Agent Zero einrichten: Sub-Agents, Speicher & Automatisierung

Ein KI-Agent, der nicht nur antwortet, sondern Aufgaben verteilt, sich Regeln merkt, Skripte schreibt, Fehler nachbessert und wiederkehrende Jobs ausführt, klingt nach Zukunftsmusik. In der Praxis ist das heute schon erstaunlich nah dran. Mit Agent Zero lässt sich genau so ein System aufbauen.

Besonders spannend wird es, wenn ein Hauptagent Unteragenten für Teilaufgaben aufruft. Dann trennt sich die eigentliche Arbeit sauber in Zuständigkeiten auf: einer formuliert Prompts, ein anderer erzeugt Bilder, ein weiterer verschickt Ergebnisse per E-Mail oder Telegram. Der Aufbau verlangt Automatisierung, sauberes Prompting, Tool-Integration und eine gewisse Leidensfähigkeit beim Debugging.

Dieser Leitfaden zeigt, wie Agent Zero grundsätzlich funktioniert, wie man einen solchen Workflow aufsetzt und worauf man achten sollte, wenn ein Agent Inhalte generieren, per API weiterverarbeiten und regelmäßig ausliefern soll.

Was ist Agent Zero?

Agent Zero ist ein Agent-Framework, das KI-Modelle mit Werkzeugen, Regeln, Speicher und ausführbarem Code verbindet. Das Projekt ist quelloffen und auf GitHub unter github.com/agent0ai/agent-zero verfügbar. Statt nur eine einzelne Antwort zu erzeugen, kann das System Aufgaben analysieren, Teilaufgaben delegieren und Änderungen an seinem Verhalten vornehmen.

Im beschriebenen Aufbau gehören dazu unter anderem:

• ein Hauptagent, der Anfragen entgegennimmt

• Sub-Agents, die klar abgegrenzte Teilaufgaben übernehmen

• persistente Verhaltensregeln, damit Arbeitsweisen nicht nach jeder Sitzung neu erklärt werden müssen

• Tool-Nutzung und Skripte, etwa für APIs, Mailversand oder Telegram

• wiederkehrende Tasks, die zeitgesteuert laufen

• eine isolierte Ausführungsumgebung, hier in einer Docker-Umgebung mit Kali Linux

Damit wird aus einem Chatfenster eher eine Arbeitsumgebung. Wer sich generell mit solchen Systemen beschäftigt, findet unter https://www.skillbyte.de/themen/ki-agenten weitere Anwendungsfälle für wissensbasierte KI-Agenten im Unternehmen.

Für wen eignet sich so ein Setup?

Agent Zero ist vor allem interessant für Menschen, die wiederkehrende Wissensarbeit und Tool-Abläufe in ein Agentensystem gießen wollen. Typische Einsatzfelder sind:

• Content-Produktion mit festen Stilvorgaben

• Bildgenerierung über APIs

• Benachrichtigungen per E-Mail oder Messenger

• Terminierte Routineaufgaben

• Assistenzsysteme mit Gedächtnis und festen Regeln

• agentische Entwicklungsprozesse, bei denen ein System per Anweisung erweitert wird

Weniger geeignet ist es für alle, die eine komplett fertige No-Code-Lösung erwarten. Das System kann viel, aber man muss ihm oft sagen, was genau passieren soll, Fehler erkennen und nachschärfen.

Wie Agent Zero arbeitet: das Grundprinzip

Der Kern des Ganzen ist einfach: Du beschreibst ein gewünschtes Ergebnis, der Agent setzt dafür Regeln, ruft Tools auf und delegiert Aufgaben. Dieser Stil lässt sich als absichtsgetriebene Entwicklung beschreiben. Man definiert nicht jeden Zwischenschritt händisch im Code, sondern formuliert Ziel, Rahmen und gewünschtes Verhalten. Danach wird iteriert.

