Ich erstelle einen AI-Agenten-Workflow mit rag-Bewertung, der eine echte Aufgabe erfüllt

Die meisten Agenten-Demos funktionieren nur einmal und brechen in der ersten Woche, wenn sie auf echte Daten treffen. Ich baue die Komponenten, die sie stabil machen.

Ein menschliches Freigabegate, damit nichts Unwiederbringliches passiert, ohne dass jemand es absegnet. Eine Validierungsschleife, die die Arbeit zurückschickt, bis sie konvergiert, anstatt die erste plausible Antwort zu akzeptieren. Ein Bewertungs-Framework, damit du beim Ändern eines Prompts oder beim Wechseln eines Modells erkennen kannst, ob es besser geworden ist.

Multi-Agenten-Orchestrierung, wenn ein Agent nicht ausreicht: Ein Vorschlagender arbeitet, ein unabhängiger Validator lehnt das ab, was die Constraints verletzt, und es kommt korrigiert zurück.

Wenn dein Agent aus deinen eigenen Dokumenten antwortet, ist das RAG, und das Schwierige ist zu wissen, ob die Retrieval-Methode den richtigen Abschnitt liefert. Ich baue die RAG-Bewertung damit auf, auf einem hold-out Satz, den du nach jeder Änderung neu ausführst, damit die Qualität eine Zahl ist und kein Gefühl.

8 Jahre als Backend- und Data-Engineer bei einem Unternehmensdatenunternehmen: 439 Pull Requests geprüft in 19 Repositories, 107 Vorfälle gelöst.

Du bekommst den Workflow in deine Tools integriert, das Harness, den Source-Code und die Dokumentation. Java, Python, TypeScript. GPT, Claude, Gemini.

Sag mir, was du brauchst, und ich sage ehrlich, ob ein Agent das richtige Tool ist.