Agentic AI · Live-Demo
Ein Multi-Agent-System bei der Arbeit.
So arbeiten Agenten im Kleinen — dasselbe Muster, mit dem hinter AshaCore eine ganze Firma aus Agenten baut: Ein Supervisor delegiert an Fachagenten — ein Data-Agent beschafft die Daten, bevor bewertet wird — bis ein geprüfter, importfähiger Korrekturvorschlag steht. Es zeigt, wie kurz der Weg von der ersten Idee zur ersten POC-Lösung sein kann.
01 · Problemstellung
Produktdaten werden in mehreren Systemen teils getrennt gepflegt. Nach der Konsolidierung entstehen Verknüpfungsschieflagen: einzelne Varianten oder GTIN-nahe Beziehungen verweisen auf das falsche Basisprodukt. Manuell ist das mühsam zu finden — und es wächst mit jeder zusätzlichen Datenquelle.
02 · Die Frage an das Agenten-System
„Finde systemübergreifende Verknüpfungsschieflagen, erkläre die Ursache und erzeuge einen geprüften, importfähigen Korrekturvorschlag."
03 · Ablauf
„Lösung erarbeiten" startet den Ablauf: Der Supervisor plant, der Data-Agent holt die Daten, dann bewerten die Fachagenten und erzeugen einen geprüften Vorschlag.
Warte auf Data-Agent
Die Bausteine
- Supervisor
- Zerlegt die Aufgabe und plant den Weg: erst Daten, dann Bewertung, dann Lösung.
- Data-Agent
- Beschafft die Daten zuerst — etwa per Cypher-Abfrage gegen Neo4j. Bewertet wird erst danach.
- Fachagenten
- Graph-Analyse, Domänen-Validierung und Lösungserzeugung — je mit klarer Verantwortung.
- Wissensgraph
- Produktvarianten, Basisprodukte und GTIN-nahe Beziehungen als Knoten und Kanten in einer Graphdatenbank.
- Bewertung & Guardrails
- Konfidenz, Konfliktprüfung und Schwellen entscheiden über Freigabe oder manuelle Prüfung.
- Importfähiger Output
- Ein nachvollziehbarer Korrekturvorschlag mit Herkunft und Begründung.