Strukturierte Ziel-Prompts und Ausführungsbeschränkungen in AgentGPT zur Vermeidung von Task Drift

Autonome KI-Agenten bieten das Potenzial, übergeordnete Ziele eigenständig in Teilaufgaben zu zerlegen und iterativ abzuarbeiten. In der Praxis geraten unregulierte Agenten jedoch schnell in einen Zustand des Task Drift: Sie weichen schrittweise vom ursprünglichen Auftrag ab und verstricken sich in endlosen Planungsschleifen, irrelevanten Nebenschauplätzen oder überflüssigen Programmieraufgaben. In der rekursiven Architektur von AgentGPT (Planen, Analysieren, Ausführen und Generieren neuer Aufgaben auf Basis von Zwischenergebnissen) ist dieser Drift kein zufälliges Fehlverhalten, sondern die logische Konsequenz unzureichend abgegrenzter Prompts und offener Laufzeitparameter.

Um Task Drift wirksam zu verhindern, müssen Entwickler und Workflow-Designer ein zweistufiges Steuerungsmodell etablieren: strukturierte Ziel-Prompts (Structured Goal Prompts) zur Festlegung harter semantischer Grenzen und Abbruchkriterien auf Prompt-Ebene, kombiniert mit deterministischen Ausführungsbeschränkungen (Execution Constraints) auf System- und Laufzeitebene (Begrenzung der Schleifenanzahl, minimale Temperatur, Modellauswahl und Werkzeugisolierung).

Ursachen von Task Drift in AgentGPT: Die Mechanik der rekursiven Schleife

AgentGPT verbindet ein FastAPI-Backend mit einem Next.js-Frontend. Der interne Ablauf verdeutlicht, wie Task Drift systemisch entsteht:

1. Initiale Aufgabengliederung (/start): Auf Basis des vom Nutzer eingegebenen Goal ruft das Backend das start_goal_prompt auf, das nach dem Plan-and-Solve-Verfahren bis zu fünf Suchanfragen oder initiale Teilaufgaben erzeugt.
2. Aufgabenanalyse und Ausführung (/analyze und /execute): Mittels analyze_task_prompt wählt der Agent das passende Werkzeug (z. B. Websuche oder Code-Ausführung) und führt die Aufgabe über execute_task_prompt aus. Hierbei enthält der Standard-Prompt von AgentGPT die Anweisung: “When confronted with choices, make a decision yourself with reasoning” (Wenn du vor Entscheidungen stehst, triff die Entscheidung eigenständig mit Begründung). Ohne Vorab-Restriktionen wählt das Modell häufig spekulative oder stark verzweigte Pfade.
3. Rekursive Aufgabengenerierung (/create): Dies ist der kritischste Punkt des Workflows. Nach jedem Schritt übergibt das System das Gesamtziel {goal}, die verbleibenden Aufgaben {tasks}, die zuletzt ausgeführte Aufgabe {lastTask} und das Zwischenergebnis {result} an das create_tasks_prompt, um eine neue Aufgabe zur Zielannäherung zu erstellen.
4. Markovscher Kontext-Drift (Markovian Drift): Enthält das Zwischenergebnis {result} unerwartete technische Fachbegriffe, Netzwerkfehler oder Randbemerkungen, konzentriert sich das Sprachmodell zunehmend auf diesen unmittelbaren Kontext anstatt auf das übergeordnete {goal}. Nach 4 bis 6 Durchläufen basiert jede neue Aufgabe primär auf dem Output des vorherigen Schritts. Der Agent driftet ab in das Debuggen von Web-Scrapern, das Installieren von Python-Bibliotheken oder das Recherchieren von Unternehmenshistorien.
5. Fehlende Terminierungssignale: Obwohl der System-Prompt besagt, dass bei Zielerreichung nichts zurückgegeben werden soll, neigen autoregressive Sprachmodelle dazu, fortlaufend Text zu generieren. Ohne eine im Ziel klar definierte Fertigstellungsdefinition (Definition of Done) generiert das Modell kontinuierlich neue Aufgaben, bis das Schleifenlimit der Plattform erreicht wird.

1. Entwicklung strukturierter Ziel-Prompts

Da die Benutzeroberfläche von AgentGPT lediglich ein einzelnes primäres Eingabefeld (Goal) bereitstellt, müssen sämtliche Arbeitsanweisungen und Schutzplanken direkt in diesen Prompt eingebettet werden. Vage Ziele wie "Analysiere die Preise der Konkurrenz und erstelle einen Marktbericht" führen unweigerlich zum Scheitern.

Ein belastbarer, drift-resistenter Ziel-Prompt folgt einem 5-Komponenten-Framework:

[ROLLE & PERSONA / ROLE]
Agiere als Marktforschungsanalyst mit Spezialisierung auf deterministische Faktenzusammenfassung.

[HAUPTZIEL / OBJECTIVE]
Ermittle präzise die öffentlich ausgewiesenen Preisstufen, Mindestplatzanforderungen und Enterprise-Rabattrichtlinien für Produkt A, Produkt B und Produkt C.

[GELTUNGSBEREICH & ANTI-ZIELE / SCOPE & ANTI-GOALS]
- IM GELTUNGSBEREICH (IN-SCOPE): Offizielle Preisübersichten der Hersteller-Websites, Feature-Listen pro Stufe, monatliche/jährliche Abrechnungszyklen.
- AUSSERHALB DES GELTUNGSBEREICHS (OUT-OF-SCOPE / STRIKT UNTERSAGT):
  * Erstelle KEINE Aufgaben zur Programmierung von Web-Scrapern, API-Skripten oder Python-Tools.
  * Untersuche KEINE Gründerbiografien, Finanzierungsrunden oder Marketing-Blogbeiträge.
  * Analysiere KEINE Produkte außerhalb von Produkt A, B und C.
  * Ist eine Website nicht erreichbar, dokumentiere "Preis nicht verfügbar" und fahre unverzüglich mit dem nächsten Produkt fort, ohne Netzwerkdiagnosen durchzuführen.

[PHASENBASIERTE LINEARE AUSFÜHRUNG / PHASED EXECUTION]
Führe die Recherche strikt in drei aufeinanderfolgenden Phasen durch:
- Phase 1: Standardpreise für Produkt A erfassen und protokollieren.
- Phase 2: Standardpreise für Produkt B und C erfassen und protokollieren.
- Phase 3: Ergebnisse zur finalen Vergleichsmatrix zusammenführen.
Das Erstellen explorativer Zwischenaufgaben außerhalb dieser drei Phasen ist untersagt.

[FERTIGSTELLUNGSKRITERIUM & ABBRUCH / DEFINITION OF DONE]
Das Ziel gilt als vollständig erreicht, sobald die Preisvergleichstabelle für alle drei Produkte vorliegt. Nach Ausgabe des finalen Markdown-Berichts dürfen KEINE weiteren Aufgaben erstellt werden. Beende die Ausführung unverzüglich durch Rückgabe einer leeren Antwort.

[AUSGABEFORMAT / DELIVERABLE FORMAT]
Strukturierte Markdown-Tabelle mit den Spalten: [Produkt | Tarifstufe | Monatspreis | Jahrespreis umgerechnet | Wesentliche Einschränkungen], gefolgt von einer maximal 150 Wörter umfassenden Management-Zusammenfassung.

Wesentliche Prompting-Prinzipien gegen Drift

• Explizite Anti-Ziele (Negative Constraints): Dem Modell präzise mitzuteilen, was es nicht tun darf, verhindert Fehltritte wesentlich effektiver als bloße positive Handlungsanweisungen. Das Verbot von Programmierung und Nebenschauplätzen schützt vor zeitraubenden Debugging-Schleifen.
• Lineare Phasenbindung: Durch die Vorgabe sequenzieller Stufen wird das Verzweigen in weitläufige Aufgabenbäume unterbunden.
• Deterministisches Fertigstellungskriterium: Die Kopplung des Ausführungsstopps an ein konkretes Artefakt (die fertige Tabelle) neutralisiert den Generierungsdrang des create_tasks_prompt.

2. Konfiguration deterministischer Ausführungsbeschränkungen

Prompts sind weiche Beschränkungen (Soft Constraints); bei langen Kontexten können probabilistische Modelle Regeln missachten. Daher sind harte, systemseitige Grenzen in den Einstellungen von AgentGPT unerlässlich.

1. Striktes Schleifenlimit (max_loops)

In der Standardkonfiguration (.env.example) von AgentGPT ist häufig NEXT_PUBLIC_MAX_LOOPS="100" hinterlegt. Einem autonomen Agenten bis zu 100 Schleifen einzuräumen, führt zu unkontrolliertem Token-Verbrauch und tiefem Task Drift.

• Produktionsempfehlung: Das Schleifenlimit in den erweiterten UI-Einstellungen oder API-Parametern fest auf 4 bis 8 Durchläufe begrenzen.
• Eine saubere Teilaufgabe muss in 5 bis 7 Schritten abgeschlossen sein. Gelingt dies nicht innerhalb von 8 Schleifen, ist der Auftrag zu weit gefasst und muss in mehrere Agenten aufgeteilt werden.

2. Absenkung der Temperatur (Temperature)

In den erweiterten Einstellungen erlaubt AgentGPT bei Verwendung eines eigenen API-Schlüssels die Anpassung der Temperatur.

• Standardwert: Meist 0.7 bis 0.9 für dialogische Varianz.
• Produktionsempfehlung: Einstellung auf 0.0 bis 0.2.
• Eine minimale Temperatur reduziert die Zufallsvarianz bei der Aufgabenerstellung drastisch. Das Modell hält sich exakt an die Vorgaben und erfindet keine ausschweifenden Nebenschritte.

