Erstellen Sie mit watsonx Orchestrate einen produktionsbereiten KI-Agenten

Der Agent Development Lifecycle (ADLC) bietet ein strukturiertes Framework für das Design, die Entwicklung, das Bereitstellen und die kontinuierliche Verbesserung von KI-Agenten in Unternehmensumgebungen.

KI-Agenten sind datengesteuerte und probabilistische Systeme, deren Verhalten sich auf der Grundlage von Daten, Nutzung und Kontext weiterentwickelt. Als Ergebnisse müssen sie als kontinuierliche Systeme verwaltet werden und nicht als einmalige Implementierungen.

Der Lebenszyklus folgt einer iterativen Abfolge.

Planen → Erstellen → Testen → Bereitstellen → Überwachen → Betreiben

Jede Phase stellt sicher, dass der Agent zuverlässig, skalierbar, beobachtbar und an sich ändernde Anforderungen anpassbar bleibt.

Bei dieser Implementierung liegt der Schwerpunkt auf der Erstellen-Phase des ADLC.

Die Erstellen-Phase konzentriert sich darauf, den geplanten Unternehmensanwendungsfall mithilfe von IBM watsonx Orchestrate in einen funktionalen und produktionsbereiten KI-Agenten umzuwandeln.

Der Agent wird zunächst mit einer klar definierten operativen Rolle und einem auf den Anwendungsfall des Unternehmens abgestimmten Geschäftsziel erstellt. Dann werden Wissensquellen des Unternehmens mit dem Agenten verbunden, um fundierte Argumentationen mit operativen Datensätzen wie Bestellungen, Inventar und Business Rules zu ermöglichen.

Ein agentischer Workflow ist als Orchestrierungsebene konfiguriert, um mehrstufige Argumentationen, operative Analyse und Empfehlungsgenerierung zu unterstützen. Der Workflow verarbeitet Eingabe, analysiert verspätete Bestellungen und Bestandsbedingungen, wendet Business Rules an und generiert erklärbare Empfehlungen.

Das Verhalten des Agenten wird anhand strukturierter Prompts definiert, die vorgeben, wie der Agent operative Anfragen interpretiert, Workflows aufruft, Geschäftslogik anwendet und fundierte Antworten generiert.

Der Workflow etabliert eine vollständige operative Ausführungspipeline, die Folgendes umfasst:

Benutzereingabe → Auftragsanalyse → Bestandsanalyse → Auswertung von Geschäftsregeln → Generierung von Empfehlungen → Ausgabe

Die Lösung wird dann anhand repräsentativer Betriebsszenarien validiert, um sicherzustellen, dass der Agent genaue, erklärbare und strukturierte Ausgaben erzeugt, die den betrieblichen Anforderungen des Unternehmens entsprechen.

Der KI-Agent ist darauf ausgelegt, E-Commerce-Betriebsteams zu unterstützen, indem er Bestell- und Bestandsdaten analysiert, um Verzögerungen zu erkennen, die Ursachen zu ermitteln und Korrekturmaßnahmen zu empfehlen.

Ein KI-Agent ist ein System, das in der Lage ist, Nutzereingaben zu verstehen, relevante Daten abzurufen, Argumentationen anzuwenden und daraus umsetzbare Ergebnisse abzuleiten. In Unternehmensumgebungen arbeiten Agenten innerhalb strukturierter Workflows und interagieren mit Geschäftssystemen, um konsistente und erklärbare Erkenntnisse zu liefern.

Betriebsteams stehen häufig vor Herausforderungen wie verspäteten Lieferungen, Lagerknappheit und eingeschränktem Einblick in die Ursachen. Diese Herausforderungen erfordern oft manuelle Untersuchungen in mehreren Systemen, was zu Ineffizienzen und verzögerter Entscheidungsfindung führt.

Wenn ein Nutzer eine Anfrage absendet wie „Warum verzögern sich die Bestellungen für das iPhone 14?“

Der Agent führt die folgende Sequenz aus:

• Interpretiert die Anfrage, um das Produkt und die Absicht zu identifizieren.
• Ruft Auftragsdaten ab, um Verzögerungsmuster zu analysieren. 
• Ruft Bestandsdaten ab, um die Warenverfügbarkeit zu beurteilen.
• Wendet Business Rules an, um die Ursache zu ermitteln. 
• Generiert eine strukturierte Antwort mit Erkenntnissen und Handlungsempfehlungen.

