AI & LLM

AI model integration, text generation, embeddings, and autonomous agents.

18 modules

Module	Description
Autonomer Agent	Selbstgesteuerter KI-Agent mit Gedächtnis und zielorientiertem Verhalten
Ketten-Agent	Sequentielle KI-Verarbeitungskette mit mehreren Schritten
Werkzeugnutzungs-Agent	AI-Agent, der Tools/Funktionen aufrufen kann
Texteinbettungen	Erstellen Sie Vektoreinbettungen aus Text mit KI-Modellen
KI-Extraktion	Strukturierte Daten aus Text mit KI extrahieren
Lokaler Ollama-Chat	Chat mit lokalem LLM über Ollama (komplett offline)
KI-Gedächtnis	Konversationsgedächtnis für KI-Agent
Entitätsgedächtnis	Entitäten (Personen, Orte, Konzepte) aus Gesprächen extrahieren und verfolgen
Redis-Gedächtnis	Persistentes Konversationsgedächtnis mit Redis-Speicher
Vektor-Gedächtnis	Semantisches Gedächtnis mit Vektor-Embeddings für relevanten Kontextabruf
KI-Modell	LLM-Modellkonfiguration für KI-Agent
AI Tool	Expose a module as a tool for AI Agent
Vision-Analyse	Bilder mit KI-Vision-Modellen analysieren
Claude-Chat	Chatnachricht an Anthropic Claude KI senden und Antwort erhalten
Google Gemini-Chat	Chatnachricht an Google Gemini KI senden und Antwort erhalten
OpenAI-Chat	Chatnachricht an OpenAI-GPT-Modelle senden
DALL-E-Bildgenerierung	Bilder mit DALL-E generieren
KI-Agent	Autonomer KI-Agent mit Multi-Port-Verbindungen (Modell, Gedächtnis, Tools)

Modules

Autonomer Agent

agent.autonomous

Selbstgesteuerter KI-Agent mit Gedächtnis und zielorientiertem Verhalten

Parameters:

Name	Type	Required	Default	Description
`goal`	string	Yes	-	Das Ziel, das der Agent erreichen soll
`context`	string	No	-	Das Ziel, das der Agent erreichen soll
`max_iterations`	number	No	`5`	Zusätzlicher Kontext oder Einschränkungen
`llm_provider`	select (`openai`, `ollama`)	No	`openai`	Maximale Denkschritte
`model`	string	No	`gpt-4-turbo-preview`	Modellname (z.B. gpt-4, llama2, mistral)
`ollama_url`	string	No	`http://localhost:11434`	Modellname (z.B. gpt-4, llama2, mistral)
`temperature`	number	No	`0.7`	Ollama-Server-URL (nur für Ollama-Provider)

Output:

Field	Type	Description
`result`	string	Kreativitätslevel (0-2)
`thoughts`	array	Das Operationsergebnis
`iterations`	number	Das Operationsergebnis
`goal_achieved`	boolean	Agent-Denkschritte

Example: Research task

yaml

goal: Research the latest trends in AI and summarize the top 3
max_iterations: 5
model: gpt-4

Example: Problem solving

yaml

goal: Find the best approach to optimize database queries
context: PostgreSQL database with 10M records
max_iterations: 10

Ketten-Agent

agent.chain

Sequentielle KI-Verarbeitungskette mit mehreren Schritten

Parameters:

Name	Type	Required	Default	Description
`input`	string	Yes	-	Anfangseingabe für die Kette
`chain_steps`	array	Yes	-	Anfangseingabe für die Kette
`llm_provider`	select (`openai`, `ollama`)	No	`openai`	Array von Verarbeitungsschritten (jeder ist eine Prompt-Vorlage)
`model`	string	No	`gpt-4-turbo-preview`	Modellname (z.B. gpt-4, llama2, mistral)
`ollama_url`	string	No	`http://localhost:11434`	Modellname (z.B. gpt-4, llama2, mistral)
`temperature`	number	No	`0.7`	Ollama-Server-URL (nur für Ollama-Provider)

Output:

Field	Type	Description
`result`	string	Kreativitätslevel (0-2)
`intermediate_results`	array	Das Operationsergebnis
`steps_completed`	number	Das Operationsergebnis

Example: Content pipeline

yaml

input: AI and machine learning trends
chain_steps: ["Generate 5 blog post ideas about: {input}", "Take the first idea and write a detailed outline: {previous}", "Write an introduction paragraph based on: {previous}"]
model: gpt-4

Example: Data analysis chain

yaml

input: User behavior data shows 60% bounce rate
chain_steps: ["Analyze what might cause this issue: {input}", "Suggest 3 solutions based on: {previous}", "Create an action plan from: {previous}"]

Werkzeugnutzungs-Agent

agent.tool_use

AI-Agent, der Tools/Funktionen aufrufen kann

Parameters:

Name	Type	Required	Default	Description
`prompt`	string	Yes	-	Das Ziel oder die Aufgabe für den Agenten
`tools`	array	Yes	-	Liste der Tool-Definitionen [{name, description, parameters}]
`provider`	select (`openai`, `anthropic`)	No	`openai`	LLM-Anbieter für den Agenten
`model`	string	No	`gpt-4o`	Zu verwendendes Modell
`api_key`	string	No	-	API-Schlüssel (fällt auf Umgebungsvariable zurück)
`max_iterations`	number	No	`10`	Maximale Anzahl von Tool-Aufrufrunden
`system_prompt`	string	No	-	Optionale Systemaufforderung zur Anleitung des Agenten

Output:

Field	Type	Description
`result`	string	Die endgültige Antwort des Agenten
`tool_calls`	array	Alle während der Ausführung getätigten Tool-Aufrufe
`iterations`	number	Anzahl der abgeschlossenen Iterationen
`model`	string	Verwendetes Modell

Example: File Processing Agent

yaml

prompt: Read the config file and update the version number
tools: [{"name": "read_file", "description": "Read contents of a file", "parameters": {"type": "object", "properties": {"path": {"type": "string", "description": "File path"}}, "required": ["path"]}}, {"name": "write_file", "description": "Write contents to a file", "parameters": {"type": "object", "properties": {"path": {"type": "string", "description": "File path"}, "content": {"type": "string", "description": "File content"}}, "required": ["path", "content"]}}]
provider: openai
model: gpt-4o
max_iterations: 5

Texteinbettungen

ai.embed

Erstellen Sie Vektoreinbettungen aus Text mit KI-Modellen

Parameters:

Name	Type	Required	Default	Description
`text`	string	Yes	-	Text zur Einbettung
`provider`	select (`openai`, `local`)	No	`openai`	KI-Anbieter für Einbettungen
`model`	string	No	`text-embedding-3-small`	Einbettungsmodell zur Verwendung
`api_key`	string	No	-	API-Schlüssel (fällt auf Umgebungsvariable zurück)
`dimensions`	number	No	-	Einbettungsdimensionen (für Modelle, die dies unterstützen)

Output:

Field	Type	Description
`embeddings`	array	Vektor-Einbettungsarray
`model`	string	Modell, das für die Einbettung verwendet wird
`dimensions`	number	Anzahl der Dimensionen im Einbettungsvektor
`token_count`	number	Anzahl der verarbeiteten Tokens

Example: Single Text Embedding

yaml

text: The quick brown fox jumps over the lazy dog
provider: openai
model: text-embedding-3-small

Example: Reduced Dimensions

yaml

text: Semantic search query
provider: openai
model: text-embedding-3-small
dimensions: 256

KI-Extraktion

ai.extract

Strukturierte Daten aus Text mit KI extrahieren

Parameters:

Name	Type	Required	Default	Description
`text`	string	Yes	-	Text, aus dem Daten extrahiert werden sollen
`schema`	object	Yes	-	JSON-Schema, das die zu extrahierenden Felder definiert
`instructions`	string	No	-	Zusätzliche Extraktionsanweisungen
`provider`	select (`openai`, `anthropic`)	No	`openai`	Zu verwendender KI-Anbieter
`model`	string	No	`gpt-4o-mini`	Modell zur Verwendung für die Extraktion
`api_key`	string	No	-	API-Schlüssel (fällt auf Umgebungsvariable zurück)
`temperature`	number	No	`0`	Sampling-Temperatur (0-2)

Output:

Field	Type	Description
`extracted`	object	Extrahierte strukturierte Daten
`model`	string	Modell, das für die Extraktion verwendet wird
`raw_response`	string	Rohantwort des Modells

Example: Extract Contact Info

yaml

text: John Smith is a senior engineer at Acme Corp. Email: john@acme.com
schema: {"type": "object", "properties": {"name": {"type": "string"}, "title": {"type": "string"}, "company": {"type": "string"}, "email": {"type": "string"}}}
provider: openai
model: gpt-4o-mini

Example: Extract Invoice Data

yaml

text: Invoice #1234 from Acme Corp. Total: $500.00. Due: 2024-03-01
schema: {"type": "object", "properties": {"invoice_number": {"type": "string"}, "vendor": {"type": "string"}, "total": {"type": "number"}, "due_date": {"type": "string"}}}
instructions: Extract all invoice fields. Parse amounts as numbers.

Lokaler Ollama-Chat

ai.local_ollama.chat

Chat mit lokalem LLM über Ollama (komplett offline)

Parameters:

Name	Type	Required	Default	Description
`prompt`	string	Yes	-	Die Nachricht, die an das lokale LLM gesendet werden soll
`model`	select (`llama2`, `llama2:13b`, `llama2:70b`, `mistral`, `mixtral`, `codellama`, `codellama:13b`, `phi`, `neural-chat`, `starling-lm`)	No	`llama2`	Die Nachricht, die an das lokale LLM gesendet werden soll
`temperature`	number	No	`0.7`	Sampling-Temperatur (0-2)
`system_message`	string	No	-	System-Rollennachricht (optional)
`ollama_url`	string	No	`http://localhost:11434`	System-Rollennachricht (optional)
`max_tokens`	number	No	-	Ollama-Server-URL

Output:

Field	Type	Description
`response`	string	Maximale Token in der Antwort (optional, modellabhängig)
`model`	string	Antwort von der Operation
`context`	array	Antwort von der Operation
`total_duration`	number	Modellname oder -kennung
`load_duration`	number	Konversationskontext für Folgeanfragen
`prompt_eval_count`	number	Gesamtverarbeitungsdauer
`eval_count`	number	Modellladezeit

Example: Simple local chat

yaml

prompt: Explain quantum computing in 3 sentences
model: llama2

Example: Code generation with local model

yaml

prompt: Write a Python function to calculate fibonacci numbers
model: codellama
temperature: 0.2
system_message: You are a Python programming expert. Write clean, efficient code.

Example: Local reasoning task

yaml

prompt: What are the pros and cons of microservices architecture?
model: mistral
temperature: 0.7

KI-Gedächtnis

ai.memory

Konversationsgedächtnis für KI-Agent

Parameters:

Name	Type	Required	Default	Description
`memory_type`	select (`buffer`, `window`, `summary`)	Yes	`buffer`	Art der Gedächtnisspeicherung
`window_size`	number	No	`10`	Anzahl der beizubehaltenden letzten Nachrichten (für Fenstergedächtnis)
`session_id`	string	No	-	Eindeutige Kennung für diese Konversationssitzung
`initial_messages`	array	No	`[]`	Vorgeladener Konversationsverlauf

Output:

Field	Type	Description
`memory_type`	string	Vorgeladener Konversationsverlauf
`session_id`	string	Vorgeladener Konversationsverlauf
`messages`	array	Gedächtnistyp
`config`	object	Sitzungskennung

Example: Simple Buffer Memory

yaml

memory_type: buffer

Example: Window Memory (last 5 messages)

yaml

memory_type: window
window_size: 5

Entitätsgedächtnis

ai.memory.entity

Entitäten (Personen, Orte, Konzepte) aus Gesprächen extrahieren und verfolgen

Parameters:

Name	Type	Required	Default	Description
`entity_types`	multiselect	No	`['person', 'organization', 'location']`	Types of entities to extract and track
`extraction_model`	select (`llm`, `spacy`, `regex`)	Yes	`llm`	Model for entity extraction
`session_id`	string	No	-	Unique identifier for this memory session
`track_relationships`	boolean	No	`True`	Track relationships between entities
`max_entities`	number	No	`100`	Maximum number of entities to remember

Output:

Field	Type	Description
`memory_type`	string	Maximale Anzahl zu merkender Entitäten
`session_id`	string	Maximale Anzahl zu merkender Entitäten
`entities`	object	Gedächtnistyp (Entität)
`relationships`	array	Sitzungskennung
`config`	object	Verfolgte Entitäten nach Typ

Example: People & Organizations

yaml

entity_types: ["person", "organization"]
extraction_model: llm

Example: Full Entity Tracking

yaml

entity_types: ["person", "organization", "location", "concept"]
track_relationships: true
max_entities: 200

Redis-Gedächtnis

ai.memory.redis

Persistentes Konversationsgedächtnis mit Redis-Speicher

Parameters:

Name	Type	Required	Default	Description
`redis_url`	string	Yes	`redis://localhost:6379`	Redis connection URL
`key_prefix`	string	No	`flyto:memory:`	Prefix for all Redis keys
`session_id`	string	Yes	-	Unique identifier for this memory session
`ttl_seconds`	number	No	`86400`	Time-to-live for memory entries (0 = no expiry)
`max_messages`	number	No	`100`	Maximum messages to store per session
`load_on_start`	boolean	No	`True`	Load existing messages from Redis on initialization

Output:

Field	Type	Description
`memory_type`	string	Vorhandene Nachrichten aus Redis bei Initialisierung laden
`session_id`	string	Vorhandene Nachrichten aus Redis bei Initialisierung laden
`messages`	array	Gedächtnistyp (redis)
`connected`	boolean	Sitzungskennung
`config`	object	Geladener Nachrichtenverlauf

Example: Local Redis

yaml

redis_url: redis://localhost:6379
session_id: my-session
ttl_seconds: 3600

Example: Cloud Redis with Auth

yaml

redis_url: redis://:password@redis-cloud.example.com:6379
session_id: user-session
ttl_seconds: 86400
max_messages: 500

Vektor-Gedächtnis

ai.memory.vector

Semantisches Gedächtnis mit Vektor-Embeddings für relevanten Kontextabruf

Parameters:

Name	Type	Required	Default	Description
`embedding_model`	select (`text-embedding-3-small`, `text-embedding-3-large`, `text-embedding-ada-002`, `local`)	Yes	`text-embedding-3-small`	Model to use for generating embeddings
`top_k`	number	No	`5`	Number of most relevant memories to retrieve
`similarity_threshold`	number	No	`0.7`	Minimum similarity score (0-1) for retrieval
`session_id`	string	No	-	Unique identifier for this memory session
`include_metadata`	boolean	No	`True`	Include timestamp and other metadata with memories

Output:

Field	Type	Description
`memory_type`	string	Zeitstempel und andere Metadaten mit Erinnerungen einschließen
`session_id`	string	Zeitstempel und andere Metadaten mit Erinnerungen einschließen
`embedding_model`	string	Gedächtnistyp (Vektor)
`config`	object	Sitzungskennung