3. Modellauswahl: Starke Instruktionsbefolgung

AgentGPT bietet die Auswahl verschiedener Basismodelle (z. B. GPT-3.5- gegenüber GPT-4-Varianten):

• Modelle der GPT-3.5-Klasse: Neigen nach 2 bis 3 Iterationen zu Instruktionsverlust und lassen sich leicht von Stichwörtern in Zwischenergebnissen ablenken.
• Modelle der GPT-4-Klasse: Halten negative Vorgaben und Anti-Ziele über viele Rekursionsstufen hinweg stabil aufrecht und terminieren zuverlässig bei Erreichen des Fertigstellungskriteriums.

4. Werkzeug- und Rechteisolierung

In AgentGPTs Architektur werden Werkzeuge in reworkd_platform/web/api/agent/tools/tools.py bereitgestellt (Search, Code, SID etc.).

• Erhält ein Recherche-Agent Zugriff auf Code-Tools, versucht er bei Parsing-Fehlern häufig, eigene Skripte zu kompilieren, und verfängt sich in Abhängigkeitsproblemen.
• Durch das Nichtkonfigurieren irrelevanter API-Schlüssel oder das Beschränken des tool_names-Arrays im API-Aufruf wird der Handlungsspielraum des Agenten sicher auf Webrecherche und Textverarbeitung begrenzt.

3. Workflow-Architektur: Von monolithischen Agenten zu Mikro-Agenten-Pipelines

Der Versuch, einen komplexen Geschäftsprozess in einer einzigen AgentGPT-Sitzung abzubilden, ist die Hauptursache für unkontrollierten Task Drift. Mit zunehmender Kontextfülle verliert das Ursprungsziel seine steuernde Wirkung.

Bewährt hat sich die Aufteilung in Mikro-Agenten-Pipelines:

[Nutzeranforderung]
     │
     ▼
┌──────────────────────────────────────────────┐
│ Agent 1: Datenerhebung (Nur Suchwerkzeug)    │
│ - Beschränkung: Max. 4 Schleifen, Temp. 0.1  │
│ - Ziel: Reine Preistabellen für A, B, C      │
└──────────────────────────────────────────────┘
     │ Rohe Markdown-Daten
     ▼
┌──────────────────────────────────────────────┐
│ Agent 2: Datenbereinigung (Keine Werkzeuge)  │
│ - Beschränkung: Max. 2 Schleifen, Reiner Text│
│ - Ziel: Rauschen filtern, Valides JSON bauen │
└──────────────────────────────────────────────┘
     │ Strukturiertes JSON
     ▼
┌──────────────────────────────────────────────┐
│ Agent 3: Berichterstellung                   │
│ - Beschränkung: Einzeldurchlauf (/summarize) │
│ - Ziel: Rendern der Matrix und Management-GF │
└──────────────────────────────────────────────┘

Durch die funktionale Entkopplung operiert jeder Agent in einem minimalen Handlungsraum, wodurch thematische Ausbrüche ausgeschlossen werden.

4. Code-Modifikationen für selbst gehostete Deployments

Teams, die AgentGPT eigenständig via Docker betreiben, können Schutzmechanismen direkt im Backend-Code (platform/reworkd_platform/web/api/agent/) verankern:

1. Absicherung von create_tasks_prompt (prompts.py): Implementierung fester Abbruchregeln direkt im System-Template:

   create_tasks_prompt = PromptTemplate(
       template="""You are an AI task creation agent. Objective: `{goal}`.
   Incomplete tasks: `{tasks}`. Last task: `{lastTask}`. Result: `{result}`.
   
   Strict Rules:
   1. If the deliverable described in `{goal}` is already obtained, return NOTHING.
   2. Do NOT create tasks involving new software tools, scripting, or off-topic domains.
   3. Every new task must have a direct causal link to the completion of `{goal}`.
   If satisfied, respond with an empty string.""",
       input_variables=["goal", "language", "tasks", "lastTask", "result"],
   )
   

2. Semantische Ähnlichkeitsprüfung in der API (views.py): Im /create-Endpunkt wird die Vektor-Kosinus-Ähnlichkeit zwischen vorgeschlagenen Aufgaben und dem Hauptziel {goal} berechnet. Unterschreitet die Ähnlichkeit einen Schwellenwert (z. B. 0.65), wird die Aufgabe verworfen, bevor sie in die Warteschlange gelangt.

Steuerungsmatrix im Überblick

Durch vertraglich präzise formulierte Ziel-Prompts und harte systemische Parametergrenzen wandelt sich AgentGPT von einem unberechenbaren Experimentierfeld zu einem verlässlichen Baustein deterministischer Prozessautomatisierung.

Referenzen

• reworkd/AgentGPT: Assemble, configure, and deploy autonomous AI Agents in your browser
• AgentGPT README
• AgentGPT .env.example
• AgentGPT Backend Prompts (prompts.py)
• AgentGPT Backend API Views (views.py)
• AgentGPT Backend Tools (tools.py)