Agent-Kurs durchgeschaut, läuft aber nicht? Mit einem einzigen Key bringst du die Beispiele zum Laufen

Auf X macht ein Beitrag die Runde, der scherzt: Wer 500 Dollar für einen KI-Agent-Kurs ausgegeben hat, kann ihn jetzt kostenlos anschauen. Originalbeitrag: https://x.com/deanwperkins/status/2116911546282733623 (Autor Dean W. Perkins, @deanwperkins). Der Konsens in den Diskussionen darunter: Die Kurse selbst sind nicht knapp, knapp ist es, die Inhalte aus dem Kurs zum Laufen zu bringen.

Das trifft den Nagel auf den Kopf. Die meisten hängen nicht dabei fest, dass sie die Agent-Schleife nicht verstehen, sondern dass sie schon beim ersten Schritt nicht weiterkommen: Der im Beispielcode verwendete Modell-Key fehlt, wechselt man das Modell, passt das Protokoll nicht mehr, und wenn es nicht läuft, lässt sich auch nichts überprüfen.

Dieser Artikel behandelt die minimale lauffähige Konfiguration, nicht die Agent-Theorie.

Ein minimaler Agent hat nur drei Dinge

Lässt man Frameworks und Abstraktionen beiseite, besteht ein Agent, der tatsächlich Arbeit erledigt, aus drei Komponenten:

1. Ein Modell, das Tools aufrufen kann
2. Eine Sammlung von Tool-Definitionen (Name, Parameter, Beschreibung)
3. Eine Schleife: Das Modell entscheidet, welches Tool aufgerufen wird, du führst es aus, gibst das Ergebnis zurück ans Modell, bis es sagt, dass es fertig ist

Die Multi-Agenten, Erinnerungen und Planungen aus den Kursen bauen alle auf diesen drei Dingen auf. Bring zuerst diese drei zum Laufen.

Schritt 1: Den Key vorbereiten

Die erste Aufgabe in den meisten Kursen ist „Besorg dir einen API-Key für irgendein Modell“. Die Abbruchquote ist hier nicht niedrig: registrieren, Karte hinterlegen, auf Freigabe warten, manche muss man auch noch ein Kontingent beantragen.

Mit einem einheitlichen Einstiegspunkt überspringst du diesen Schritt. Der Key von HiAPI deckt mit einer einzigen Authentifizierung Textmodelle wie Claude, GPT, Kimi, Grok und DeepSeek ab und nutzt das Standard-Chat-Completions-Protokoll.

Nachdem du den Key erhalten hast, prüfe zuerst, ob er funktioniert:

curl -s https://api.hiapi.ai/v1/chat/completions \
  -H "Authorization: Bearer YOUR_HIAPI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "gpt-6.1-sol",
    "messages": [{"role": "user", "content": "Sag Hallo"}]
  }'

Wenn eine Antwort zurückkommt, ist der Key in Ordnung.

Schritt 2: Tools definieren

Die Tool-Definition ist die Bedienungsanleitung für das Modell. Es muss wissen, welche Tools es gibt und welche Parameter jedes Tool benötigt.

tools = [{
    "type": "function",
    "function": {
        "name": "get_weather",
        "description": "Das aktuelle Wetter einer angegebenen Stadt abfragen",
        "parameters": {
            "type": "object",
            "properties": {
                "city": {"type": "string", "description": "Stadtname, z. B. Beijing"}
            },
            "required": ["city"]
        }
    }
}]

Nur eine Beschreibung musst du schreiben: Das Modell entscheidet anhand der description, wann dieses Tool verwendet werden sollte. Je klarer sie formuliert ist, desto geringer die Wahrscheinlichkeit eines Fehlaufrufs.

Schritt 3: Die Schleife schreiben

import json, requests

API = "https://api.hiapi.ai/v1/chat/completions"
KEY = "YOUR_HIAPI_API_KEY"
HEADERS = {"Authorization": f"Bearer {KEY}", "Content-Type": "application/json"}

def run_weather(city):
    return {"city": city, "temp": 18, "condition": "sonnig"}  # Beispielimplementierung

messages = [{"role": "user", "content": "Wie viel Grad hat es heute in Beijing?"}]

for _ in range(5):  # Endlosschleife verhindern
    resp = requests.post(API, headers=HEADERS, json={
        "model": "gpt-6.1-sol",
        "messages": messages,
        "tools": tools,
    }).json()

    msg = resp["choices"][0]["message"]
    messages.append(msg)

    if not msg.get("tool_calls"):
        print(msg["content"])
        break

    for call in msg["tool_calls"]:
        args = json.loads(call["function"]["arguments"])
        result = run_weather(args["city"])
        messages.append({
            "role": "tool",
            "tool_call_id": call["id"],
            "content": json.dumps(result, ensure_ascii=False),
        })

Nachdem dieser Code durchgelaufen ist, siehst du, wie das Modell zuerst entscheidet, get_weather aufzurufen, und nach Erhalt des Ergebnisses dieses zu einer Antwort in einem Satz verarbeitet. Das ist die vollständige Agent-Schleife.

