Jarvis Pattern für AI-Agenten ohne Frameworks

Das Jarvis-Muster: Ein Betriebssystem statt Frameworks für KI-Agenten

Ein auf LLM basierender KI-Agent automatisiert DevSecOps-Aufgaben vollständig – vom Bereitstellen von Clustern bis zur Sicherheitsprüfung von Images. Der Autor schlägt das Jarvis-Muster vor: LLM als Gehirn, das Betriebssystem als ausführende Hände und das Dateisystem als Gedächtnis. Dies ersetzt Frameworks, Graphen und Vektordatenbanken und macht den Agenten zu einem eigenständigen Spezialisten.

Die Probleme mit Frameworks und Orchestratoren

Moderne Tools für LLM-Agenten fügen Middleware-Schichten hinzu: Aufrufgraphen, Vektorspeicher, Pipelines mit Dutzenden von Knoten. Das Ergebnis sind fragile Systeme, die bei Updates versagen. Statt Vereinfachung entsteht neue Komplexität.

Gerüste sind nicht das Gebäude. Frameworks sind temporäre Strukturen, die entfernt werden müssen. Der Agent sollte direkt mit der Infrastruktur interagieren, wie Jarvis mit Tony Starks Werkstatt.

Die Jarvis-Muster-Formel:

LLM (Gehirn) + Betriebssystem (Hände) + Dateispeicher (Wissenskarte) = ein vollwertiger Spezialist

Dateispeicher statt Vektordatenbanken

Der Agent muss nicht die gesamte Dokumentation laden. Er speichert Indizes und Referenzen: 30-zeilige Dateien mit API-Endpunkten, Authentifizierung und Methoden. Dies ist eine Karte, kein Daten-Dump.

Vektordatenbanken lösen Suche über Embeddings, aber semantische Ähnlichkeit ≠ kontextuelles Verständnis. Zwei ähnliche Fragmente aus verschiedenen Domänen ergeben Müll.

Vorteile des Dateispeichers:

• Struktur durch Ordner und Dateinamen.
• Schneller Zugriff ohne Such-Overhead.
• Skaliert auf Hunderte von Dateien für Ops-Aufgaben.
• Einfach zu aktualisieren und zu defragmentieren.

Die Indexdatei core.md enthält einen Überblick: Projekte, Ressourcenstandorte. Der Agent navigiert einen Entscheidungsbaum.

Betriebssystem als universelles Werkzeug des Agenten

Unix-Prinzipien sind ideal für KI: Alles ist eine Datei, kleine Utilities für einzelne Aufgaben, ihre Kombination.

Das LLM wählt Werkzeuge eigenständig aus:

• REST-Anfragen: curl.
• JSON-Parsing: jq.
• Suche: find, grep.
• Fehlendes Werkzeug: Der Agent schreibt ein CLI-Skript, fügt es zu PATH hinzu.

Der Agent nutzt bestehende Infrastruktur: Prometheus für Metriken (PromQL-Abfragen), Vault für Geheimnisse, Grafana für Dashboards. Eine Markdown-Datei mit Adressen und Methoden – und der Agent arbeitet wie ein DevOps-Ingenieur.

Fehlerbehandlung auf Operatorenebene

Wiederholung, Backoff, Circuit Breaker sind für Skripte. Der Agent ist ein Operator: analysiert eine 500-Antwort, unterscheidet Rate Limit von nicht verfügbar, wartet oder eskaliert an einen Menschen.

In einer Sackgasse: ein klarer Bericht zur Ursache, ohne Hängenbleiben.

Drei Arten von Agenten-Gedächtnis

Deklarativ

Fakten: Konten, Tokens, Pfade in Vault. Markdown-Dateien.

Prozedural

Runbooks: Schritte zum Veröffentlichen eines Artikels, Bereitstellen. Markdown-Anleitungen.

Episodisch

Erfahrung: erfolgreiche Muster + Negatives („Ansatz X scheiterte wegen Y, verwende Z“). Strukturierte Fehlerdateien.

Ein Hintergrund-Memory-Agent-Kurator konsolidiert Sitzungen: zeichnet Fakten auf, aktualisiert Widersprüche, verwirft Müll. Analog zum menschlichen Schlaf.

Ein Agent – Ein Spezialist

Der Agent ist an eine Person gebunden: erbt Zugriff, Rollen, Kontext. Lebt in einem Container auf einem Server, nicht in einem Client. Der Mensch ist der Manager für Unsicherheit, der Agent der Ausführer von Routine.

Praktischer Fall umax (DevSecOps-Profil):

• RBAC und Zugriff: Kubernetes RBAC, FreeIPA, Vault-Integration, Token-Rotation.
• Bereitstellung: LXC in Proxmox → K8s-Cluster mit Netzwerkrichtlinien, Ingress.
• Sicherheitsaudit: Trivy/Grype für Images, GitLeaks, SonarQube, OWASP-Prüfungen.
• CI/CD: TeamCity, Nexus, Webhooks, Rollbacks.
• Migrationen und Monitoring: LVM, Beschaffung basierend auf Metriken.

Läuft auf Claude Sonnet – ein mittelklassiges Modell.

Wichtige Erkenntnisse

• Das Jarvis-Muster minimiert Abhängigkeiten: LLM + Betriebssystem + Dateien.
• Dateispeicher ist skalierbar, vermeidet Probleme der Vektorsuche.
• Der Agent erweitert sein Werkzeugset dynamisch, nutzt Unix-Utilities.
• Der Memory-Agent-Kurator automatisiert die Erfahrungskonsolidierung.
• Vollständiger Unternehmensaufgabenzyklus auf einem mittelklassigen LLM.

— Editorial Team