LoopAgent-Übersicht

LoopAgent ist der dritte Agententyp der GPTBots-Plattform. Anders als Agent und FlowAgent stützt er sich weder auf einen festen Abrufprozess noch auf ein manuell gezeichnetes Flussdiagramm. Stattdessen überlässt er es dem Modell, im Gespräch autonom zu entscheiden, «was zu tun ist und in welcher Reihenfolge»: Das Modell beurteilt selbst, ob es Wissen abrufen, eine Datenbank abfragen, ein Werkzeug aufrufen oder an einen Menschen übergeben soll, und iteriert immer wieder, bis die Aufgabe erledigt ist.

Er eignet sich für offene, mehrstufige und werkzeugintensive Kundenservice- und Automatisierungsszenarien.

Wie man zwischen den drei Agententypen wählt

Der grundlegendste Unterschied zwischen den drei Agententypen liegt darin, wer den Ausführungspfad bestimmt:

Typ	Ausführungsweise	Wer den Pfad bestimmt	Geeignete Szenarien
Agent	Im Wesentlichen einstufig: Wissen abrufen → einmal eine Antwort generieren	Von der Plattform fest vorgegeben (Abruf → Antwort)	Direkte FAQ / Wissensfragen, schnell und stabil
FlowAgent	Deterministisches Flussdiagramm, folgt den verbundenen Knoten	Vom Ersteller entworfen (verlässt das Diagramm nie)	Wiederverwendbare, vorhersehbare, feste Geschäftsprozesse
LoopAgent	Mehrstufige Werkzeugschleife: Das Modell entscheidet selbst, welche Fähigkeiten es aufruft, und iteriert bis zur Fertigstellung	Vom Modell zur Laufzeit gewählt (bei jeder Nachricht neu entschieden)	Offener, mehrstufiger, werkzeugintensiver Kundenservice / Automatisierung

In einem Satz: Die Pfade von Agent und FlowAgent sind im Voraus festgelegt, während der Pfad von LoopAgent vom Modell spontan bestimmt wird.

Identität + Fähigkeiten + Leitplanken

Beim Aufbau eines LoopAgent geht es nicht darum, «einen Ablauf zu zeichnen», sondern darum, ihm drei Dinge zu geben und das Modell dann selbst laufen zu lassen:

Identität (Persona): Teilt dem Modell mit, wer es ist, welches Geschäft es bedient und in welchem Ton und welcher Sprache es antworten soll.
Fähigkeiten: Hängen Sie die Wissensdatenbanken, Tools / MCP, Workflows, Datentabellen, Skills, den menschlichen Service, Erfassungsformulare usw. an, die es aufrufen kann. Nur was Sie anhängen, gibt dem Modell die «Hände», es zu tun.
Leitplanken (Schleifenobergrenzen): Legen Sie fest, wie oft ein einzelner Gesprächsdurchgang maximal schleifen darf und nach wie vielen aufeinanderfolgenden Fehlern er anhalten soll, damit das Modell nicht endlos weiterläuft.

Wie LoopAgent einen Gesprächsdurchgang abschließt

Nach dem Empfang einer Benutzernachricht durchläuft LoopAgent intern eine begrenzte Schleife: nachdenken → ein Werkzeug aufrufen → das Ergebnis beobachten → erneut nachdenken … bis das Modell entscheidet, dass es antworten kann (ein normaler Abschluss), oder bis es die von Ihnen konfigurierte Schleifenobergrenze erreicht.

flowchart LR
    A[Benutzernachricht] --> B[Nachdenken]
    B --> C{Werkzeug aufrufen?}
    C -->|Ja| D[Werkzeug aufrufen]
    D --> E[Ergebnis beobachten]
    E --> B
    C -->|Nein| F[Antwort ausgeben (Ende)]

Da er über mehrere Schleifen hinweg Werkzeuge aufrufen kann, kann eine einzelne LoopAgent-Antwort langsamer sein als bei einem gewöhnlichen Agent – er könnte im Hintergrund mehrmals Wissen abgerufen und mehrere APIs aufgerufen haben, bevor er antwortet. Das ist normal und bedeutet nicht, dass er hängt.

Typische Szenarien

Komplexer Kundenservice, der gleichzeitig nachschlagen, Geschäftssysteme aufrufen und Beurteilungen treffen muss
Automatisierungsaufgaben, die mehrere Schritte und systemübergreifende Zusammenarbeit erfordern
Pre-Sales / After-Sales, die Informationen sammeln, Tickets eröffnen und bei Bedarf an einen Menschen übergeben müssen

Modellempfehlungen

Da LoopAgent autonom entscheidet und über mehrere Durchgänge hinweg Werkzeuge aufruft, verbraucht er in der Regel mehr Credits als ein gewöhnlicher Agent und ist stärker auf ein leistungsfähigeres Modell angewiesen. Je schwächer das Modell, desto wahrscheinlicher treten Probleme auf wie «ruft ein Werkzeug nicht auf, obwohl es sollte, dreht sich im Kreis oder antwortet mittendrin falsch».

Allgemeine Szenarien: Modelle der vorherigen Generation wie GPT-4.1 laufen in Tests einwandfrei.
Komplexe Geschäftsszenarien: Bevorzugen Sie neue, für Agenten trainierte Modelle (wie die GPT-5-Serie oder Claude-4-Serie), die beim Werkzeugaufruf und beim mehrstufigen Schlussfolgern stabiler sind.

Das Modell wird im Panel «Agenten-Gehirn» ausgewählt; siehe Agenten-Gehirn.

Lebenszyklus

flowchart LR
    A[Erstellen] --> B[Konfigurieren] --> C[Debuggen] --> D[Veröffentlichen] --> E[Betreiben]

Erstellen: Erstellen Sie aus einer leeren Vorlage oder einer Vorlage; die Plattform legt eine sofort lauffähige Standardkonfiguration an.
Konfigurieren: Konfigurieren Sie auf der Einstellungsseite das Modell, die Persona und jede Fähigkeit.
Debuggen: Überprüfen Sie die Ergebnisse in Echtzeit mit dem Debug-Chat auf der rechten Seite.
Veröffentlichen: Frieren Sie die aktuelle Konfiguration in einem Snapshot ein und gehen Sie live.
Betreiben: Bieten Sie den Dienst extern über mehrere Kanäle und die Open API an.

Wichtig: Ein Klick auf «Speichern» auf der Einstellungsseite aktualisiert nur die Debug-Version; nur «Veröffentlichen» wirkt sich auf die Produktion aus. Das ist die erste Regel, die man beim Einsatz von LoopAgent verstehen muss – siehe Speichern und Veröffentlichen.