Wie das Modell auswählen

Für dieselbe Schleife genügt es, das Feld model zu ändern, um das Modell zu wechseln. Die Kostenunterschiede sind groß:

Modell	Eingabe	Ausgabe	Geeignet für
GPT-6 Luna	$0.025	$0.125	Einfache Tool-Aufrufe, Klassifizierung, Extraktion
GPT-6.1 Terra	$0.25	$1.25	Alltägliche Agenten, Code-Aufgaben
GPT-6.1 Sol	$0.50	$2.50	Komplexe mehrstufige Aufgaben
Claude Opus 5.5	$2.02	$10.08	Langlaufende Aufgaben, tiefes Reasoning erforderlich

Eine einzelne Tool-Aufruf-Schleife benötigt etwa ein paar Tausend Token. Mit dem günstigsten Luna gerechnet, kostet ein Durchlauf weniger als einen Cent-Bruchteil. Für Experimente im Kurs sind die Kosten vernachlässigbar.

Wenn im Kurs ein bestimmtes Modell vorgegeben ist, verwende es wie im Kurs angegeben; wenn der Kurs keines vorschreibt oder du es nicht nutzen kannst, beeinträchtigt ein Ersatz aus derselben Preisklasse den Lernerfolg nicht, denn die Schleifenlogik ist dieselbe.

Die drei häufigsten Stolpersteine im Kurs

Das Rückgabeformat des Tool-Aufrufs stimmt nicht. Verschiedene Modellanbieter organisieren die Felder von tool_calls unterschiedlich. Bei Modellen, die das Chat-Completions-kompatible Protokoll nutzen, ist das Format einheitlich, und beim Modellwechsel muss der Parsing-Code nicht geändert werden.

Der Kontext wird immer länger. Bei jeder Runde wird die gesamte Historie mitgeschickt, und in der dreißigsten Runde stößt man an die Obergrenze. Im späteren Teil des Kurses werden Kürzungsstrategien behandelt; vorerst genügt es, diesen Fallstrick zu kennen.

Das Modell ruft keine Tools auf und antwortet nur mit Text. Meist ist die Tool-Beschreibung zu vage formuliert oder im Prompt steht nicht klar, dass „du Tools zur Verfügung hast“. Formuliere die Beschreibung konkreter oder weise im System-Prompt darauf hin.

Was nach dem Laufenlassen zu tun ist

Stürz dich nicht gleich auf ein Framework.

Nachdem die minimale Schleife läuft, ergänze der Reihe nach Folgendes:

1. Fehlerbehandlung hinzufügen: Wenn die Tool-Ausführung fehlschlägt, gib die Fehlermeldung ans Modell zurück, damit es erneut versucht oder einen anderen Weg wählt
2. Nutzungsstatistik hinzufügen: Notiere die Token-Anzahl jedes Aufrufs, um zu wissen, wo die Kosten anfallen
3. Timeouts und Wiederholungen hinzufügen: Netzwerkschwankungen sind normal
4. Erst dann über ein Framework nachdenken: Wenn die Aufgabe so komplex wird, dass Multi-Agenten oder komplexe Zustandsmaschinen nötig sind, ist es früh genug für ein Framework

Die im Kurs gelehrte Architektur richtet sich meist an den Produktivbetrieb; baut man sie direkt nach, bleibt man leicht schon beim ersten Schritt hängen. Bring zuerst die drei Komponenten zum Laufen, ergänze den Rest nach Bedarf.

Häufige Fragen

Muss ein bestimmtes Modell verwendet werden?

Nein. Solange Tool-Aufrufe (function calling) unterstützt werden, ist die Schleifenlogik universell. Wenn das im Kurs vorgegebene Modell nicht nutzbar ist, beeinträchtigt ein Ersatz in derselben Preisklasse das Verständnis nicht.

Worin unterscheiden sich kostenlose und kostenpflichtige Kurse?

Nach der Diskussion auf X liegt der Unterschied eher in der Struktur und der Beantwortung von Fragen, nicht im Wissen selbst. Das Laufenlassen der Beispiele muss man in beiden Fällen selbst erledigen.

Können Tools echte APIs aufrufen?

Ja. Ersetze run_weather einfach durch eine echte HTTP-Anfrage. Achte darauf, alle Ausnahmen in der Tool-Funktion abzufangen, sonst bringt ein einziger Fehler die gesamte Schleife zum Abbruch.

Was kostet ein Durchlauf?

Das minimale Beispiel umfasst ein paar Tausend Token; beim günstigsten Modell kostet ein Durchlauf weniger als einen Cent-Bruchteil, beim teuren nur wenige Cent. Für Experimente musst du dir keine Sorgen um die Kosten machen.

Wesentliche Erkenntnisse

Der Stolperstein in Agent-Kursen war nie die Theorie, sondern dass das erste Beispiel nicht läuft. Drei Dinge genügen, um eine vollständige Schleife zum Laufen zu bringen: ein funktionierender Key, eine Tool-Definition und eine Schleife, die die Ergebnisse zurückspeist. Nach dem Laufenlassen die Engineering-Details zu ergänzen ist zehnmal einfacher als umgekehrt.

Verfügbare Textmodelle und Preise ansehen

---

Quellen

• Auslöser des Themas: Dean W. Perkins (@deanwperkins), https://x.com/deanwperkins/status/2116911546282733623
• Der Beitrag enthält keinen konkreten Kurslink; dieser Artikel bezieht sich auf keinen bestimmten Kurs, sondern behandelt die allgemeine Konfiguration zum Laufenlassen der Beispiele
• Codebeispiele und Preisdaten wurden von dieser Seite zusammengestellt; die Preise stammen aus der HiAPI-Produktionsumgebung (2026-11-02)