Der Agent folgt einem strukturierten Ausführungsablauf:

Benutzeranfrage → Absichtserkennung → Toolaufruf → Astra DB Wissensdatenbank → Semantische Suche → Auswertung von Geschäftsregeln → Generierung von Empfehlungen → Strukturierte Antwort → Finale Ausgabe

Warum ist dieser Ansatz wichtig?

Dieser Ansatz kombiniert Unternehmensdaten, Business Rules und strukturierte Argumentationen, um zuverlässige und erklärbare Ausgaben zu erzeugen. Indem der Agent die Antworten auf tatsächlichen Daten stützt und einen konsistenten Workflow durchsetzt, gewährleistet er Genauigkeit und minimiert unbegründete Schlüsse. Strukturierte Ausgaben ermöglichen die Bewertung, Überwachung und Integration mit nachgelagerten Systemen.

Dadurch eignet sich die Lösung für Unternehmensumgebungen, in denen Konsistenz, Rückverfolgbarkeit und Zuverlässigkeit unerlässlich sind.

Diese Implementierung liefert einen produktionsreifen KI-Agenten, der

• Unternehmensdaten abruft und sie mithilfe integrierter Tools analysiert.
• regelbasierte Schlussfolgerungen anwendet, um operative Probleme zu identifizieren. 
• strukturierte Ausgaben zur Weiterverwendung erzeugt. 
• Lebenszyklusphasen wie Testen, Bereitstellung, Überwachung und Optimierung unterstützt. 

Wenn Sie diese Implementierung abschließen, können Sie

• einen KI-Agenten in watsonx Orchestrate erstellen 
• Unternehmensdaten mit Astra DB integrieren
• strukturiertes Verhalten mithilfe von Prompts definieren 
• einen Argumentations-Workflow implementieren 
• konsistente und strukturierte Ergebnisse generieren.

• Zugriff auf IBM watsonx Orchestrate 
  
• Zugriff auf Astra DB
• Grundlegendes Verständnis von KI-Agenten und großen Sprachmodellen 
• In diesem Tutorial werden Beispieldatensätze bereitgestellt.

Schritt 1: Beispieldaten vorbereiten

Strukturierte Datensätze (Bestellungen und Bestand) werden erstellt, um Unternehmenssysteme zu simulieren. Mithilfe dieser Datensätze kann der Agent reale Werte wie Verzögerungen, Lagerbestände und Lagerverteilung abrufen und analysieren. Business Rules legen fest, wie der Agent diese Daten interpretiert, um Ursachen zu identifizieren. 

orders_data.csv 
order_id,product,order_date,delivery_date,status,delay_days,warehouse 
1001,iPhone 14,2026-04-01,2026-04-05,delayed,4,WH1 
1002,iPhone 14,2026-04-02,2026-04-06,delayed,4,WH1 
1003,iPhone 14,2026-04-03,2026-04-07,delayed,4,WH2 
1004,iPhone 14,2026-04-04,2026-04-08,delayed,4,WH2 
1005,Samsung S23,2026-04-01,2026-04-03,delivered,0,WH1 
1006,Samsung S23,2026-04-02,2026-04-04,delivered,0,WH2 
1007,Pixel 8,2026-04-01,2026-04-06,delayed,5,WH3 
1008,Pixel 8,2026-04-02,2026-04-07,delayed,5,WH3 
1009,Pixel 8,2026-04-03,2026-04-05,delivered,0,WH3 
1010,OnePlus 12,2026-04-01,2026-04-02,delivered,0,WH1 
1011,OnePlus 12,2026-04-02,2026-04-06,delayed,4,WH2 
1012,OnePlus 12,2026-04-03,2026-04-07,delayed,4,WH2

inventory_data.csv 
product,stock,warehouse,reorder_level 
iPhone 14,0,WH1,20 
iPhone 14,0,WH2,20 
Samsung S23,50,WH1,15 
Samsung S23,40,WH2,15 
Pixel 8,10,WH3,25 
OnePlus 12,5,WH2,15

business_rules.txt 
If stock = 0 → stockout issue 
If delay_days > 3 → logistics issue 
If multiple delayed orders (>2) → supply chain issue 
If stock < reorder_level → replenishment needed 
If delays across multiple warehouses → systemic issue

