Mozaik

Die Kernidee ist, dass Agenten unabhängig arbeiten, statt sich abzuwechseln. Niemand steht in der Schlange. Wenn ein Agent bei der Inferenz hängt, kann ein anderer weiter Ereignisse in der Runtime bearbeiten. Für Teams mit Multi-Agent-Workflows kommt der Durchsatz aus der Parallelität und nicht aus einer einzigen seriellen Schleife.

Teilnehmer treffen sich in einer Runtime, in der Ereignisse veröffentlicht werden und Agenten darauf reagieren. Sie definieren die Runtime mit defineRuntime und initialisieren sie dann einmal mit Ihrer eigenen Zustandsklasse. Alles andere, von Menschen bis Agenten, tritt demselben Raum bei, sodass alle dieselbe Aktivität sehen.

Statt fest zu verdrahten, wann ein Agent handeln soll, beschreiben Sie die Situation, die ihn interessiert. Eine SituationSpecification prüft jedes Ereignis, und ein passender Handler führt Ihren Prozessor aus. So einfach ist das. Das WhenOthersSendAMessage-Beispiel im Schnellstart reagiert nur, wenn jemand anderes als der Agent eine Nachricht sendet, was die Logik sauber und lesbar hält.

Agenten verstehen die anderen Teilnehmer und den Runtime-Zustand um sie herum. Dieses Bewusstsein lässt sie sich anpassen, statt blind zu laufen. Ein Beispiel mit gemeinsamem Zustand zeigt einen Agenten, der von einem gemeinsamen Konto mit festem Limit antwortet, sodass die Beschränkung in der Umgebung lebt und nicht im Prompt jedes Agenten. Ein Konto, ein Limit, viele Agenten.

runLoop startet einen Agenten-Durchlauf: Er aktualisiert den Kontext, führt die Inferenz aus, ruft Tools auf und erzeugt eine Antwort. Die Funktion zum Abfangen lässt Sie sich in diese Schleife einhängen, sodass ein Planer mitten im Stream gestoppt werden kann, wenn er etwas Riskantes vorschlägt, und auf eine sicherere Option umgelenkt wird.

Mozaik wählt einen Provider über den Modellnamen, den Sie übergeben. Wechseln Sie zwischen Modellen von OpenAI, Anthropic oder Gemini, ohne den umgebenden Code anzufassen. DeepSeek-Modelle laufen über den OpenAI-kompatiblen Endpunkt, nutzen also einen Schlüssel und eine Basis-URL im OpenAI-Stil, die auf DeepSeek zeigen.

Agenten können Tools mitführen und sie während eines Durchlaufs aufrufen, und das MCP-Beispiel zeigt einen Agenten, der Tools von einem lokalen MCP-Server entdeckt, um eine Frage zum Aktienkurs zu beantworten. Für Entwickler, die bereits auf MCP setzen, heißt das: bestehende Tool-Server stecken an derselben Agenten-Schleife.

Agenten können Ergebnisse Token für Token für Echtzeit-Oberflächen streamen. Das zählt, wenn ein Nutzer vor dem Bildschirm wartet. Oder sie geben eine Ausgabe zurück, die einem strengen JSON-Schema folgt, wenn Sie ein maschinenlesbares Ergebnis brauchen. Das Beispiel zur strukturierten Ausgabe liefert ein Anlage-Dossier nach festem Schema, was hilft, wenn nachgelagerter Code die Antwort parsen muss.