNB