Agenten, die arbeiten – nicht nur antworten.
Ein Agent in MadeForPrivacy ist kein Prompt mit Chatfenster, sondern eine Pipeline aus Tools: definierte Schritte, strukturierte Ein- und Ausgaben, eine Datenzone, klare Freigaben. Fertig mitgeliefert, an deine Abläufe angepasst – oder von dir selbst gebaut.
Kurz erklärt
Agent statt Chatbot: so arbeitet er.
Transkript des Videos
Hallo, ich bin Neva, deine persönliche Assistentin. Du fragst mich, und ich hole den passenden Agenten.
Ein Agent ist kein Prompt mit Chatfenster, sondern eine Pipeline aus Schritten. Jeder Schritt ist ein Tool mit festem Ein- und Ausgabetyp: ein Dokument lesen, Werte extrahieren, die Datenbank abfragen, eine Mail senden oder ein Modell fragen.
Zwischen den Schritten wandert der Aktenkoffer mit Dateien, Feldern und Metadaten. So ist immer klar, woher ein Wert kommt. Und Bedingungen prüfen unterwegs: Der Rechnungsagent bucht nichts ohne gültige Rechnungsnummer.
Fertige Agenten gibt es zum Beispiel für Bestellungen, Rechnungen, Mails und Übersetzungen. Prompts, Tools und Datenzone passen wir gemeinsam an deine Abläufe an.
Du musst die Agenten nicht kennen. Das übernehme ich.
Was ein Agent ist
Drei Dinge machen aus einem Prompt einen Prozess.
Jeder Agent hat eine Identität, eine Datenzone und eine Pipeline. Die Pipeline ist eine geordnete Liste von Tool-Schritten – und die tauschen keine losen Variablen aus, sondern Items im Aktenkoffer.
Schritte & Tools
Jeder Schritt ist ein Tool-Aufruf mit definiertem Ein- und Ausgabetyp. Dokument lesen, Werte extrahieren, Datenbank abfragen, Mail senden, Modell fragen – in der Reihenfolge, die du festlegst.
document-processorllm-extractdatabaseapimail-sendAktenkoffer
Der Container, der durch die Pipeline wandert: Dateien, Felder, Metadaten. Jeder Schritt liest daraus und schreibt hinein – deshalb ist immer klar, woher ein Wert kommt und wohin er geht.
filedocumentorderresponseBedingungen & Validierung
Schritte laufen nur, wenn ihre Bedingung erfüllt ist; Ausgaben lassen sich gegen ein Schema prüfen. Ein Agent, der Rechnungen bucht, bucht nichts ohne gültige Rechnungsnummer.
execution_conditionsjson_templateFertige Agenten
Der Startpunkt ist fertig. Der Feinschliff ist deiner.
Im Client wählst du Agenten nach Kategorie oder Suche – oder beschreibst einfach die Aufgabe. Für typische Arbeiten gibt es sie fertig; wir passen Prompts, Tools und Datenzone gemeinsam an deine Abläufe an.
- 📦Bestellverarbeitung
- 🧾Rechnungsagent
- 📧Mail-Agent
- 🌐Übersetzung
- 📄Dokumentenersteller
- 📚Knowledge-Agent
- 🔧IT-Support
- 📊Datenblattagent
- 🧠Sparringspartner
Der Dokumentenersteller liefert fertige Word-, Excel-, PowerPoint- oder PDF-Dateien auf deinem Briefpapier – mit gerechneten Zahlen statt Platzhaltern.
Ein Einstieg für alles
Neva kennt deine Agenten – du musst es nicht.
Die persönliche Assistentin antwortet selbst, wenn sie kann, und übergibt Spezialaufgaben an den passenden Agenten. Wer die Aufgabe kennt, aber nicht den Agenten, nutzt die dynamische Auswahl.
Neva antwortet, erinnert, delegiert
Sie beantwortet Fragen aus dem Gespräch, holt gespeichertes Wissen, merkt sich, was dir wichtig ist – pro Person getrennt – und lässt den Mail-Agenten eine Rechnung beantworten, statt es selbst zu versuchen.