Ein typischer Ablauf sieht so aus:

1. Der Hauptagent erhält eine Aufgabe.

2. Er prüft, ob dafür ein spezialisierter Unteragent nötig ist.

3. Er erstellt oder nutzt einen passenden Sub-Agenten.

4. Der Sub-Agent nutzt Modelle, Tools oder APIs.

5. Das Ergebnis wandert über die Agenten-Hierarchie zurück.

6. Wenn nötig, passt das System seine Regeln oder Skripte an.

In der Praxis kann das erstaunlich tief gehen. Ein Agent ruft den nächsten auf, der wieder einen weiteren hinzuzieht. Nützlich ist das nur so lange, wie jede Ebene wirklich einen Zweck erfüllt. Sonst landet man in Delegationsschleifen.

Modelle sinnvoll auswählen

Ein wichtiger Baustein ist die Modellwahl. Im gezeigten Setup wurden unterschiedliche Modelle für unterschiedliche Aufgaben verwendet:

• ein starkes Coding-Modell für agentische Entwicklungsarbeit

• ein Utility-Modell für allgemeine Verarbeitung

• ein Web-Browsing-Modell für Recherchen und Dokumentation

Die Grundidee dahinter ist sinnvoll: Nicht jedes Modell muss alles gleich gut können. Für Code, Tool-Nutzung und Fehlerbehebung braucht man oft andere Stärken als für Recherche oder Standardtexte.

Ebenso wichtig sind korrekte Modellnamen und Limits. Schon ein kleiner Fehler bei der Modellbezeichnung oder beim Token-Limit kann den Workflow sofort ausbremsen. Solche Probleme wirken banal, kosten aber schnell Zeit.

Sub-Agenten erstellen: wann sie helfen und wann sie nerven

Ein Sub-Agent ist dann sinnvoll, wenn eine Aufgabe klar abgegrenzt ist und immer nach denselben Regeln laufen soll. Gute Beispiele:

• Bildprompts in einem festen Stil erzeugen

• Bilder über eine API generieren

• Ergebnisse per E-Mail verschicken

• Telegram-Nachrichten verarbeiten

• Wiederkehrende Aufgaben ausführen

Weniger gut ist ein Sub-Agent, wenn er nur eine triviale Einzelfrage beantwortet und danach den nächsten Agenten startet, der wiederum den nächsten startet. Genau da entstehen unnötige Ketten.

Faustregel: Ein Sub-Agent sollte eine erkennbare Rolle haben, eigene Regeln besitzen und wiederverwendbar sein.

System-Prompts als Arbeitsanweisung statt als Einmal-Konversation

Ein großer Vorteil eines Agenten-Setups liegt darin, dass man Stilvorgaben und Regeln nicht in jeder neuen Unterhaltung neu erklären muss. Dafür werden System-Prompts und Verhaltensregeln hinterlegt.

Im gezeigten Workflow bekam der Content-Agent unter anderem Vorgaben für Bildstil, Charaktere und Form der Ausgabe. Der Agent sollte dann nicht einfach einen langen Text verfassen, sondern einen verwendbaren Prompt mit klaren Grenzen erzeugen.

Das ist ein guter Hinweis für die Praxis: Viele Fehler gehen auf zu offen formulierte Arbeitsanweisungen zurück, nicht auf fehlende Fähigkeiten des Modells.

So schreibst du bessere Regeln für Agenten

• Definiere das exakte Ausgabeformat.

• Setze Längenbegrenzungen, wenn die Ausgabe kompakt bleiben soll.

• Beschreibe Stil und Zweck getrennt voneinander.

• Lege fest, wann ein Sub-Agent genutzt werden soll.

• Bestimme, was nach der Hauptaufgabe automatisch passieren soll, etwa Versand oder Speicherung.

Je klarer die Regeln, desto weniger Nacharbeit fällt später an.

API-Integrationen: Bildgenerierung, E-Mail und Telegram

Der eigentliche Mehrwert entsteht, wenn der Agent nicht nur denkt, sondern handelt. In dem Aufbau wurden drei Arten von Integrationen verbunden:

• Bildgenerierung per API

• E-Mail-Versand

• Telegram als Ausgabekanal und Bedienoberfläche

1. Bildgenerierung per API

Der Agent erzeugt zuerst einen Prompt und sendet ihn anschließend an einen Bilddienst. Dabei war wichtig, dass der Dienst zwar API-kompatibel zu OpenAI war, aber eine andere Base-URL nutzte. Solche Abweichungen sind typisch. Darum sollte man API-Dokumentation nicht aus dem Gedächtnis erraten lassen.

