enthrium/open-enthrium-ai-agent-runtime

Was macht open-enthrium-ai-agent-runtime?

Eine eigenständige KI-Agenten-Laufzeitumgebung für Windows, Linux und macOS. Führen Sie deklarative YAML-Agenten mit integriertem Zugriff auf über 2.600 Connectors aus – darunter Datenbanken, APIs, Dateien, SSH, Cloud-Dienste, Messaging-Plattformen und mehr. Kein Programmieren, keine Installation erforderlich.

Übersicht

Open Enthrium ist eine portable, gebündelte Laufzeitumgebung für KI-Agenten, die YAML-basierte Agentendefinitionen ausführt. Sie kapselt eine vollständige LLM-gesteuerte Interpretations-Engine und bietet reichhaltige Konnektivität, ohne dass Sie zusätzliche Software, Pakete oder Umgebungsvariablen konfigurieren müssen.

Installation und Einrichtung

1. Laden Sie die neueste Version von der Release-Seite herunter.
2. Extrahieren Sie das Archiv in ein beliebiges Verzeichnis auf Ihrem System.
3. (Optional, aber empfohlen) Fügen Sie das extrahierte Verzeichnis zur PATH-Umgebungsvariable hinzu.

Systemanforderungen:

• Betriebssysteme: Windows 10+, Ubuntu 20.04+, macOS 12+
• Architektur: x64 (AMD64)
• Speicher: Mindestens 256 MB freier RAM

Schnellstart

Nachdem Sie die Runtime heruntergeladen haben, testen Sie sie mit der Befehlszeile:

# Führen Sie den eingebauten Demo-Agenten aus
enthrium run demo-agent.yml

Um einen Agenten zu definieren, erstellen Sie eine YAML-Datei wie diese:

# example-agent.yml
name: "Mein erster Agent"
description: "Ein einfacher Agent, der Daten abfragt und ausgibt"

steps:
  - id: daten_abrufen
    action: db-query
    params:
      connection: "postgresql://benutzer:passwort@localhost:5432/mydb"
      query: "SELECT * FROM kunden WHERE status = 'aktiv' LIMIT 5"

  - id: ergebnisse_ausgeben
    action: file-write
    params:
      path: "./output/kunden_aktiv.json"
      content: "${daten_abrufen.result}"

Führen Sie es mit:

enthrium run example-agent.yml

Verfügbare Aktionen

Die Runtime bietet über 2.600 vorgefertigte Connectors, die als Aktionen innerhalb von Agentenschritten verwendet werden können. Einige Kategorien umfassen:

Kategorie	Beispiele für Aktionen
Datenbanken	db-query (PostgreSQL, MySQL, SQLite, MongoDB, etc.)
Dateien	file-read, file-write, file-delete, file-list
APIs	api-get, api-post, api-put, api-delete
Cloud-Dienste	aws-s3-upload, azure-blob-read, gcp-storage-list
Nachrichtenübermittlung	email-send, slack-message, teams-notify
System	ssh-exec, cmd-run, env-get, network-http

Konfiguration des LLM-Anbieters

Standardmäßig versucht die Runtime, sich mit einem LLM-Anbieter zu verbinden. Sie können dies über Umgebungsvariablen oder eine .env-Datei konfigurieren:

# Beispiel für die Konfiguration von OpenAI
LLM_PROVIDER=openai
OPENAI_API_KEY=sk-...

Unterstützte Anbieter:

• openai (OpenAI GPT-4, etc.)
• anthropic (Claude-Serie)
• ollama (Lokale Modelle)
• azure-openai (Azure OpenAI Service)
• custom (Jeder OpenAI-kompatible Endpunkt)

Erweiterte Nutzung

Bedingte Logik und Schleifen

Agenten können bedingte Schritte mit if-Bedingungen enthalten:

- id: prüfen
  action: db-query
  params:
    connection: "${CONNECTION_STRING}"
    query: "SELECT anzahl FROM bestellungen"

- id: nachricht_senden
  action: email-send
  if:
    variable: "${prüfen.result.anzahl}"
    operator: ">"
    value: 100
  params:
    to: "[email protected]"
    subject: "Bestellungsbenachrichtigung"
    body: "Die Anzahl der Bestellungen hat 100 überschritten."

Agentenausgabe

Agenten können Ausgaben erzeugen und speichern:

- id: daten_exportieren
  action: file-write
  params:
    path: "./ausgabe/bericht.json"
    content: "${ergebnis.result}"

- id: ausgabe_anzeigen
  action: console-log
  params:
    message: "Bericht generiert unter ./ausgabe/bericht.json"

Architektur

Die Runtime folgt einem Drei-Schichten-Modell:

1. Agentendefinition – YAML-Datei, die Aktionen, Logik und Ausgaben spezifiziert.
2. Ausführungs-Engine – Interpretiert die YAML, wickelt die Ausführung von Aktionen ab und verwaltet den Status.
3. LLM-Konnektivität – Verbindet sich mit externen oder lokalen LLMs, um dynamische Interpretation und Entscheidungsfindung zu ermöglichen.

Fehlerbehebung

Problem: "Befehl nicht gefunden" oder "enthrium wird nicht erkannt"

Lösung: Stellen Sie sicher, dass das Runtime-Verzeichnis in Ihrer PATH-Umgebungsvariable enthalten ist.

Problem: Verbindungsfehler bei Datenbanken oder APIs

Lösung: Überprüfen Sie, ob Verbindungszeichenfolgen und API-Schlüssel korrekt in der YAML-Datei oder Umgebung konfiguriert sind.

Problem: Der LLM-Anbieter antwortet nicht

Lösung: Bestätigen Sie, dass die API-Schlüssel für LLM_PROVIDER gültig sind und der Dienst erreichbar ist.

Lizenz

Siehe LICENSE-Datei für Details.

Beitrag leisten

Beiträge sind willkommen! Bitte öffnen Sie ein Issue oder einen Pull Request auf GitHub.

---

Erstellt mit ❤️ vom Enthrium-Team.