Example: Default Vector Memory

yaml

embedding_model: text-embedding-3-small
top_k: 5

Example: High Precision Memory

yaml

embedding_model: text-embedding-3-large
top_k: 10
similarity_threshold: 0.85

KI-Modell

ai.model

LLM-Modellkonfiguration für KI-Agent

Parameters:

Name	Type	Required	Default	Description
`provider`	select (`openai`, `anthropic`, `ollama`)	No	`openai`	AI model provider
`model`	string	No	`gpt-4o`	Specific model to use
`temperature`	number	No	`0.7`	Creativity level (0=deterministic, 1=creative)
`api_key`	string	No	-	API key (defaults to provider env var)
`base_url`	string	No	-	Custom API base URL (for Ollama or proxies)
`max_tokens`	number	No	`4096`	Maximale Token in der Antwort

Output:

Field	Type	Description
`provider`	string	Maximale Token in der Antwort
`model`	string	LLM-Provider-Name
`config`	object	LLM-Provider-Name

Example: OpenAI GPT-4

yaml

provider: openai
model: gpt-4o
temperature: 0.7

Example: Anthropic Claude

yaml

provider: anthropic
model: claude-3-5-sonnet-20241022
temperature: 0.5

AI Tool

ai.tool

Expose a module as a tool for AI Agent

Parameters:

Name	Type	Required	Default	Description
`module_id`	string	Yes	-	Module ID to expose as tool (e.g. http.request, data.json_parse)
`tool_description`	string	No	-	Custom description for the agent (overrides module default)

Output:

Field	Type	Description
`module_id`	string	Module ID exposed as tool

Example: HTTP Request Tool

yaml

module_id: http.request

Example: JSON Parse Tool

yaml

module_id: data.json_parse

Vision-Analyse

ai.vision.analyze

Bilder mit KI-Vision-Modellen analysieren

Parameters:

Name	Type	Required	Default	Description
`image_path`	string	No	-	Lokaler Pfad zur Bilddatei
`image_url`	string	No	-	URL des zu analysierenden Bildes
`prompt`	string	No	`Describe this image in detail`	Was soll analysiert oder zum Bild gefragt werden
`provider`	select (`openai`, `anthropic`)	No	`openai`	AI-Anbieter für die Bildanalyse
`model`	string	No	`gpt-4o`	Zu verwendendes Vision-Modell
`api_key`	string	No	-	API-Schlüssel (fällt auf Umgebungsvariable zurück)
`max_tokens`	number	No	`1000`	Maximale Tokens in der Antwort
`detail`	select (`low`, `high`, `auto`)	No	`auto`	Bilddetailgrad (niedrig/hoch/auto)

Output:

Field	Type	Description
`analysis`	string	KI-Analyse des Bildes
`model`	string	Modell, das für die Analyse verwendet wird
`provider`	string	Anbieter, der für die Analyse verwendet wird
`tokens_used`	number	Anzahl der verwendeten Tokens

Example: Analyze Screenshot

yaml

image_path: /tmp/screenshot.png
prompt: Describe what you see in this UI screenshot
provider: openai
model: gpt-4o

Example: Analyze from URL

yaml

image_url: https://example.com/photo.jpg
prompt: What objects are in this image?
provider: anthropic
model: claude-sonnet-4-20250514

Claude-Chat

api.anthropic.chat

Chatnachricht an Anthropic Claude KI senden und Antwort erhalten

Parameters:

Name	Type	Required	Default	Description
`api_key`	string	No	-	Anthropic-API-Schlüssel (Standard: env.ANTHROPIC_API_KEY)
`model`	string	No	`claude-3-5-sonnet-20241022`	Zu verwendendes Claude-Modell
`messages`	array	Yes	-	Array von Nachrichtenobjekten mit Rolle und Inhalt
`max_tokens`	number	No	`1024`	Von der Operation zurückgegebener Inhalt
`temperature`	number	No	`1.0`	Sampling-Temperatur (0-1). Höhere Werte machen die Ausgabe zufälliger
`system`	string	No	-	System-Prompt zur Steuerung des Claude-Verhaltens

Output:

Field	Type	Description
`content`	string	System-Prompt zur Steuerung des Claude-Verhaltens
`model`	string	Claude-Antworttext
`stop_reason`	string	Verwendetes Modell für die Antwort
`usage`	object	Warum das Modell aufgehört hat zu generieren (end_turn, max_tokens, etc.)