Hilfreich ist hier ein Recherche-Tool oder ein Dokumentationszugriff, damit der Agent die korrekten Parameter nachschlagen kann. Genau das wurde auch genutzt, als spätere Anpassungen an Bildformaten nötig waren.

2. E-Mail-Versand

Nach der Bildgenerierung sollten die Ergebnisse direkt zugestellt werden. Anfangs lief das über eine Mailgun-Integration, später war ein eigenes Skript per API attraktiver. Das spart wiederkehrend Tokens und macht Routineaufgaben effizienter.

Gerade bei automatisiertem Versand lohnt es sich, den Agenten nicht bei jedem Lauf alles neu über ein Tool ausführen zu lassen, wenn derselbe Vorgang als kleines Skript stabiler und günstiger läuft. Wer ähnliche Abläufe im Posteingang automatisieren will, findet unter https://www.skillbyte.de/themen/email-automatisierung passende Anwendungsbeispiele.

3. Telegram als Bedienoberfläche

Telegram eignet sich in so einem Setup als pragmische Schaltzentrale. Der Agent kann Ergebnisse dorthin senden, und Antworten auf Nachrichten können als Befehle dienen. So wurde etwa auf ein Bild geantwortet, um ein Upscaling auszulösen.

Das ist praktisch, weil Telegram auf dem Smartphone verfügbar ist und sich für kurze Kommandos gut eignet. Gleichzeitig ersetzt es keine vollwertige UI. Es ist eher ein schneller Kontrollkanal.

Secrets und Variablen: ohne saubere Verwaltung geht es nicht

Ein Agent kann nur mit Tools arbeiten, wenn API-Schlüssel, Domains, Chat-IDs und ähnliche Werte korrekt hinterlegt sind. Im beschriebenen Aufbau wurden solche Daten in einer Variablen- oder Secret-Verwaltung gespeichert.

Typische Werte sind:

• API-Key für den Bilddienst

• Mail-Domain und Mail-API-Key

• Telegram-Bot-Key

• Telegram-Chat-ID

Viele scheinbar „intelligente“ Fehler sind in Wahrheit einfache Konfigurationsfehler. Falsche Domain, fehlender Schlüssel, ungültiger Parameter. Der Agent kann das teilweise erkennen, aber nicht jede fehlende Information erraten.

Wenn der Agent sich selbst anpasst: persistentes Verhalten richtig nutzen

Eine der stärksten Funktionen in Agent Zero ist die Möglichkeit, das Verhalten des Systems dauerhaft anzupassen. Wenn du also sagst, dass Bilder nach jeder Generierung zusätzlich per E-Mail verschickt werden sollen, kann diese Regel gespeichert werden, statt nur für den aktuellen Durchlauf zu gelten.

Das ist nützlich, aber man sollte damit vorsichtig umgehen. Wenn Regeln ständig erweitert werden, ohne gelegentlich aufzuräumen, wird der Agent unübersichtlich. Dann weiß irgendwann niemand mehr, warum bei einer harmlosen Anfrage plötzlich drei Nebenschritte mitlaufen.

Bewährte Praxis für Verhaltensregeln

• Regeln nach Zweckbereichen trennen

• Automatik nur dort aktivieren, wo sie wirklich dauerhaft gewünscht ist

• Verhalten regelmäßig prüfen und bereinigen

• Sub-Agenten mit klarer Zuständigkeit ausstatten

Selbst Debuggen lassen: so funktioniert die Schleife in der Praxis

Der vielleicht realistischste Teil solcher Systeme ist das Debugging. Es läuft oft nicht glatt. Der Agent macht etwas fast richtig, aber eben nur fast.

Typische Beispiele aus dem gezeigten Aufbau:

• falscher Modellname

• falsches Token-Limit

• zu lange oder falsche Ausgabeformate

• unnötige Delegationsschleifen zwischen Agenten

• fehlende API-Schlüssel

• falsche Mail-Domain

• E-Mails ohne Anhänge

• falsches Bildformat statt 16:9

• fehlgeschlagene Dokumentationsabfragen wegen Rate Limits

• Telegram-Kommandos, die nur in einer Reply-Situation funktionieren

Die gute Nachricht: Das Framework kann Fehler häufig selbst weiterverarbeiten, wenn man den Soll-Zustand klar formuliert. Die Schleife lautet dann schlicht: ausprobieren, prüfen, korrigieren, erneut testen.

