Automatisierung mit KI bedeutet nicht, ein Modell zu bitten, „alles zu erledigen“. Es funktioniert, wenn Sie die Arbeit in drei Ebenen aufteilen: Kontext, Regeln und Ausführung. Das Modell entscheidet, was zu tun ist, die Regeln begrenzen sein Verhalten, und die Sandbox führt die riskanten Schritte aus.
Diese Aufteilung ist in Coding-Workflows am wichtigsten. Ein guter Agent kann ein Repository untersuchen, einen Plan entwerfen, Dateien bearbeiten, Tests ausführen und stoppen, wenn das Ergebnis gut genug ist. Ein schwacher Agent liefert nur eine lange Antwort und überlässt Ihnen den Rest.
Was KI-Aufgabenautomatisierung wirklich bedeutet
KI-Aufgabenautomatisierung ist die Verwendung eines Modells, um wiederholbare Arbeiten mit einem klaren Ziel und einer messbaren Ziellinie auszuführen. In der Praxis bedeutet das normalerweise:
- Lesen eines Repositorys oder Dokuments
- Extrahieren des relevanten Kontexts
- Planen der nächsten Schritte
- Bearbeiten oder Erzeugen von Dateien
- Überprüfen des Ergebnisses
Der Schlüssel ist, dass das Modell nicht raten sollte. Es sollte von einer begrenzten Aufgabe, einem kleinen Satz von Regeln und einem definierten Ausgabeformat ausgehen.
Beginnen Sie mit Kontext, nicht mit Prompts
Bevor der Agentenplan beginnt, sammeln Sie nur den Kontext, den die Aufgabe tatsächlich benötigt.
Guter Kontext umfasst:
- das Repository-Layout
- die Dateien, die sich wahrscheinlich ändern werden
- den Styleguide oder die Guardrails
- aktuelle Fehler, Logs oder fehlgeschlagene Tests
- die Definition of Done
Schlechter Kontext umfasst:
- den gesamten Codebase-Dump
- jedes frühere Gespräch
- nicht zusammenhängende Tickets
- vage Ziele wie „mach es besser“
Wenn das Modell zu viel Rauschen hat, plant es schlecht. Wenn es zu wenig hat, verallgemeinert es zu stark.
Schreiben Sie die Regeln nieder
Regeln sollten kurz, explizit und maschinenlesbar sein. Sie funktionieren am besten, wenn sie Grenzen statt Absichten beschreiben.
Beispiel:
{
"goal": "Fix the failing task runner",
"constraints": [
"edit only the task runner files",
"keep public APIs unchanged",
"run tests after each code change",
"stop if the diff touches unrelated modules"
],
"done_when": [
"tests pass",
"logs are clean",
"the output matches the expected task order"
]
}
Das ist die Art von Struktur, die einem Agenten hilft, auf Kurs zu bleiben.
Verwenden Sie ein offenes Modell für die Planung
Wenn Sie ein offenes Modell möchten, das mit Closed-Source-Optionen konkurrieren kann, ist Novitas GPT-OSS-120B eine starke Wahl: In unserem GPT-OSS-Vergleichsartikel heißt es, dass es vergleichbar mit GPT-4o abschneidet. Im Novita-GPT-OSS-Endpoint-Leistungsbericht wurde der gehostete Endpoint ebenfalls als Top-Performer bei AIME und GPQA eingestuft – genau das Signal, das Sie für planungsintensive Automatisierung möchten.
Verwenden Sie für den Planungsschritt openai/gpt-oss-120b, wenn Sie vor Beginn der Ausführung einen transparenten Modell-Stack möchten.
Das ist für die Aufgabenautomatisierung nützlich, weil die Planung der Ort ist, an dem Sie diszipliniertes Denken wünschen, nicht nur flüssige Ausgaben. Ein Planungsmodell sollte eine vage Anfrage in eine konkrete Handlungsabfolge verwandeln.
Verlagern Sie die Ausführung in eine Sandbox
Sobald der Plan klar ist, übergeben Sie die riskante Arbeit an die Novita Agent Sandbox.
Das ist der richtige Ort für:
- das Ausführen von Befehlen
- das Bearbeiten von Dateien
- das Installieren von Abhängigkeiten
- das Prüfen von Logs
- das Validieren von Ausgaben
Das Modell sollte entscheiden. Die Sandbox sollte handeln. Diese Ebenen getrennt zu halten, macht die Automatisierung sicherer und leichter zu debuggen.
Ein praktischer Workflow
- Definieren Sie das Ziel in einem Satz.
- Fügen Sie den minimalen Kontext hinzu, der zur Lösung benötigt wird.
- Schreiben Sie ein kurzes Regelwerk.
- Bitten Sie das Modell um einen Schritt-für-Schritt-Plan.
- Führen Sie den Plan in einer Sandbox aus.
- Überprüfen Sie das Ergebnis, bevor Sie fortfahren.
Wenn die Aufgabe häufig wiederholt wird, machen Sie aus dem Plan eine Vorlage. So wird aus einem einmaligen Agenten ein Workflow.
Wie gute Automatisierung aussieht
Gute KI-Automatisierung ist im besten Sinne langweilig. Sie ist vorhersehbar, eng begrenzt und leicht zu überprüfen. Sie sollten in der Lage sein zu beantworten:
- Was wusste das Modell?
- Was war ihm verboten?
- Was lief in der Sandbox?
- Woher wissen wir, dass die Ausgabe korrekt ist?
Wenn Sie diese Fragen nicht beantworten können, ist der Workflow noch nicht automatisiert. Er ist nur unterstützt.
Fazit
Um Aufgaben mit KI zu automatisieren, halten Sie den Plan klein, die Regeln streng und die Ausführung isoliert. Nutzen Sie Novita AI für die Modellebene, verwenden Sie openai/gpt-oss-120b, wenn Sie eine Option mit offenen Gewichten für die Planung möchten, und nutzen Sie die Novita Agent Sandbox, wenn die Arbeit echte Dateien oder Befehle berühren muss.
FAQ
Was ist der beste Weg, Aufgaben mit KI zu automatisieren?
Beginnen Sie mit einer eng begrenzten Aufgabe, fügen Sie explizite Regeln hinzu und trennen Sie Planung von Ausführung.
Warum eine Sandbox für KI-Aufgabenautomatisierung verwenden?
Weil das Bearbeiten von Dateien und das Ausführen von Befehlen in einer isolierten Umgebung stattfinden sollte, nicht im Prompt des Modells selbst.
Wann sollte ich ein Open-Weight-Modell verwenden?
Verwenden Sie eines, wenn Sie mehr Kontrolle über die Planungsebene und einen Stack möchten, der leichter zu durchschauen ist.
Empfohlene Lektüre