Diese Beispieldatensätze dienen als vereinfachte Darstellung von betrieblichen Unternehmenssystemen. In dieser Implementierung werden die strukturierten Bestell-, Bestand- und Geschäftsregelinformationen in Wissensdokumente in natürlicher Sprache umgewandelt und in Astra DB gespeichert. Dieses externe Vektor-Repository ermöglicht semantisches Abrufen und bietet im Vergleich zu statischen dateibasierten Ansätzen eine realistischere Retrieval-Augmented Generation (RAG)-Architektur. 

Schritt 2: Agenten erstellen

Navigieren Sie zu Erstellen → Agenten und wählen Sie Agent erstellen aus. 

In watsonx Orchestrate wird ein Agent mit einem definierten Namen und einer Beschreibung erstellt. Damit wird der Zweck des Agenten als Auftrags- und Bestandsberater festgelegt, der für die Analyse von Daten und die Abgabe von Empfehlungen verantwortlich ist.

Name: Bestell- und Bestandsberater 

Beschreibung: KI-Agent, der Bestell- und Bestandsdaten analysiert, um Verzögerungen zu identifizieren, die Ursachen zu ermitteln und Korrekturmaßnahmen zu empfehlen.

Schritt 3: Unternehmenswissen mit Astra DB hinzufügen

Navigieren Sie zu Wissen → Quellen hinzufügen und wählen Sie Astra DB als Unternehmenswissen-Repository aus. 

Anstatt sich während der Laufzeit auf statische Dateien zu verlassen, nutzt der KI-Agent Astra DB als externe Vektordatenbank, um operatives Wissen zu speichern und abzurufen.

Die zuvor erstellten operativen Datensätze, darunter Bestellungen, Bestandsdatensätze und Business Rules, werden in Wissensdokumente in natürlicher Sprache umgewandelt und in eine vektorgesteuerte Sammlung in Astra DB geladen. Diese Dokumente stellen zusammen das betriebliche Wissen dar, das der KI-Agent benötigt, um Auftragsverzögerungen, Bestandsknappheit, Lagerverteilung und Geschäftsrichtlinien zu verstehen.

Zu den im Archiv gespeicherten Informationen gehören beispielsweise Informationen zu verspäteten Bestellungen, Lagerverfügbarkeit, Lagerbedingungen, Logistikstörungen und Betriebsregeln. Dieses Repository dient als Unternehmensspeicher für den KI-Agenten.

Eine vektorfähige Sammlung wird in Astra DB erstellt und Dokumenteinbettungen werden generiert, um die semantische Suche zu unterstützen. Während der Laufzeit fragt IBM watsonx Orchestrate die Astra DB ab, um die relevantesten operativen Datensätze basierend auf der Benutzeranfrage abzurufen. Die abgerufenen Informationen werden dann vom Agenten genutzt, um fundierte Argumentationen durchzuführen und nachvollziehbare Empfehlungen zu generieren.

Das Repository enthält Informationen zu

• Auftragsdaten und Informationen zu Lieferverzögerungen
• Verfügbarkeit des Bestands und Nachbestellschwellen
• Lagerverteilung und Bestandsbedingungen
• Logistische Ereignisse und Betriebsstörungen
• Business Rules für Nachschub- und Eskalationsprozesse

Nachdem die Wissensdokumente in Astra DB geladen wurden, wird das Repository mit IBM watsonx Orchestrate verbunden und als Unternehmenswissensquelle für den Bestell- und Bestandsberater konfiguriert.

Das Repository unterstützt Keyword-, Vektor- und Hybrid-Suchmodi und ermöglicht so einen effizienten Abruf strukturierter und unstrukturierter Unternehmensinformationen. Diese Funktion ermöglicht es dem Agenten, relevantes operatives Wissen abzurufen und Antworten ausschließlich auf Basis fundierter Unternehmensdaten zu generieren.