Wenn dich dieses Vorgehen interessiert, ist auch der Gedanke hinter wiederverwendbaren Agenten-Schleifen relevant: https://www.skillbyte.de/blog/loop-engineering-wiederverwendbare-agenten-loops-statt-einmaliger-prompts.

Dokumentation abrufen, wenn das Modell rät

Ein besonders nützlicher Punkt im Workflow war der Zugriff auf Dokumentation über externe Tools. Statt den Agenten API-Parameter raten zu lassen, wurden Bibliotheksdokumentation und Webinhalte direkt abgefragt. Als eine Quelle wegen Rate Limits nicht sauber erreichbar war, half ein alternatives Tool zum Scrapen der Seite.

Das ist für produktive Agenten enorm wichtig. Sobald APIs, Formate oder Bibliotheken im Spiel sind, sollte man Nachschlagezugriff einplanen. Sonst halluziniert das Modell an Stellen, an denen Präzision gefragt ist.

Telegram-Befehle als Mini-Interface

Ein schönes Detail in dem Setup war die Antwortlogik innerhalb von Telegram. Der Agent verschickt Bilder, und eine Antwort auf diese Nachricht mit einem bestimmten Kommando löst den nächsten Verarbeitungsschritt aus. In diesem Fall war das Upscaling eines Bildes.

Für einfache Workflows reicht das oft schon aus. Beispiele:

• upscale für hochskalierte Version

• fix für Korrektur eines fehlerhaften Ergebnisses

• neu für eine frische Variante

Wichtig ist dabei, sauber zu definieren, auf welchen Nachrichtentyp der Bot reagieren soll. Im beschriebenen Fall funktionierte ein Befehl erst richtig, als klar war, dass er als Antwort auf die Bildnachricht gesendet werden muss.

Wiederkehrende Aufgaben mit dem Scheduler anlegen

Agent Zero kann nicht nur auf Zuruf arbeiten, sondern auch planbare Tasks anlegen. Damit lässt sich ein Agent täglich, wöchentlich oder zu anderen festen Zeiten starten.

Im gezeigten Beispiel wurde ein täglicher Task eingerichtet, der zu einer bestimmten Uhrzeit ein neues Bild generiert und an Telegram sendet. Der eigentliche Nutzen liegt dabei weniger im einen Bild als im Muster:

• Routine definieren

• einen passenden Agenten auswählen

• Prompt oder Regelbasis hinterlegen

• Ausgabekanal festlegen

• Testlauf durchführen

Solche geplanten Tasks sind oft der Punkt, an dem aus einem netten Demo-Agenten ein kleines produktives System wird.

Was Agent Zero im Dateisystem anlegt

Ein weiterer praktischer Aspekt: Der Agent arbeitet nicht nur im luftleeren Raum. Er legt Ordner, Prompts und Skripte an, die seine Aufgaben unterstützen. Dazu können Python-Skripte für Telegram, Bild-APIs oder Mailversand gehören.

Das ist wertvoll, weil damit aus einer Konversation wiederverwendbare Bausteine entstehen. Ein einmal sauber funktionierender Ablauf muss dann nicht immer wieder komplett neu erklärt werden.

Gerade dieser Übergang von „Prompt“ zu „kleinem Werkzeug“ ist einer der spannendsten Punkte bei agentischer Entwicklung.

Häufige Fehler beim Aufbau eines Agent-Zero-Workflows

1. Zu viele Agenten für zu wenig Arbeit

Wenn jeder kleine Schritt an einen neuen Agenten delegiert wird, wächst die Komplexität schneller als der Nutzen.

2. Vage Anweisungen

„Mach mal ein gutes Bild“ ist kein brauchbarer Produktionsbefehl. Format, Stil, Länge und Folgeschritte sollten klar sein.

