/always-on-agent-applications – Was Persistenz + Gedächtnis wirklich ermöglicht
Du hilfst jemandem herauszufinden, was er mit einem ständig aktiven KI-Agenten bauen kann, der ein episodisches Gedächtnis hat. Dies ist das „und jetzt?“-Skill – die Architektur existiert, die Eingaben fließen, aber was macht es eigentlich, was ein zustandsloser Chatbot nicht kann?
Entscheidungspunkte
1. Entscheidungsbaum: Ständig aktiv vs. Sitzungsbasiert
Aufgabenanforderung bewerten:
├─ Aufgabe benötigt Gedächtnis über Sitzungen hinweg?
│ └─ Nein → Sitzungsbasierten Agenten verwenden (günstiger, einfacher)
│ └─ Ja ↓
├─ Aufgabe profitiert von proaktivem Verhalten?
│ └─ Nein → Geplanten Agenten mit Gedächtnis verwenden
│ └─ Ja ↓
├─ [Persistenz-ROI] > [Infrastrukturkosten]?
│ └─ Nein → Mit sitzungsbasiertem Ansatz starten, später upgraden
│ └─ Ja ↓
├─ Domäne eng genug für qualitativ hochwertiges Gedächtnis?
│ └─ Nein → Umfang eingrenzen (nur Meetings, nur Code)
│ └─ Ja → Ständig aktiven Agenten bauen
ROI-Berechnung:
- Persistenz-ROI = (Aufgabenhäufigkeit × Zeitersparnis pro Aufgabe × Nutzerwert pro Stunde)
- Infrastrukturkosten = (Serverkosten + Speicher für Gedächtnis + Entwicklungszeit)
Wenn ROI > 3-fache Kosten: Ständig aktiven Agenten bauen Wenn ROI 1-3-fache Kosten: Sitzungsbasiert starten, zuerst Wert beweisen Wenn ROI < 1-fache Kosten: Vorhandene Tools verwenden
2. Auswahl der Anwendungskategorie
Nutzer fragt „Was soll ich bauen?“:
├─ Primärer Workflow ist Programmieren?
│ └─ Ja → Entwickler-Begleiter-Muster
│ └─ Nein ↓
├─ Primäres Bedürfnis ist Meeting-/Kommunikationsaufwand?
│ └─ Ja → Persönlicher Chief-of-Staff-Muster
│ └─ Nein ↓
├─ Primäres Ziel ist Lernen/Wissensarbeit?
│ └─ Ja → Lerntagebuch-Muster
│ └─ Nein ↓
├─ Fokus liegt auf Gesundheits-/Gewohnheitstracking?
│ └─ Ja → Gesundheitsbeobachter-Muster (hohe Sicherheitsempfindlichkeit)
│ └─ Nein → Projektorchestrator oder Ambient Intelligence
3. Grenzen des Umfangs festlegen
Nutzer schlägt multi-domänen Agenten vor:
├─ Ist dies ihr erster persistenter Agent?
│ └─ Ja → Einzelne Vertikale erzwingen (stärksten ROI wählen)
│ └─ Nein ↓
├─ Haben sie >6 Monate Entwicklungszeit?
│ └─ Nein → Nur einzelne Vertikale
│ └─ Ja ↓
├─ Können sie Erfolgsmetriken für jede Domäne definieren?
│ └─ Nein → Umfang reduzieren, bis sie es können
│ └─ Ja → Multi-Domäne mit stufenweiser Ausrollung erlauben
4. Kalibrierung des proaktiven Verhaltens
Unterbrechungshäufigkeit des Agenten konfigurieren:
├─ Arbeitsstil des Nutzers sind tiefe Fokusblöcke?
│ └─ Ja → Benachrichtigungen bündeln, Fokussignale respektieren
│ └─ Nein ↓
├─ Nutzer wünscht explizit intensive Betreuung?
│ └─ Ja → Echtzeit-Unterbrechungen mit Relevanzschwelle zulassen
│ └─ Nein ↓
├─ Standard: 80 % reaktiv, 15 % passiv proaktiv, 5 % aktiv proaktiv
Fehlermodi
1. Syndrom des halluzinierten Gedächtnisses
Symptome: Der Agent bezieht sich selbstbewusst auf Gespräche oder Ereignisse, die nie stattgefunden haben Erkennungsregel: Wenn der Agent spezifische Zitate/Daten/Fakten behauptet, aber keinen genauen Quellzeitstempel liefern kann Ursache: Schlechte Gedächtnisgrenzen zwischen abgerufenen Kontext und generierten Antworten Behebung: Strenge Gedächtniszitieranforderungen implementieren – der Agent muss jede Behauptung mit einem bestimmten Gedächtniseintrag und Zeitstempel verknüpfen
2. Gedächtnisverschmutzungs-Kaskade
Symptome: Die Leistung des Agenten verschlechtert sich mit der Zeit, widersprüchliche Informationen in Antworten Erkennungsregel: Wenn der Agent innerhalb von 7 Tagen widersprüchliche Ratschläge zum gleichen Thema gibt, ohne die Änderung zu erwähnen Ursache: Beobachtungen geringer Qualität sammeln sich schneller an als wertvolle Signale Behebung: Gedächtnishygiene implementieren: Relevanzbewertung, automatische Verdichtung, vom Nutzer ausgelöste Gedächtnisbereinigung
3. Kostensteigerungs-Explosion
Symptome: Monatliche Rechnungen steigen um 30 %+, ohne proportionalen Wertzuwachs Erkennungsregel: Wenn die Kosten pro nützlicher Interaktion über 30 Tage um 50 %+ über dem Ausgangswert liegen Ursache: Der Agent verarbeitet zu viele minderwertige Eingaben (Benachrichtigungen, Spam, automatisierte E-Mails) Behebung: Eingabefilter-Pipeline, Gedächtniszugriffsbudgets, proaktives Kostenmonitoring mit automatischer Drosselung
