German-language YouTube tutorial demonstrating how to build and deploy no-code AI/chat agents using Chat LLM (product by eweusai). The presenter shows creating a Gmail-connected email-response agent (polls unread mail ~60s) and a news-reporter agent that searches and summarizes web articles (example: Deepseek R model coverage), plus deployment flow, integrations, and pricing (about $10/month).
Ich zeige Euch, wie man KIAgenten über eine Chat Oberfläche erstellt und bereitstellt, ohne eine einzige Zeile Code zu schreiben. Dazu verwenden wir Chat LLM, ein Produkt von eweusai, dem Sponsor dieses Videos. Mit Chat LLM könnt ihr mit nur einem Abonnement mit LLM verschiedener Anbieter interagieren, darunter auch dem neuesten Deepseek R. Für 10 US Dollar im Monat könnt ihr also all diese verschiedenen Modelle nutzen, ohne für jedes einzelne eine separate Abonnementgebühr zu zahlen. Derzeit gibt es zwei verschiedene Optionen. Ihr könnt einen benutzerdefinierten Chatbot Agenten erstellen. Dieser verfügt im Grunde über eine Wissensdatenbank, auf deren Grundlage er den Nutzern antworten kann. Die zweite Möglichkeit ist, einen Key Agenten zu erstellen. Hier geschieht der Großteil der Magie. Hier wird euch ein Assistent angezeigt, mit dem ihr verschiedene Arten von Agenten erstellen könnt. Es gibt Vorlagen für E Mail Antwort Agenten, Agenten für die Dokumententitätsextraktion oder Webzugriff. Ihr könnt also so etwas wie einen Nachrichtenreporter Agenten erstellen oder eure eigenen benutzerdefinierten Spezifikationen angeben. Um Ihnen nun ein Beispiel zu zeigen, wählen wir diesen E Mail Antwortagenten aus. Nehmen wir also Ich bin ein Geschäftsinhaber und erhalte viele E Mails. Ich möchte einen Agenten, der diese E Mails liest und automatisch beantwortet. Ich gestalte ihn also autonom. Sie können nun Referenzwissen bereitstellen. Im Wesentlichen können Sie ein Dokument hochladen, das Antworten auf häufig gestellte Fragen enthält, oder Sie können dem Agenten mitteilen, wie er antworten soll. In diesem Fall werde ich also kein Referenzwissen bereitstellen, aber wir werden die Anweisungen ändern, die der Agent befolgen soll. OK, In diesem Fall lauten meine zusätzlichen Anweisungen, dass ich ein Content Ersteller bin und dies mein YouTube Kanal ist. Wenn es also im Januar E Mails zu potenziellen Sponsorings gibt, lehne ich einfach höflich ab, da ich keine verfügbaren Sponsorenplätze habe. Das ist im Grunde genommen, was mein Agent tun soll. Wenn Sie nun auf Senden klicken, wird der Agent erstellt. Im Grunde genommen schreiben wir also zuerst den Code, den der Agent implementieren soll, und dann wird er diesen Agenten bereitstellen. Sie können ihm dann einfach Zugriff auf Ihre E Mail Adresse gewähren. Dann kann er eingehende E Mails herausfiltern und darauf antworten. Er hat also Python Code für unseren Agenten geschrieben, einschließlich einer benutzerdefinierten Eingabeaufforderung, basierend auf den von mir bereitgestellten Informationen. Jetzt schreiben wir Code, um den Agenten bereitzustellen. Ich habe also gerade unseren Agenten bereitgestellt und und wir können von hier aus darauf zugreifen. Wenn Sie sich nur den Agenten ansehen möchten, ist dies die Adresse, die ich verwenden werde. Oder wenn Sie Ihren Agenten weiter bearbeiten möchten, z. B. Wenn Sie die Eingabeaufforderung ändern möchten, können Sie das