Schleifenlimits konfigurieren und Aufgabenergebnisse in AgentGPT exportieren: Schutz vor unkontrolliertem Token-Verbrauch

Autonome KI-Agenten bieten enormes Potenzial, indem sie übergeordnete Ziele eigenständig in Teilaufgaben zerlegen und schrittweise abarbeiten. Wenn solche rekursiven Prozesse jedoch ohne klare Schranken ablaufen, können sie das verfügbare API-Token-Guthaben in kürzester Zeit aufbrauchen. Gerät ein Agent in logische Zirkelschlüsse, versucht er wiederholt nicht erreichbare Webseiten abzurufen oder erzeugt er unendlich viele Unteraufgaben, drohen innerhalb von Minuten unerwartet hohe Kosten. In der von Reworkd entwickelten Open-Source-Plattform AgentGPT stehen Entwicklern zwei zentrale Kontrollmechanismen zur Verfügung, um dieses Risiko zu beherrschen: die verbindliche Festlegung von Ausführungsschleifen-Limits (Loop Limits) sowie der strukturierte Export von Aufgabenergebnissen in mehreren Formaten.

Durch die gezielte Konfiguration von Schleifen- und Token-Obergrenzen vor dem Start und das sofortige Sichern von Zwischen- und Endergebnissen lassen sich autonome Arbeitsabläufe budgetschonend und verlässlich betreiben.

1. Wie der rekursive Zyklus von AgentGPT Tokens verbraucht

Um die Notwendigkeit von Schleifenlimits zu verstehen, ist ein Blick auf den Kernprozess von AgentGPT hilfreich:

1. Zielerfassung (Goal Ingestion): Der Agent nimmt das formulierte Gesamtziel entgegen und generiert über ein Sprachmodell (wie GPT-3.5-Turbo oder GPT-4) eine erste Liste von Teilaufgaben.
2. Aufgabenausführung und -analyse (Task Execution): Die erste Aufgabe in der Warteschlange wird entnommen, über das Modell oder externe Werkzeuge abgearbeitet und das Teilergebnis festgehalten.
3. Aufgabenerstellung und -anpassung (Task Creation): Anhand der gewonnenen Daten prüft der Agent, ob weitere Aufgaben ergänzt oder bestehende modifiziert werden müssen.
4. Rekursiver Zyklus (Recursive Loop): Die Schritte 2 und 3 wiederholen sich fortlaufend, bis entweder alle Aufgaben erledigt sind oder ein Abbruchkriterium greift.

Jeder vollständige Durchlauf dieser Schritte wird als Loop (Schleife) bezeichnet. Pro Schleife fallen typischerweise mehrere API-Anfragen an, wobei der mitgesendete Kontextverlauf mit jedem Schritt anwächst. Bei unpräzisen Vorgaben oder unerwarteten Fehlern drohen Endlosschleifen, die exponentiell viele Tokens konsumieren.

2. Ausführungsschleifen in der Benutzeroberfläche beschränken

In der Weboberfläche sowie in lokalen Deployments von AgentGPT können Anwender Grenzwerte bequem über das Einstellungsmenü festlegen.

Zugriff auf die erweiterten Einstellungen

1. Öffnen Sie die AgentGPT-Oberfläche und klicken Sie in der linken Navigationsleiste auf das Zahnrad-Symbol Settings (⚙️ Einstellungen) oder navigieren Sie zu /settings.
2. Vergewissern Sie sich, dass Sie angemeldet sind (via GitHub, Google oder Discord) oder eine selbst gehostete Instanz betreiben. In der öffentlichen Webversion ist der Bereich Advanced Settings (Erweiterte Einstellungen) für nicht authentifizierte Gäste deaktiviert, um die gemeinsame Demo-Infrastruktur zu schützen.

Anpassen des Schleifen-Schiebereglers (customMaxLoops)

Im Bereich Advanced Settings finden Sie den Parameter Loop:

• Einstellbereich: Zwischen 1 und 25 Schleifen (Schrittweite: 1).
• Voreinstellungen: In der kostenlosen Basisversion sind standardmäßig 25 Schleifen hinterlegt; bei Verwendung eines eigenen API-Schlüssels wird ein sicherer Standardwert von 10 Schleifen vorgeschlagen.
• Wirkung im System: Definiert die maximale Anzahl an Aufgabenzyklen in einer Einzelsitzung. Sobald dieser Zähler erreicht wird, stoppt der Agent automatisch und gibt den Sicherheitshinweis aus:

  The maximum number of loops have been reached, this agent is shutting down.
  