Sie behält Signale im Blick
Agenten können Signale senden: neue Rechnung, Antwort vom Kunden, Auftrag im System. Neva prüft sie gegen deine Regeln – lokal, ohne Modellaufruf – und meldet sich nur, wenn etwas passt.
Dynamische Auswahl mit +
Aufgabe beschreiben, Dateien anhängen, fertig: Ein Selektor wählt aus den Agenten, die du nutzen darfst, den passenden Spezialisten. Die Datenzone stellst du per Badge daneben ein.
Arbeiter: Agenten ohne Chat
Geplante Arbeiter suchen regelmäßig nach neuen Einträgen – Tickets, Aufträge, Postfächer – und starten für jeden den passenden Agenten als Job. Doppelarbeit wird über Item-Läufe vermieden.
Kosten im Griff
Die KI wird gerufen, wenn sie gebraucht wird. Nicht dauernd.
Viele KI-Tools lassen ein Modell in Schleifen entscheiden, was es als Nächstes tut – jeder Umweg kostet Tokens. Hier steuert die Pipeline den Ablauf; das Modell bekommt nur den Schritt und den Kontext, den es braucht.
Modell pro Schritt
Einfache Schritte laufen auf günstigen oder lokalen Modellen, anspruchsvolle dort, wo es sich lohnt – pro Werkzeug oder Schritt festgelegt, nicht pro Agent.
Erweiterter Modus
Teure Modelle oder abweichende Pipelines liegen hinter einer Gruppenfreigabe. Berechtigte schalten sie pro Lauf per Blitz-Symbol zu. Auch im erweiterten Modus gilt die Datenzone des Agenten.
Kosten auf den Cent
Jeder Modellaufruf wird mit Prompt- und Antwort-Tokens und den hinterlegten Sätzen erfasst – pro Lauf, pro Agent, im Zeitverlauf.
Tracker pro Lauf
Welcher Schritt wie lange lief, welche Items er bekam und lieferte, welches Modell er nutzte, was es kostete. Optimierung nach Zahlen statt nach Gefühl.
Automatisierung
Agenten, die von selbst loslegen.
Nicht jeder Vorgang beginnt mit einer Frage im Chat. Worker sind geplante Entdecker: Sie schauen nach Zeitplan in Ticketsystem, Postfach oder Auftragsliste, erkennen neue oder geänderte Einträge und starten für jeden den passenden Agenten – als Job in der Warteschlange, mit denselben Datenzonen, Rechten und demselben Tracker wie ein Lauf aus dem Client.
Zeitplan
Ein Cron-Ausdruck bestimmt, wann der Worker nachsieht – alle fünf Minuten, stündlich, jede Nacht.
cronEntdecken
Eine eigene kleine Pipeline holt die Kandidaten: offene Tickets, ungelesene Mails, neue Bestellungen – per API-, Mail- oder SQL-Tool.
discoveryAbgleichen
Jeder Eintrag hat eine externe ID und optional einen Status. Neu oder geändert? Dann gibt es einen Job – sonst nicht. Ein Limit pro Durchlauf schützt vor Lawinen.
item-runAusführen
Für jeden Treffer läuft der konfigurierte Agent unter einem festgelegten Dienstkonto. Ergebnis, Kosten und Fehler stehen im Tracker wie bei jedem Lauf.
jobBeispiel: Ein Worker prüft alle zehn Minuten das Support-Postfach. Für jede neue Mail startet er den Support-Agenten, der Anliegen klassifiziert, Kontext aus Knowledge holt und einen Antwortentwurf ins Ticket schreibt. Kein Mensch muss den Agenten anstoßen – und jeder Lauf ist einzeln nachvollziehbar.
Meeting-Protokolle: Ein Worker holt Meetings aus Zoom (weitere Anbieter anbindbar). Der Agent macht daraus Zusammenfassung, Aufgaben, Fristen und ein bereinigtes Transkript und schickt sie per Mail an den Organisator. Das ist in der Plattform enthalten, kein Zusatzmodul.
Anpassen und bauen
Im Client, ohne Code.
Prompt schärfen, Tool tauschen, Datenzone ändern, Gruppe freigeben: Änderungen wirken sofort. Neue Agenten legst du aus denselben Bausteinen an – und siehst im Tracker, ob sie tun, was sie sollen.
