Dynamiq

Jeder Workflow ist ein Graph aus Knoten mit Eingang und Ausgang an den Enden, und Canvas wie Python-SDK erzeugen dieselbe Definition. Fachanwender ziehen Knoten aus einer Palette, die nach Logik, Agenten, Werkzeugen und Validatoren sortiert ist. Entwickler halten denselben Graphen in git, lassen ihn durch ihre CI laufen und exportieren einen Canvas-Workflow als ZIP, wenn sie ihn lieber im Code erweitern. Die CLI dynamiq verwaltet Projekte, Versionen, Apps und Trigger im Terminal.

Sie beschreiben die Aufgabe in einem Satz, etwa ein Kreditpaket gegen die Richtlinie prüfen und Ausnahmen an einen Sachbearbeiter leiten, und der Generator entwirft Knoten, Kanten und Prompts in einem Seitenpanel. Sie übernehmen den Entwurf und tauschen dann Modelle, hängen Werkzeuge an und setzen Freigaben im Inspector. Gespeichert wird erst mit Klick auf Save, ein Versuch kostet also eine Minute und keine Aufräumarbeit.

Manche Entscheidungen sollten gar nicht an ein Modell gehen. Eine Entscheidungstabelle macht aus einer Bonitätsprüfung oder einem Preisraster typisierte Eingaben, ein Regelraster und eine Konfliktpolitik, die ein Kreditleiter lesen und ändern kann, samt CSV-Import und Testfällen, die nach jeder Änderung erneut laufen. Ein Rules-Knoten prüft einen Datensatz gegen mehrere Regeln und meldet pro Regel einen Befund mit Schweregrad. Wo Urteilsvermögen gefragt ist, beantwortet der Judgement-Knoten Ja-Nein-, Auswahl- und Bewertungsfragen mit kalibrierter Konfidenz und schickt unsichere Fälle an einen Menschen.

Aktivieren Sie die Ausführungsfreigabe an einem Werkzeugknoten, hält der Lauf an und zeigt in einer Nachricht, was genau ausgeführt wird. Die prüfende Person gibt frei, ändert die Felder kurz vor dem Versand oder lehnt mit einem Kommentar ab, den der Agent liest und verarbeitet. Freigabeanfragen kommen über denselben WebSocket oder Runs-API-Stream, den die App ohnehin nutzt. Das Tor liegt damit in Ihrer Oberfläche und nicht in einer separaten Konsole.

Mit aktivem Gedächtnis behält der Agent jedes Gespräch, getrennt nach User-ID und Session-ID, und spielt beim nächsten Lauf die letzten Nachrichten, die relevantesten oder beides ein. Das Langzeitgedächtnis geht weiter: Der Agent erhält Werkzeuge, um dauerhafte Fakten zu speichern und abzurufen, aktualisiert einen Fakt an Ort und Stelle, wenn er dasselbe anders formuliert hört, und hält die Historie von Subagenten getrennt, damit ein Delegierter nie das Gedächtnis eines anderen liest.

Antworten stützen sich auf Ihre Dokumente, und die Rechte jeder Quelle werden beim Abruf durchgesetzt. Ein Agent kann also keine Datei zitieren, die die fragende Person nicht lesen darf. Guardrails erkennen personenbezogene Daten und Prompt-Injection, bevor sie Modell oder Werkzeug erreichen, und jeder Schritt landet in einem Trace mit Eingaben, Modellaufruf und Latenz. Ein Agent liest diese Traces und zeigt die Läufe, die schiefgelaufen sind.