Wie KI-Assistenten Werkzeuge auswählen: Der Entscheidungsprozess

Der Auswahlprozess

Wenn Sie einem KI-Assistenten eine Frage stellen, während mehrere MCP-Server angebunden sind, muss das Modell entscheiden, ob überhaupt ein Werkzeug eingesetzt werden soll, und wenn ja, welches. Diese Entscheidung beruht auf den Werkzeugbeschreibungen (die das Modell beim Verbinden der Server liest), der Anfrage des Nutzers und dem Verständnis des Modells für die Fähigkeiten der einzelnen Werkzeuge.

Im Wesentlichen gleicht das Modell Ihre Anfrage mit den vorhandenen Werkzeugbeschreibungen ab. Fragen Sie Welche Dateien liegen im Projektverzeichnis? und es gibt ein Dateisystem-Werkzeug mit der Beschreibung liest und durchsucht Dateien in festgelegten Verzeichnissen, ist die Zuordnung eindeutig. Stellen Sie eine vagere Frage wie Finde mir Informationen zum Projekt, muss das Modell zwischen Dateisystem-, Web-Such- und Datenbank-Werkzeug abwägen, von denen jedes relevant sein könnte.

Was die Entscheidung beeinflusst

Werkzeugbeschreibungen haben den größten Einfluss. Eine gut formulierte Beschreibung, die klar benennt, was das Werkzeug tut, wann es eingesetzt werden soll und wo seine Grenzen liegen, hilft dem Modell, treffsichere Entscheidungen zu treffen. Eine vage Beschreibung wie universelles Datenwerkzeug lässt das Modell ratlos zurück.

Auch Parameter-Schemas beeinflussen die Auswahl. Stimmen die Parameter eines Werkzeugs mit dem überein, was das Modell für die aktuelle Aufgabe spezifizieren müsste, wird es eher gewählt. Ein Werkzeug mit einem Parameter sql_query passt stark, wenn der Nutzer eine Datenfrage stellt. Eines mit file_path passt stark, wenn die Frage eine bestimmte Datei betrifft.

Auch das Training des Modells spielt eine Rolle. Modelle haben aus ihren Trainingsdaten Verknüpfungen zwischen Anfragetypen und Werkzeugarten gelernt. Datenbankfragen lösen tendenziell Datenbank-Werkzeuge aus, Dateifragen lösen Dateisystem-Werkzeuge aus. Diese gelernten Verknüpfungen bilden einen Ausgangspunkt, den Werkzeugbeschreibungen verstärken oder überschreiben können.

Wenn die Auswahl misslingt

Auswahlfehler fallen in zwei Kategorien: Das Modell nutzt das falsche Werkzeug, oder das Modell nutzt überhaupt kein Werkzeug, obwohl es sollte. Falsche Auswahl bedeutet meist, dass die Werkzeugbeschreibungen mehrdeutig sind. Wenn zwei Werkzeuge plausibel infrage kommen, kann das Modell das falsche wählen.

Die Lösung für mehrdeutige Beschreibungen ist mehr Spezifität. Statt suche nach Informationen schreiben Sie durchsuche das lokale Dateisystem nach Dateien, die einem Muster entsprechen. Statt hole Daten schreiben Sie führe eine lesende SQL-Abfrage gegen die verbundene PostgreSQL-Datenbank aus. Spezifität reduziert Mehrdeutigkeit und steigert die Treffsicherheit.

Das vollständige Übersehen eines Werkzeugs bedeutet meist, dass das Modell die Anfrage nicht als Fall für Werkzeugnutzung erkannt hat. Das passiert, wenn die Formulierung des Nutzers den Werkzeugbeschreibungen nicht nahe genug kommt. Eine Umformulierung näher an der Werkzeug-Terminologie löst das Problem oft.

Konfiguration für bessere Auswahl

Wenn Sie die MCP-Server in Ihrer Einrichtung kontrollieren, ist die Optimierung der Werkzeugbeschreibungen eine der wirkungsvollsten Verbesserungen. Prüfen Sie für jedes Werkzeug Beschreibung, Name und Parameter-Schema. Fragen Sie sich: Wenn ich diese Beschreibung ohne Kontext lesen würde, wüsste ich genau, wann dieses Werkzeug einzusetzen ist?

Auch negative Beschreibungen (wofür das Werkzeug nicht gedacht ist) können helfen. Verwenden Sie dies für SQL-Abfragen gegen die Produktionsdatenbank. Nicht für Dateioperationen oder Web-Suchen verwenden gibt dem Modell klare Grenzen.

Wenn mehrere ähnliche Werkzeuge angebunden sind (etwa zwei verschiedene Datenbank-Server), grenzen Sie sie deutlich voneinander ab. PostgreSQL-Produktionsdatenbank mit Kundendaten und SQLite-Analytics-Datenbank lokal sind für das Modell viel leichter zu unterscheiden als Datenbank-Werkzeug 1 und Datenbank-Werkzeug 2.

Weiterführende Lektüre

Stöbern Sie in MCP-Servern auf Skillful.sh. Durchsuchen Sie über 137.000 KI-Werkzeuge.