Eine ausführliche Anleitung zur Konfiguration der Astra DB-Verbindung, Authentifizierung, Schlüsselraum-Auswahl, Einbettungsmodi, Suchmodi und Feldzuordnungen finden Sie in der IBM-Dokumentation:

Verbindung zu einem Astra DB Inhaltsrepository: https://www.ibm.com/docs/en/watsonx/watson-orchestrate/base?topic=agents-connecting-astra-db-content-repository

Ein beschreibender Wissensname und eine Repository-Beschreibung werden konfiguriert, um dem KI-Agenten zusätzlichen Kontext zu liefern.

Wissensname:

Bestell- und Inventar-Astra-Repository

Beschreibung:

Enterprise-Wissensrepository mit Bestelldatensätzen, Bestandsinformationen, Lagerverteilungsdetails, Logistikinformationen und Business Rules, die vom Bestell- und Bestandsberater verwendet werden. Das Repository ermöglicht semantische Abfragen und fundierte operative Empfehlungen.

Der KI-Agent nutzt den selektiven Abruf dieses fundierten Unternehmenswissens, um verspätete Bestellungen zu identifizieren, Lagerengpässe zu erkennen, Lagerrisiken zu analysieren und operative Business Rules zu bewerten. Die Empfehlungen werden ausschließlich auf Basis des gewonnenen Wissens generiert, wodurch sichergestellt wird, dass die Antworten nachvollziehbar bleiben und mit den Governance-Anforderungen übereinstimmen.

Diese Basisebene verbessert die Reaktionsgenauigkeit, die Betriebssicherheit und die Erklärbarkeit, indem sie sicherstellt, dass alle generierten Erkenntnisse ausschließlich auf Unternehmenswissen und nicht auf nicht unterstützten Annahmen basieren.

Durch die Verwendung von Astra DB als externem Vektor-Repository folgt die Lösung einer Retrieval-Augmented Generation (RAG)-Architektur und demonstriert, wie IBM watsonx Orchestrate in unternehmensweite Wissensrepositorys integriert werden kann, um skalierbare, erklärbare und produktionsreife operative Intelligenz bereitzustellen.

Schritt 4: Werkzeugset hinzufügen 

Navigieren Sie im Agentenkonfigurationsbildschirm zu Toolset → Tool hinzufügen und wählen Sie agentischer Workflow als unternehmensweites Betriebstool aus.

Der agentische Workflow fungiert als Orchestrierungs-Engine und ist für die Handhabung der Benutzerinteraktion, das operative Denken, die Analyse des Unternehmenswissens und die Generierung von Empfehlungen zuständig. Dieser Workflow ermöglicht es dem KI-Agenten, mehrstufige Argumentationen zu verspäteten Bestellungen, Bestandsmängeln, Lagerrisiken und der Bewertung von Business Rules durchzuführen.

Konfigurieren Sie den Workflow mit den folgenden Details: 

Name: Workflow zur Analyse von Bestellverzögerungen

Beschreibung: Workflow zur Analyse von Bestellverzögerungen, Bestandsknappheit, Logistikrisiken und Business Rules unter Verwendung fundierten Unternehmenswissens. 

Nach dem Hinzufügen steht der Workflow im Agenten-Toolset zur Verfügung und kann während Benutzergesprächen automatisch aufgerufen werden. Der Agent nutzt diesen Workflow, um betriebliche Anfragen zu bearbeiten, fundierte Erkenntnisse abzurufen, Business Rules anzuwenden und erklärbare Empfehlungen zu generieren.

Schritt 4.1: Workflow-Aktivitäten konfigurieren 

Innerhalb des agentischen Workflows konfigurieren Sie eine mehrstufige operative Schlussfolgerungspipeline unter Verwendung generativer Prompt-Aktivitäten und Benutzerinteraktionsphasen. 

Der Workflow beginnt mit einer Phase zur Erfassung von Benutzereingaben, in der der Benutzer eine produktbezogene operative Abfrage stellt, wie zum Beispiel: 

Warum verzögern sich Bestellungen für das iPhone 14?

