KI-Agenten
mit YAML und Python
Agenten werden in YAML definiert, Tools als Python-Funktionen geschrieben und alle Änderungen über Git verwaltet. Framework-Abstraktionen und eigene Infrastruktur sind nicht erforderlich. Teams, die heute Backend-Code ausliefern, können über denselben Workflow einen Agenten für den Produktivbetrieb deployen.
SDK-Dokumentation lesen# Den gesamten Agenten in einer YAML-Datei definierenname: invoice-processormodel: connic/gemini-3.7-flashtemperature: 0.3system_prompt: |Du bist ein erfahrener Buchhalter.Extrahiere jedes Feld aus der Rechnungund prüfe, ob die Summen stimmen.tools: - documents.parse - documents.extract_entities - database.store_invoiceDer gesamte Agent in einer Datei.
Konfiguration, Prompts, Tools, Schemas und Sicherheit in einer einzigen deklarativen Spezifikation. Änderungen lassen sich im Pull Request vergleichen und Versionen für CI festlegen.
version: "1.0"
name: invoice-processor
model: connic/gemini-3.7-flash
description: "Extrahiert Daten aus Rechnungen und speichert sie"
temperature: 0.3
system_prompt: |
Extrahiere jedes Feld aus der Rechnung und
prüfe, ob die Summen stimmen.
tools:
- invoices.parse_pdf
- invoices.extract_fields
- invoices.store
output_schema: invoice-data # referenziert schemas/invoice-data.json
guardrails:
input:
- type: pii
mode: redactDie Modellangabe wählt ein fest benanntes connic/*-Modell oder ein Modell des konfigurierten BYOK-Anbieters. Mehr erfahren
Tools können eigene Python-Funktionen unter tools/ oder integrierte vordefinierte Tools referenzieren. Mehr erfahren
Eine JSON-Schema-Datei unter schemas/ erzwingt einen strukturierten JSON Output. Mehr erfahren
Personenbezogene Daten maskieren, Prompt Injection erkennen und eigene Prüfungen ergänzen. Mehr erfahren
Was das SDK übernimmt
Derselbe Agent, zwei Definitionen. Das YAML links läuft mit denselben Garantien wie eine selbst geschriebene Python-Implementierung, benötigt aber keinen zusätzlichen Boilerplate-Code, der gepflegt werden muss.
name: support-triage
model: connic/gpt-5.6-luna # oder anthropic/claude-opus-4-7 mit konfiguriertem Anthropic BYOK
description: "Eingehende Kundenanfragen einordnen"
system_prompt: |
Ordne die Anfrage des Kunden ein und
leite sie an das richtige Team weiter.
tools:
- retrieval_query
- tickets.create
- tickets.notify_teamfrom langchain.agents import AgentExecutor, create_tool_calling_agent
from langchain_anthropic import ChatAnthropic
from langchain.prompts import ChatPromptTemplate
from tools import retrieval_query, ticket_create, notify_team
llm = ChatAnthropic(model="claude-opus-4-7")
tools = [retrieval_query, ticket_create, notify_team]
prompt = ChatPromptTemplate.from_messages([
("system", """Ordne die Anfrage des Kunden ein und
leite sie an das richtige Team weiter."""),
("human", "{input}"),
("placeholder", "{agent_scratchpad}"),
])
agent = create_tool_calling_agent(llm, tools, prompt)
executor = AgentExecutor(
agent=agent,
tools=tools,
verbose=True,
max_iterations=10,
handle_parsing_errors=True,
)
# ...plus Deployment, Retries und Observability,
# Secrets, Environment Config, Telemetrie und vieles mehr.Nutze Funktionen für den Produktivbetrieb direkt im SDK
Das SDK enthält die Bausteine für den Produktivbetrieb, die Teams sonst von Grund auf neu entwickeln müssten.
Umgebungsvariablen werden je Environment zur Laufzeit injiziert. Secrets sind im Dashboard und in Logs maskiert. Dokumentation ansehen
Python-Funktionen umschließen jeden Tool-Aufruf, um Parameter zu validieren oder zu ändern, Ergebnisse zu schwärzen oder ein Tool mit AbortTool zu überspringen. Dokumentation ansehen
Die Python-Funktionen before() und after() laufen vor beziehungsweise nach dem gesamten Run. Sie können Dokumente anhängen, den Kontext ergänzen oder Antworten umwandeln. Dokumentation ansehen
Maskierung personenbezogener Daten, Prompt-Injection-Erkennung, Moderation, Themenbeschränkung, Regex und eigene Python-Prüfungen werden vollständig in YAML konfiguriert. Dokumentation ansehen
Eine JSON-Schema-Datei unter schemas/ gibt dem LLM ein festes Format für die JSON-Antwort vor. Dokumentation ansehen
Entfernte MCP Tool Server werden über Streamable HTTP verbunden. Bestimmte Tools lassen sich filtern oder der gesamte Server als auffindbar markieren. Dokumentation ansehen
Connic im Vergleich
Composer SDK gegenüber LangChain, CrewAI oder einem eigenen Framework
| Funktion | Connic | LangChain | CrewAI | DIY |
|---|---|---|---|---|
| Konfigurationsformat | YAML | Python Code | Python Code | Individuell |
| Deployment enthalten | Enthalten | Nicht enthalten | Nicht enthalten | Nicht enthalten |
| Integrierte Observability | Enthalten | Nicht enthalten | Teilweise | Nicht enthalten |
| Retrieval (RAG) | Enthalten | Nicht enthalten | Nicht enthalten | Nicht enthalten |
| Verbindungen (Kafka, S3 usw.) | Enthalten | Nicht enthalten | Nicht enthalten | Nicht enthalten |
| A/B Testing | Enthalten | Nicht enthalten | Nicht enthalten | Nicht enthalten |
| Human-in-the-Loop Approvals | Enthalten | Nicht enthalten | Nicht enthalten | Nicht enthalten |
| Lernkurve | Niedrig | Mittel | Mittel | Hoch |
| Migration Tooling | Enthalten | Nicht enthalten | Nicht enthalten | Nicht enthalten |
Entwickle KI-Agenten im Team
Migriere bestehende Projekte, prüfe Änderungen gemeinsam mit deinem Team und verwalte Versionen in Git.
connic migrate konvertiert LangChain-, LangGraph- und Google-ADK-Projekte in das Connic Format. Prompts und Tools bleiben erhalten, die Framework Boilerplate entfällt.
Agenten liegen als YAML und Python im Repository. Jedem Environment wird ein Git-Branch zugeordnet. Ein Push auf diesen Branch startet automatisch das Deployment in Staging oder der Produktivumgebung.
KI-Modelle werden im YAML per ID festgelegt, zum Beispiel connic/glm-5.2 oder anthropic/claude-opus-4-7. Tools und Middleware liegen als Python-Dateien im Repository, sodass jede Änderung ein Git Commit mit prüfbarem Diff ist.