001 AI Agenten bei AMALYTIX

In dieser Folge tauchen Trutz und Kai tief in die praktische Umsetzung eines internen KI-Agenten ein. Inspiriert durch OpenClaw hat Trutz ein eigenes System auf Basis von LangChain und TypeScript entwickelt, das heute als zentrales Werkzeug bei AMALYTIX dient. Er berichtet von den ersten Schritten, der Auswahl der richtigen Frameworks und warum Datensicherheit bei der Nutzung von AWS Bedrock an erster Stelle steht.
Die Themen dieser Episode:
• Der Weg vom Experiment zum produktiven internen Tool.
• Warum LangChain als Framework für Agenten-Harness und Tool-Calling gewählt wurde.
• Datensicherheit und Zero Data Retention durch den Einsatz von AWS Bedrock.
• Praktische Use-Cases: Von der Analyse doppelter Abbuchungen bis zum automatisierten Bug-Reporting.
• Die Kostenfalle API: Warum 800 Dollar an einem Tag verbrannt wurden und wie man Token-Usage optimiert.
• Deployment-Strategie: Warum der Agent auf einem MacBook Air im Büro via Tailscale läuft.
• Die Vision der AI-First-Company: Demokratisierung von Wissen durch zentrale Knowledge Bases.
Erwähnte Tools und Begriffe:
• LangChain (langchain.com) (Framework für LLM-Applikationen)
• Deep Agents Framework (langchain.com/deep-agents) von LangChain
• AWS Bedrock (aws.amazon.com/de/bedrock) (Cloud-Plattform für KI-Modelle)
• Tailscale (tailscale.com) (Sicheres Networking für den lokalen Zugriff)
• Linear (linear.app) (Task-Management mit MCP-Server-Anbindung)
• Stripe & Help Scout (Datenquellen für den Agenten)
• MCP (modelcontextprotocol.io/docs/getting-started/i…) (Model Context Protocol)