  (In früheren Versionen lautete diese Meldung: "To save your wallet, and our infrastructure costs, this agent is shutting down.")

Empfohlene Schleifenbudgets nach Aufgabentyp

• Prägnante Zusammenfassungen, Definitionen und Einzelabfragen: 3 bis 7 Schleifen.
• Mehrstufige Texterstellung, Vergleiche und strukturierte Pläne: 8 bis 12 Schleifen.
• Umfangreiche Webrecherchen über mehrere Quellen: 15 bis 25 Schleifen.

Begleitende Kostenkontrollparameter

Um das Budget zusätzlich abzusichern, sollten Sie gleichzeitig folgende Optionen justieren:

• Token-Limit (Tokens / maxTokens): Begrenzen Sie die maximale Ausgabelänge pro individuellem API-Aufruf (Schieberegler von 200 bis zum Modellmaximum, z. B. 4.000 Tokens), um ausschweifende Einzelantworten zu verhindern.
• Modellauswahl (Model): Nutzen Sie für anfängliche Testläufe das kostengünstige gpt-3.5-turbo und schalten Sie erst bei anspruchsvollen Schlussfolgerungen auf gpt-4 um.
• Temperatur (Temperature): Senken Sie den Wert auf 0.0 bis 0.2. Eine deterministischere Arbeitsweise verringert Halluzinationen, die häufig Ursache für zirkuläre Fehlaufrufe sind.
• Eigener API-Schlüssel (API Key): Tragen Sie Ihren persönlichen OpenAI-Schlüssel ein und überprüfen Sie ihn über die Schaltfläche Test, um den Verbrauch transparent im eigenen Abrechnungskonto zu überwachen.

3. Direkte Steuerung des Ausführungslebenszyklus

Neben statischen Vorabgrenzen bietet AgentGPT im Kopfbereich des Konsolenfensters interaktive Steuerelemente (AgentControls):

• Pause (FaPause): Hält den Agenten unmittelbar nach Abschluss der aktuellen Teilaufgabe an. Dies erlaubt es, die generierten Teilaufgaben zu prüfen und zu beurteilen, ob der Agent noch auf Kurs ist.
• Fortsetzen (FaPlay): Setzt einen pausierten Agenten nahtlos mit der nächsten anstehenden Aufgabe fort.
• Sofort-Stopp (FaStop): Bemerken Sie Anzeichen einer Endlosschleife oder irrelevante Ausgaben, beendet der rote Stopp-Button die Sitzung unverzüglich (stopped), kappt die aktiven Streaming-Verbindungen und riegelt den Token-Verbrauch sofort ab.

4. Konfiguration für selbst gehostete Umgebungen (Backend und Umgebungsvariablen)

Für Teams, die AgentGPT über Docker oder Quellcode auf eigener Infrastruktur betreiben, lassen sich die Grenzen serverseitig absichern.

Backend-Umgebungsvariable

Das Python-Backend von AgentGPT (reworkd_platform) verwaltet Anwendungseinstellungen über Pydantic. Über eine dedizierte Umgebungsvariable lässt sich das globale Schleifenlimit festlegen:

# In der .env-Datei
REWORKD_PLATFORM_MAX_LOOPS=20

Dieser Wert überschreibt settings.max_loops in platform/reworkd_platform/settings.py. Selbst wenn Clients versuchen, höhere Werte anzufragen, erzwingt der Server den Abbruch beim Erreichen dieses Schwellenwerts.