- Mit der Hilfe startenAufgabe beschreiben, die Hilfe schlägt eine importierbare Konfiguration vor – Pipeline, Schritte, Dienste und Zone siehst und änderst du vor dem Import.
- Pipeline zusammenstellenTools in Reihenfolge bringen, Ein- und Ausgabetypen passen automatisch oder zeigen dir, wo es hakt.
- Prompts pro SchrittSystem-, Basis- und Format-Prompt getrennt – und Platzhalter, die Werte aus dem Aktenkoffer einsetzen.
- Datenzone und FreigabenZone wählen, AD-Gruppen eintragen, in der Auswahl sichtbar schalten. Fertig ist ein Agent, den nur die Richtigen sehen.
- Live schalten, beobachten, nachziehenJeder Lauf landet im Tracker. Passt etwas nicht, änderst du den Schritt – der nächste Lauf nutzt ihn.
Script-Tool
Wo kein Tool passt, schreibt die KI den Code.
Viele Schritte eines Ablaufs folgen festen Regeln und brauchen kein Modell: Positionen aus zwei Tabellen zusammenführen, Summen pro Steuersatz bilden, Pflichtfelder prüfen, Datumsformate umbauen. Das Script-Tool führt dafür TypeScript als Schritt der Pipeline aus, den Code schreibt die KI. So baut und erweitert sie Agenten selbst, auch wenn es für einen Schritt kein eigenes Tool gibt.
// Summen pro Steuersatz aus den Rechnungspositionenexport function process(items: Item[], ctx: Ctx) { const sums = new Map(); for (const line of items) { const rate = line.data.tax_rate; const sum = sums.get(rate) ?? mfp.decimal(0); sums.set(rate, sum.plus(line.data.net)); } return [...sums].map(([rate, net]) => ctx.item("tax_summary", { rate, net: net.toFixed(2) })); }
- Gleiche Daten, gleiches ErgebnisDer Script-Schritt rechnet ohne Modellaufruf und kostet keine Tokens. Beträge rechnet er mit exakten Dezimalzahlen, die Summe stimmt auf den Cent.
- Code im Schritt oder aus dem LaufDer Code steht fest im Schritt. Oder ein Modellschritt davor schreibt ihn während des Laufs, und das Script-Tool führt ihn aus.
- AbgeschottetDas Script sieht nur die Items seines Schritts. Netzwerk, Dateien, Umgebungsvariablen, Zugangsdaten und andere Tools sind gesperrt, Laufzeit und Speicher begrenzt. Der Server prüft jedes Ergebnis, bevor daraus ein Item wird.
- Für KI-Werkzeuge beschriebenÜber die KI-Schnittstelle (MCP) bekommt ein Werkzeug wie Claude Code die vollständige Schnittstelle des Script-Tools mit und kann fehlende Schritte direkt als Script bauen.
Häufige Fragen
Kurz beantwortet.
Kann ich KI zum Erstellen von Agenten verwenden?
Ja, auf zwei Wegen. Die eingebaute Hilfe in MadeForPrivacy beschreibt dir den passenden Agenten und schlägt eine bearbeitbare Konfiguration vor, die du prüfst und importierst; ein eingefügter Agent ist zunächst deaktiviert, bis du ihn freischaltest. Oder du arbeitest mit einem externen KI-Werkzeug wie Claude Code oder Codex über das zusätzliche Modul KI-Schnittstelle (MCP).
Was macht das Script-Tool?
Es führt Code als Schritt eines Agenten aus: TypeScript, das Items umbaut, Werte prüft und rechnet. Den Code schreibt die KI oder dein Admin. Er steht fest im Schritt oder kommt während des Laufs aus einem Modellschritt davor. Das Script hat keinen Zugriff auf Netzwerk, Dateien oder Zugangsdaten, und der Server prüft sein Ergebnis, bevor daraus ein Item wird.
Live-Demo
Welcher Agent wäre bei dir der erste?
Bring einen echten Vorgang mit – eine Rechnung, eine Bestellung, ein Postfach. Wir zeigen live, wie der passende Agent ihn bearbeitet.