KI-Agenten-Entwickler einstellen: worauf achten, wie prüfen
Der Jobtitel ist neu, das Skillset nicht. Wer Agenten baut, die in Produktion halten, sind gewöhnliche starke Engineers, die gelernt haben, mit einer Komponente zu arbeiten, die schnell, fähig und gelegentlich selbstsicher falsch ist.
Diese Umdeutung macht das Einstellen leichter. Sie suchen keine Prompt-Spezialistin. Sie suchen jemanden, der instinktiv fragt, was passiert, wenn das Werkzeug nichts zurückgibt, und der eine Meinung dazu hat, woran man erkennt, dass eine Änderung geholfen hat.
Was zählt, in dieser Reihenfolge#
- API- und Integrationsarbeit: der Großteil ist saubere Kommunikation mit Ihren Systemen.
- Testinstinkt: sie fragen nach Evaluation, bevor sie nach dem Modell fragen.
- Denken in Fehlerarten: leere Ergebnisse, Rechte, Timeouts, Teilerfolg.
- Sicherheitsbewusstsein: Least Privilege, Injection, Audit, Freigabetore.
- Kostenbewusstsein: sie erklären ohne Nachschlagen, wohin Tokens gehen.
- Modellvertrautheit: nützlich, in Wochen erlernbar.
- Frameworkwissen: der unwichtigste und meistbeworbene Punkt.
Eine neunzigminütige Übung, die funktioniert#
Geben Sie ein kurzes Briefing: ein Agent, der Bestellfragen beantwortet und Rückerstattungen unter fünfzig Euro auslösen darf. Verlangen Sie Werkzeugliste mit Argumentschemata, Abbruchbedingungen, zehn Evaluationsfälle und was hinter einem menschlichen Tor steht. Sie suchen keinen Code. Sie achten darauf, ob `refund_order(order_id)` statt `update_order(order_id, fields)` definiert wird, ob ein Ablehnungsfall und ein Leerergebnisfall vorkommen und ob das Freigabetor ungefragt auftaucht.
Starke Kandidatinnen stellen in den ersten fünf Minuten Rückfragen zu Rechten und Randfällen. Das ist das verlässlichste Signal im ganzen Prozess.
Fragen, die Erfahrung von Begeisterung trennen#
| Frage | Schwache Antwort | Starke Antwort |
|---|---|---|
| Woher wissen Sie, dass eine Änderung half? | Wir testen manuell | Festes Eval-Set, davor und danach |
| Was tun Sie, wenn ein Werkzeug nichts liefert? | Wiederholen | Explizites Leerergebnis, auf das der Agent handeln kann |
| Wie stoppen Sie Injection? | Dem Modell sagen, es zu ignorieren | Least Privilege, Isolation, Freigabetore |
| Warum war Ihr letzter Agent langsam? | Das Modell war langsam | Sechs serielle Aufrufe; zwei parallelisiert, Kontext gekürzt |
| Wie wählen Sie ein Modell? | Das beste | Pro Schritt, gemessen an unseren Fällen |
Agentur, Freelance oder intern#
Eine Agentur passt zum ersten Bau mit Frist: Sie kaufen ein Team, das die üblichen Fehler schon gemacht hat — und sollten Eval-Set und Werkzeugschemata als Liefergegenstand verlangen. Freelance passt zum Ausbau eines Systems, das Ihr Team behält. Intern ist richtig, wenn der Agent Teil des Produkts wird. Der häufige Fehlschlag ist ein Agenturbau ohne Übergabe, der ein System hinterlässt, das intern niemand ändern kann.
Warnzeichen auf beiden Seiten#
- Angebot ohne Evaluationsposition oder Evaluation heißt, die Entwickler probieren es aus.
- Sicherheit über Genauigkeit, bevor Ihre Daten gesehen wurden.
- Frameworkempfehlung, bevor die Werkzeugliste steht.
- Keine Frage nach Rechten oder nach dem Endnutzer.
- Unwille, am Ende Prompts, Schemata und Evaluationsfälle zu übergeben.
Häufige Fragen
Brauche ich eine ML-Ingenieurin?
Meist nicht. Agentenarbeit ist Systems Engineering gegen eine Modell-API. ML-Expertise brauchen Sie beim Feintuning, beim Klassifikatortraining oder bei ernsthafter Retrieval-Optimierung.
Wie groß sollte das Team sein?
Zwei Engineers und eine Fachexpertin in Teilzeit decken die meisten Erstprojekte. Die Fachexpertin ist nicht optional: sie liefert die Evaluationsfälle und definiert das korrekte Ergebnis.
Was muss eine Agentur übergeben?
Repository, Prompts, Werkzeugschemata, Eval-Set mit Ergebnissen, Traces des letzten Monats, ein Monitoring-Dashboard und eine Notiz zu bekannten Fehlerarten. Fehlt etwas davon, haben Sie ein System gekauft, das Sie nicht sicher ändern können.
agenten entwickler einstellenki agentur auswahlllm engineer interviewagenten teamki projekt übergabe