Anpassung der Benutzeroberfläche im Frontend

Entwickler, die den Schiebereglerbereich für interne Anwendungsfälle erweitern oder einschränken möchten, können den Next.js-Code anpassen:

• In next/src/pages/settings.tsx:

  <Input
    label={`${t("LOOP")}`}
    value={settings.customMaxLoops}
    name="loop"
    type="range"
    onChange={(e) => updateSettings("customMaxLoops", parseFloat(e.target.value))}
    attributes={{
      min: 1,
      max: 50, // Benutzerdefiniertes Maximum
      step: 1,
    }}
    helpText={t("CONTROL_THE_MAXIMUM_NUM_OF_LOOPS")}
    icon={<FaSyncAlt />}
    disabled={disableAdvancedSettings}
  />
  

• In next/src/utils/constants.ts zur Anpassung der Konstanten:

  export const DEFAULT_MAX_LOOPS_FREE = 25 as const;
  export const DEFAULT_MAX_LOOPS_CUSTOM_API_KEY = 10 as const;
  

5. Exportieren von Aufgabenergebnissen und Protokollen

Wenn ein Agent sein Ziel erreicht hat oder am Schleifenlimit stoppt, verhindert das sofortige Exportieren von Daten, dass Sitzungsinhalte verloren gehen und identische Anfragen erneut Token kosten.

Integriertes Export-Menü im Konsolenfenster

In der oberen rechten Ecke des Konsolenfensters (MacWindowHeader) befindet sich das Export-Symbol (CgExport). Es stellt drei Standardformate bereit:

1. In die Zwischenablage kopieren (Copy):
   • Greift den gesamten Textinhalt des Nachrichtenbereichs ab (innerText).
   • Überträgt das ursprüngliche Ziel, alle erstellten Teilaufgaben und die generierten Antworten als formatierten Fließtext in die Systemzwischenablage.
2. Als Bild speichern (Image / PNG):
   • Rendert über die Bibliothek html-to-image den gesamten scrollbaren Konsolenbereich (element.scrollHeight).
   • Erstellt und lädt die Bilddatei agent-gpt-output.png herunter – ideal für Dokumentationen, Statusberichte und visuelle Protokolle.
3. Strukturiertes PDF-Dokument (PDF):
   • Verwendet @react-pdf/renderer über die integrierte Komponente PDFButton.
   • Formatiert die Nachrichtenabfolge in übersichtliche Rubriken:
     • Agent Goal: Das registrierte Hauptziel.
     • Adding Task: Erzeugte Teilaufgaben.
     • Executing: Konkrete Recherche- und Ausführungsergebnisse.
   • Generiert und lädt my-document.pdf zur Weitergabe oder Archivierung herunter.

Massenexporte und Datenbankanbindung

• Bulk Exports: Über die Enterprise-Oberfläche von Reworkd unter app.reworkd.ai/exports können vollständige Datensätze ganzer Scraping-Gruppen oder Batch-Jobs als CSV- oder JSON-Dateien exportiert werden.
• Direkter Datenbankabruf: Bei selbst gehosteten Installationen werden Sitzungen in den MySQL-/SQLite-Tabellen agent_run und agent_task persistiert. Entwickler können die Daten direkt per SQL abfragen oder über die FastAPI-REST-Endpunkte (/api/agent/execute) in automatisierte Daten-Pipelines einbinden.

6. Best Practices für einen wirtschaftlichen Betrieb

1. Schleifencheck vor jedem Start: Werfen Sie vor dem Absenden eines Ziels stets einen kurzen Blick in die Einstellungen; für Testläufe genügen meist 5 bis 10 Schleifen.
2. Zweistufige Kostenbremse: Kombinieren Sie ein straffes Schleifenlimit mit einem moderaten maxTokens-Wert (z. B. 1250 bis 2000), um Schrittzahl und Antwortumfang gleichzeitig einzudämmen.
3. Aufmerksam beobachten: Begleiten Sie die ersten 2 bis 3 Teilaufgaben aktiv. Bei Anzeichen von Fehlentwicklungen stoppen oder pausieren Sie die Ausführung sofort.
4. Ergebnisse unmittelbar sichern: Speichern Sie wichtige Erkenntnisse sofort per Copy oder PDF, um Datenverlust beim Neuladen der Seite auszuschließen.

(Hinweis: Das Open-Source-Repository reworkd/AgentGPT wurde im Januar 2026 archiviert und ist schreibgeschützt. Teams, die eigene Forks weiterentwickeln, sollten diese bewährten Sicherheitsgrenzen und Export-Mechanismen beibehalten.)

Referenzen

• AgentGPT
• GitHub - reworkd/AgentGPT: 🤖 Assemble, configure, and deploy autonomous AI Agents in your browser.
• AgentGPT Settings Page Component
• AgentGPT Console Window Header Component
• AgentGPT PDF Export Implementation
• AgentGPT Backend Platform Settings
• AgentGPT Bulk Exports Documentation