In der ersten Phase, „Produktanfrage eingeben“, wird die operative Anfrage des Benutzers erfasst. Diese Eingabe wird dann in die KI-basierte Argumentations-Pipeline für Unternehmensanalyse eingespeist. 

Die zweite Phase, Analyse der Bestellverzögerungen, bewertet verspätete Aufträge, Lieferzeiten, Lagerverteilungsmuster und logistikbezogene Risiken. Diese Phase hilft dabei, operative Engpässe und Verzögerungen beim Versand zu erkennen.

Die dritte Phase, die Bestandsanalyse, bewertet die Verfügbarkeit des Bestands, die Lagerbestände, die Nachbestellschwellen und die Bedingungen für die Nachbestellung. Diese Phase hilft dabei, Lagerengpässe und mit dem Lagerbestand verbundene operationelle Risiken zu erkennen. 

In der vierten Phase, „Business Rules anwenden“, werden vordefinierte operative Regeln für das Unternehmen auf die analysierten Bestell- und Bestandsdaten angewendet. Der Workflow bewertet Bedingungen wie beispielsweise Warenengpässe, logistische Verzögerungen, Nachschubbedarf und systemische Lieferketteprobleme.

Die fünfte Phase, Empfehlungen generieren, generiert erklärbare operative Empfehlungen, Korrekturmaßnahmen, Überwachungsvorschläge und strukturierte Unternehmensergebnisse basierend auf den identifizierten Ursachen. 

In der letzten Phase, Ausgabe, werden die generierten Betriebsanalysen und Empfehlungen dem Benutzer angezeigt.

Der hochgeladene Workflow-Canvas demonstriert die vollständige Enterprise-Orchestrierungspipeline, die in IBM watsonx Orchestrate implementiert wurde. 

Dieses Workflow-Design ermöglicht mehrstufige KI-Argumentation, fundierte Unternehmensanalyse, erklärbare Empfehlungen, modulare Orchestrierung und produktionsreife operative Intelligenz mit watsonx Orchestrate.

Schritt 5: Agentenverhalten konfigurieren

Navigieren Sie zum Abschnitt „Verhalten“ des KI-Agenten und definieren Sie die Anweisungen für das betriebliche Verhalten des Unternehmens. Diese Konfiguration steuert, wie der KI-Agent argumentiert, Unternehmenswissen abruft, den verbundenen Workflow aufruft und operative Empfehlungen generiert.

Fügen Sie den folgenden Verhaltens-Prompt hinzu:

Du bist ein ein KI-Assistent für den Unternehmensbetrieb, der auf Order Management, Bestandsanalyse, Logistiküberwachung und Lieferkettenoptimierung spezialisiert ist.

### Verantwortlichkeiten

• Analysieren verzögerter Bestellungen
• Erkennen von Lagerknappheit
• Identifizieren von Lagerproblemen
• Anwendung von operativen Business Rules
• Erstellen von fundierten Empfehlungen

### Anweisungen

• Nutze stets den verbundenen Workflow und die hochgeladenen Unternehmenswissensdateien.
• Halluziniere nicht und triff keine Annahmen, die über die verfügbaren Daten hinausgehen.
• Alle Ergebnisse und Empfehlungen basieren auf den bereitgestellten Daten.
• Liefere erklärbare und strukturierte Ausgaben.

### Fehlerbehandlung

Wenn kein übereinstimmendes Produkt, keine Bestellung, kein Bestand oder kein Lagereintrag gefunden wird: 

Status: Keine Daten verfügbar

Meldung: Es wurden keine passenden Datensätze in den verfügbaren Daten gefunden.

Empfehlung: Prüfen Sie die Suchkriterien und versuchen Sie es erneut.

### Antwortformat

Für eine erfolgreiche Analyse verwenden Sie bitte folgende Struktur:

Status: Erfolgreich

Zusammenfassung:

<brief overview>

 Wichtige Erkenntnisse:

• Erkenntnis 1
• Erkenntnis 2

Empfehlungen:

• Empfehlung 1
• Empfehlung 2

Die Verhaltensebene fungiert als unternehmensweite Argumentationsrichtlinie, die vorgibt, wie der KI-Agent operative Anfragen interpretiert und Antworten innerhalb von watsonx Orchestrate generiert.