Example: Simple question

yaml

messages: [{"role": "user", "content": "What is the capital of France?"}]
max_tokens: 100

Example: Text summarization

yaml

system: You are a helpful assistant that summarizes text concisely.
messages: [{"role": "user", "content": "Summarize this article: ${article_text}"}]
max_tokens: 500

Google Gemini-Chat

api.google_gemini.chat

Chatnachricht an Google Gemini KI senden und Antwort erhalten

Parameters:

Name	Type	Required	Default	Description
`api_key`	string	No	-	Google-AI-API-Schlüssel (Standard: env.GOOGLE_AI_API_KEY)
`model`	string	No	`gemini-1.5-pro`	Zu verwendendes Gemini-Modell
`prompt`	string	Yes	-	Der Text-Prompt, der an Gemini gesendet werden soll
`temperature`	number	No	`1.0`	Steuert Zufälligkeit (0-2). Höhere Werte machen die Ausgabe zufälliger
`max_output_tokens`	number	No	`2048`	Maximale Anzahl von Token in der Antwort

Output:

Field	Type	Description
`text`	string	Generated text response from Gemini
`model`	string	Model used for generation
`candidates`	array	All candidate responses

Example: Simple question

yaml

prompt: Explain quantum computing in simple terms

Example: Content generation

yaml

prompt: Write a professional email about ${topic}
temperature: 0.7
max_output_tokens: 500

OpenAI-Chat

api.openai.chat

Chatnachricht an OpenAI-GPT-Modelle senden

Parameters:

Name	Type	Required	Default	Description
`prompt`	string	Yes	-	Die Nachricht, die an GPT gesendet werden soll
`model`	select (`gpt-4-turbo-preview`, `gpt-4`, `gpt-3.5-turbo`)	No	`gpt-4-turbo-preview`	Die Nachricht, die an GPT gesendet werden soll
`temperature`	number	No	`0.7`	Sampling-Temperatur (0-2)
`max_tokens`	number	No	`1000`	Sampling-Temperatur (0-2)
`system_message`	string	No	-	Maximale Token in der Antwort

Output:

Field	Type	Description
`response`	string	System-Rollennachricht (optional)
`model`	string	Antwort von der Operation
`usage`	object	Antwort von der Operation

Example: Simple chat

yaml

prompt: Explain quantum computing in 3 sentences
model: gpt-3.5-turbo

Example: Code generation

yaml

prompt: Write a Python function to calculate fibonacci numbers
model: gpt-4
temperature: 0.2
system_message: You are a Python programming expert

DALL-E-Bildgenerierung

api.openai.image

Bilder mit DALL-E generieren

Parameters:

Name	Type	Required	Default	Description
`prompt`	string	Yes	-	Beschreibung des zu generierenden Bildes
`size`	select (`256x256`, `512x512`, `1024x1024`, `1792x1024`, `1024x1792`)	No	`1024x1024`	Beschreibung des zu generierenden Bildes
`model`	select (`dall-e-3`, `dall-e-2`)	No	`dall-e-3`	DALL-E-Modellversion
`quality`	select (`standard`, `hd`)	No	`standard`	Bildqualität (nur DALL-E 3)
`n`	number	No	`1`	Anzahl der zu generierenden Bilder (1-10)

Output:

Field	Type	Description
`images`	array	List of generated images
`model`	string	Model name or identifier