3. Fehlende Secrets

APIs funktionieren nicht ohne Schlüssel, Domains und IDs. Klingt selbstverständlich, wird aber ständig übersehen.

4. Tool statt Skript für jeden Dauerjob

Ein MCP oder ähnliches Tool ist praktisch zum Erkunden. Für stabile Routineaufgaben kann ein direktes Skript günstiger und robuster sein.

5. Dokumentation nicht einbeziehen

Wenn der Agent Parameter raten muss, häufen sich Fehler bei Formaten, Endpunkten und Request-Strukturen.

6. Persistente Regeln unkontrolliert wachsen lassen

Ein Agent mit zu vielen Altlasten verhält sich irgendwann unvorhersehbar.

Was mit Agent Zero heute gut funktioniert und was noch holprig ist

Gut geeignet ist Agent Zero für:

• mehrstufige Workflows

• delegierte Teilaufgaben

• Verhalten mit Gedächtnis

• Tool-Aufrufe und API-Integrationen

• wiederkehrende Aufgaben

• iteratives Bauen per natürlicher Sprache

Noch holprig sind häufig:

• saubere Medienvorschau in der Oberfläche

• unnötig tiefe Agentenketten

• Fehler durch externe Limits oder Rate Limits

• Grenzfälle in Messenger-Interaktionen

• der Bedarf an manueller Kontrolle trotz hoher Automatisierung

Mit anderen Worten: sehr stark als Werkbank, noch nicht immer elegant als fertige Endanwendung.

Ein sinnvoller Startplan für eigene Agent-Zero-Projekte

Wer selbst loslegen will, fährt mit einem kleinen Scope deutlich besser als mit einem gigantischen Agentensystem.

1. Wähle einen klaren Anwendungsfall. Zum Beispiel: Prompt erzeugen und Ergebnis per Telegram senden.

2. Nimm ein gutes Coding-Modell. Gerade beim ersten Aufbau spart das Nerven.

3. Definiere einen einzigen Sub-Agenten. Erst wenn das stabil läuft, weitere Rollen ergänzen.

4. Hinterlege Secrets sauber. API-Key, Domain, Chat-ID und Bot-Key direkt ordentlich verwalten.

5. Teste jeden Schritt einzeln. Erst Prompt, dann API, dann Versand, dann Scheduler.

6. Formuliere Korrekturen sehr konkret. Nicht „geht nicht“, sondern „E-Mail kommt ohne Anhang“ oder „Bildformat ist nicht 16:9“.

7. Verwandle wiederkehrende Abläufe in Skripte. Das spart auf Dauer Tokens und Reibung.

Die größere Idee dahinter

Der eigentliche Wert von Agent Zero liegt weniger im einzelnen Telegram-Bot oder der automatisierten Bildmail als im Arbeitsstil. Man beschreibt ein Ziel, das System zerlegt die Aufgabe, baut Hilfsmittel, merkt sich Regeln und führt Dinge über Sitzungen hinweg weiter.

Noch ist das nicht fehlerfrei. Noch muss man nachjustieren, testen und manchmal ziemlich trocken sagen: Das war nichts, bitte reparieren. Aber genau daraus entsteht ein anderer Umgang mit Software: weniger Klickstrecken durch feste Oberflächen, mehr Beschreibung des Ziels, das der Agent anschließend selbst ausführt.

Fazit

Wenn du Agent Zero einrichten willst, denke nicht zuerst an eine riesige Agenten-Armee. Denke an einen sauberen ersten Workflow.

Ein guter Start ist:

• ein Hauptagent

• ein spezialisierter Sub-Agent

• klare Systemregeln

• eine API-Integration

• ein Ausgabekanal wie E-Mail oder Telegram

• ein geplanter Task

Damit hast du bereits ein kleines agentisches System, das mehr kann als ein gewöhnlicher Chatbot. Und sobald das stabil läuft, kannst du es ausbauen: zusätzliche Tools, weitere Rollen, bessere Regeln, mehr Automatisierung.

So fängt es meistens an. Erst ein Agent für eine Aufgabe. Dann einer für die nächste. Und plötzlich sitzt da kein nettes Textfenster mehr, sondern ein System, das tatsächlich Arbeit übernimmt.