Schritt 5: Agenten testen

Nach der Konfiguration des Unternehmenswissens, der Verhaltensanweisungen und des agentischen Workflows wird der KI-Agent mithilfe der Talk-to-agent-Schnittstelle in IBM watsonx Orchestrate validiert. Benutzer können operative Anfragen absenden, wie zum Beispiel:

„Warum verzögern sich Bestellungen für das iPhone 14?“

Der Agent ruft relevantes operatives Wissen aus dem verbundenen Astra DB-Repository ab, führt den konfigurierten Workflow aus, analysiert Auftrags- und Bestandsinformationen, wendet operative Business Rules an, identifiziert Lagerengpässe und Logistikprobleme und generiert fundierte Empfehlungen mit nachvollziehbarer Begründung. Die Testschnittstelle ermöglicht es Entwicklern außerdem, die Workflow-Ausführung zu überwachen, die Reaktionsgenauigkeit zu validieren und die Produktionsbereitschaft vor der Bereitstellung zu beurteilen.

**Ursachenanalyse für die verzögerten iPhone 14-Bestellungen**

Status: Erfolgreich 

Zusammenfassung: Vier iPhone-14-Bestellungen (IDs 1001-1004) haben sich derzeit um vier Tage verzögert. Die Verzögerungen werden auf die Nichtverfügbarkeit im Lagerbestand in den primären Erfüllungszentren WH1 und WH2 zurückgeführt.

Wichtige Erkenntnisse:

• Alle verspäteten iPhone-14-Bestellungen werden den Lagern WH1 oder WH2 zugewiesen.
• Die Ursache ist ein unzureichender Bestand an iPhone 14-Einheiten in diesen Lagern, was zu einer Verzögerung von vier Tagen bei jeder Bestellung führt.

Empfehlungen:

• Lagerbestände des iPhone 14 von anderen Lagern (z. B. WH3) auf WH1 und WH2 umzuverteilen, um den Bestand aufzufüllen.
• Beschleunigen Sie eingehende Lieferungen des iPhone 14 an WH1 und WH2, um weitere Verzögerungen zu vermeiden.
• Implementieren Sie in jedem Lager eine Warnung bei niedrigem Lagerbestand für das iPhone 14, um eine proaktive Nachbestellung auszulösen, bevor es zu Engpässen kommt.

In diesem Tutorial haben wir einen produktionsbereiten KI-Agenten mit watsonx Orchestrate und Astra DB entwickelt. Die Lösung kombiniert Enterprise-Wissensgrundlage, agentische Workflow-Ausführung, operative Geschäftsregel-Argumentation und erklärbare Empfehlungsgenerierung, um verzögerte Bestellungen, Lagerengpässe und Lieferkettenengpässe zu analysieren.

Die Lösung demonstriert, wie KI-Systeme in Unternehmen die operative Entscheidungsfindung durch erklärbare Argumentationen, modulares Workflow-Design und produktionsreife Architekturprinzipien unterstützen können.

Der KI-Agent ist auch auf den Agent Development Lifecycle (ADLC) abgestimmt, indem er die KI-Lebenszyklusphasen im Unternehmen unterstützt, einschließlich Testen, Bereitstellung, Überwachung und kontinuierlicher Workflow-Optimierung.

Die folgenden Erweiterungen können implementiert werden, um die KI-Lösung für Unternehmen weiter auszubauen.

• Bewertung der Leistung des KI-Agenten
• Bereitstellen des Workflows in Unternehmensumgebungen
• Kontinuierliche Überwachung und Optimierung der Workflow-Leistung
• Integrieren von externen betrieblichen Unternehmensdatensätzen

Die Planungsphase definiert das operative Ziel des Unternehmens, während die Erstellungsphase eine intelligente Workflow-Ausführung durch unternehmensweite Wissensgrundlage, Business Rule-Argumentation und erklärbare operative Analyse ermöglicht. Diese Implementierung zeigt, wie IBM watsonx Orchestrate genutzt werden kann, um produktionsfähige Enterprise-KI-Agenten zu entwickeln, die skalierbare, erklärbare und betriebsfähige Lösungen liefern können.