Example: Generate artwork

yaml

prompt: A serene mountain landscape at sunset, digital art
size: 1024x1024
model: dall-e-3
quality: hd

Example: Create logo

yaml

prompt: Modern tech startup logo with blue and green colors
size: 512x512
model: dall-e-2
n: 3

KI-Agent

llm.agent

Autonomer KI-Agent mit Multi-Port-Verbindungen (Modell, Gedächtnis, Tools)

Parameters:

Name	Type	Required	Default	Description
`prompt_source`	select (`manual`, `auto`)	No	`manual`	Woher der Aufgaben-Prompt bezogen werden soll
`task`	string	No	-	Die Aufgabe, die der Agent erledigen soll. Verwenden Sie {{input}}, um auf vorgelagerte Daten zu verweisen.
`prompt_path`	string	No	`{<!-- -->{input}<!-- -->}`	Pfad zum Extrahieren des Prompts aus der Eingabe (z.B. {{input.message}})
`join_strategy`	select (`first`, `newline`, `separator`, `json`)	No	`first`	Wie Array-Eingaben behandelt werden sollen
`join_separator`	string	No	`

| Trennzeichen zum Verbinden von Array-Elementen | |max_input_size| number | No |10000| Maximale Zeichen für Prompt (verhindert Überlauf) | |system_prompt| string | No |You are a helpful AI agent. Use the available tools to complete the task. Think step by step.| Anweisungen für das Agent-Verhalten | |tools| array | No |[]| Liste von Modul-IDs (Alternative zum Verbinden von Tool-Knoten) | |context| object | No |{}| Liste von Modul-IDs (Alternative zum Verbinden von Tool-Knoten) | |max_iterations| number | No |10| Zusätzliche Kontextdaten für den Agent | |provider | select (openai, anthropic, ollama) | No | openai| AI model provider | |model| string | No |gpt-4o| Specific model to use | |temperature| number | No |0.3| Creativity level (0=deterministic, 1=creative) | |api_key| string | No | - | API key (defaults to provider env var) | |base_url` | string | No | - | Custom API base URL (for Ollama or proxies) |

Output:

Field	Type	Description
`ok`	boolean	Ob der Agent erfolgreich abgeschlossen hat
`result`	string	Ob der Agent erfolgreich abgeschlossen hat
`steps`	array	Ob der Agent erfolgreich abgeschlossen hat
`tool_calls`	number	Das Endergebnis vom Agent
`tokens_used`	number	Liste der Schritte, die der Agent unternommen hat

Example: Web Research Agent

yaml

task: Search for the latest news about AI and summarize the top 3 stories
tools: ["http.request", "data.json_parse"]
model: gpt-4o

Example: Data Processing Agent

yaml

task: Read the CSV file, filter rows where status is "active", and count them
tools: ["file.read", "data.csv_parse", "array.filter"]
model: gpt-4o

AI & LLM ​

Modules ​

Autonomer Agent ​

Ketten-Agent ​

Werkzeugnutzungs-Agent ​

Texteinbettungen ​

KI-Extraktion ​

Lokaler Ollama-Chat ​

KI-Gedächtnis ​

Entitätsgedächtnis ​

Redis-Gedächtnis ​

Vektor-Gedächtnis ​

KI-Modell ​

AI Tool ​

Vision-Analyse ​

Claude-Chat ​

Google Gemini-Chat ​

OpenAI-Chat ​

DALL-E-Bildgenerierung ​

KI-Agent ​

AI & LLM

Modules

Autonomer Agent

Ketten-Agent

Werkzeugnutzungs-Agent

Texteinbettungen

KI-Extraktion

Lokaler Ollama-Chat

KI-Gedächtnis

Entitätsgedächtnis

Redis-Gedächtnis

Vektor-Gedächtnis

KI-Modell

AI Tool

Vision-Analyse

Claude-Chat

Google Gemini-Chat

OpenAI-Chat

DALL-E-Bildgenerierung

KI-Agent