4. Lähmung durch Scope Creep
Symptome: Der Agent versucht alles zu handhaben, ist in nichts hervorragend, Nutzer gibt nach 2 Wochen auf Erkennungsregel: Wenn der Agent >5 verschiedene Anwendungsvertikalen ohne klare Erfolgsmetriken für jede hat Ursache: Bau eines „allgemeinen Assistenten“ statt eines fokussierten Tools Behebung: Einzelne Vertikale als Start erzwingen, Abschlusskriterien für Erweiterung festlegen
5. Datenschutzverletzungs-Drift
Symptome: Der Agent teilt versehentlich sensible Informationen über Kontexte hinweg Erkennungsregel: Wenn der Agent persönliche/berufliche Details im falschen Kontext erwähnt (Arbeitsinfo im privaten Chat) Ursache: Gedächtnisgrenzen entsprechen nicht den Datenschutzerwartungen des Nutzers Behebung: Kontextisolierung, explizite Gedächtnis-Kompartimentierung, regelmäßige Datenschutz-Audits
Durchgearbeitete Beispiele
Beispiel: Bau eines Entwickler-Begleiter-Agenten
Szenario: Softwareentwickler möchte, dass der Agent bei Code-Reviews und PR-Beschreibungen hilft
Schritt 1 – Umfangsdefinition
- Nutzer: „Ich möchte eine KI, die mir hilft, besser zu programmieren“
- Entscheidungsbaum anwenden: Programmier-Workflow = Entwickler-Begleiter-Muster
- Umfang eingrenzen: „Nur PR-Beschreibungsgenerierung“ (nicht vollständiger Programmierassistent)
Schritt 2 – ROI-Berechnung
- Aufgabenhäufigkeit: 3 PRs/Tag × 5 Tage = 15 PRs/Woche
- Zeitersparnis: 5 Min pro PR-Beschreibung = 75 Min/Woche = 65 Stunden/Jahr
- Nutzerwert: 150 €/Stunde × 65 Stunden = 9.750 €/Jahr
- Infrastrukturkosten: ~50 €/Monat = 600 €/Jahr
- ROI = 16x → Ständig aktiven Agenten bauen
Schritt 3 – Gedächtnisstrategie
- Kerngedächtnis: Aktueller Feature-Branch, die letzten 5 Commits, aktuelle Gespräche über Codeänderungen
- Abrufgedächtnis: PR-Vorlagen, die der Nutzer bevorzugt, Reviewer-Feedback-Muster, Projektcodierungsstandards
- Archiv: Historische PRs, Team-Kommunikationsstil, Projektentscheidungen und Begründungen
Schritt 4 – Trigger-Design
triggers:
- git_push_to_feature_branch: PR-Beschreibung entwerfen
- pr_opened: Beschreibung mit Kontext erweitern
- code_review_received: Feedback-Muster für die Zukunft protokollieren
Schritt 5 – Qualitätsgates
- PR-Beschreibungen enthalten tatsächliche Begründung (keine generischen Zusammenfassungen)
- Agent verweist auf spezifische Commits/Dateien
- 80 % der generierten Beschreibungen erfordern <2 Minuten Bearbeitung
- Agent erkennt korrekt, wenn ein PR mehrere Belange umfasst
Was ein Anfänger übersehen würde: Mit „KI-Programmierassistent für alles“ zu starten Was ein Experte erkennt: Fokussierung auf einen einzigen hochwertigen Workflow (PR-Beschreibungen), bei dem Persistenz einen klaren Vorteil gegenüber zustandslosen Lösungen schafft
Qualitätsgates
Das Anwendungsdesign ist abgeschlossen, wenn alle Bedingungen erfüllt sind:
- Klare ROI-Berechnung mit >3-facher Kostenersparnis
- Einzelne Vertikale mit definierten Grenzen
- Gedächtniswachstum begrenzt mit Verdichtungsstrategie
- Proaktives Verhalten konfiguriert (<20 % aller Interaktionen)
- Erfolgsmetriken definiert und messbar
- Datenschutzgrenzen des Nutzers explizit abgebildet
- Kaltstart-Erfahrung funktioniert ohne angesammeltes Gedächtnis
- Notausschalter für die Gedächtniskontrolle des Nutzers implementiert
- Kostenmonitoring mit automatischen Drosselungsschwellen eingestellt
- Abschlusskriterien für Umfangserweiterung definiert
NICHT-FÜR-Grenzen
Dieses Skill NICHT verwenden für:
- Die Gedächtnisarchitektur bauen → Stattdessen
always-on-agent-architectureverwenden - Eingabequellen und Trigger entwerfen → Stattdessen
always-on-agent-inputsverwenden - Sicherheits-, Datenschutz- und Kostenbedenken → Stattdessen
always-on-agent-safetyverwenden - Allgemeine Agentenmuster und Schleifen → Stattdessen
agentic-patternsverwenden - KI-Sicherheitsrisiken bewerten → Stattdessen
ai-safety-engineerverwenden - Technische Infrastrukturentscheidungen → Stattdessen
systems-architectureverwenden
An andere Skills delegieren, wenn der Nutzer fragt:
- „Wie speichere ich episodisches Gedächtnis?“ →
always-on-agent-architecture - „Welche Daten sollte mein Agent überwachen?“ →
always-on-agent-inputs - „Ist das sicher/datenschutzkonform?“ →
always-on-agent-safety - „Wie baue ich Agentenschleifen?“ →
agentic-patterns