auch tun. Das wird hier bereitgestellt. OK. Wenn Sie also Ihren Agenten aufrufen, startet er. Zunächst werden Sie aufgefordert, Ihr Gmail Konto zu verbinden. Ich habe also ein Demi Gmail Konto erstellt. Ich habe dieses bereits verbunden. Ich muss nur auf Start klicken und er beginnt mit dem Abhören der eingehenden E-Mails und so wird die Bereitstellung aussehen. Hier ist die Agentenversion. Dies ist die Bereitstellung. Bei der Bereitstellung derzeit überprüft Der Agent Ungelesene E Mails alle 60 Sekunden. In den Spezifikationen können Sie dies jedoch ändern. Sie können den Chat LLM Techniker anwesen, dies an Ihre eigenen Anforderungen anzupassen. OK. Testen wir das jetzt und sehen, ob der Agent funktioniert. OK, Hier ist eine Dummy E Mail, die ich geschrieben habe. Im Grunde genommen meldet sich jemand bezüglich gesponserter Inhalte. Ich sende dies also an meine gerade erstellte Dummy E Mail. Hier ist die E Mail, die ich in meiner E Mail erhalten habe. OK. Im Buckend können Sie sehen, dass der Agent schon seit einiger Zeit läuft. Und hier ist die E Mail. Er hat also eine ungelesene E Mail erkannt. Ich habe die vorherige E Mail tatsächlich gelesen, deshalb hat er sie nicht ausgewählt, aber ich musste sie erneut senden. Und so konnte er dann die E Mail hier lesen und hat auch eine Antwort generiert, die im Prinzip hier ist. Die generierte Antwort lautet Vielen Dank, dass Sie sich für Ihre freundlichen Worte zu meinem Kanal gemeldet haben. Richtig. Das klingt nach einem sehr interessanten Tool. Ich Ich wollte Sie jedoch darüber informieren, dass ich derzeit keine Sponsorenplätze für Januar verfügbar habe. Richtig. Eine wirklich gute Antwort also. Sie können nun sowohl Ihre Eingabeaufforderungen als auch die Antworten anpassen. Basierend auf dem Inhalt der E-Mail passt der Agent seine Antwort an. Es gibt eine Reihe verschiedener Integrationen, die Sie mit Ihren Agenten verwenden können. OK, ich habe gerade einen weiteren Agenten erstellt, einen Nachrichtenreporter Agenten. Ich kann ihn also bitten, Nachrichten zu einem beliebigen Thema zu aggregieren, da deepseek gerade in den Nachrichten ist. Ich werde ihn also einfach bitten, nach Artikeln zum DeepseeK-R-Argumentationsmodell zu suchen und mal sehen, was er eingibt. Er suche nach Nachrichten aktuelle Nachrichten zum Deep SCR Argumentationsmodell. Hier ist also die Zusammenfassung, die eigentlich ganz gut ist, weil. OK, das ist also ziemlich nett. Es wurde eine kleine Zusammenfassung der wichtigsten Entwicklungen erstellt und es heißt, dass das Deepseek R Argumentationsmodell, das als bedeutender Konkurrent des OpenAI Modells Open gilt, zusammen mit seiner Variante Open Source unter der MIT Lizenz is. Richtig. Und dann konnte es die verschiedenen Ergebnisse ermitteln, die es bei verschiedenen Benchmarks erzielt hat. Also die technischen Details zu Zero, dem Vorläufer von R, wurden ausschließlich mit RF ohne überwachte Feinabstimmung trainiert und zeigten emergentes Denkverhalten wie Selbstverifizierung und lange Gedankenketten. Richtig. Es scheint also, als würde es tatsächlich verschiedene Artikel lesen und basierend darauf diese zusammengefasste Version erstellen. Die Zusammenfassung scheint mir ziemlich genau zu sein. OK, mal sehen, was es über Open denkt. OK, also noch einmal eine kurze Zusammenfassung. Dann die Vorstellung der Minimodelle O und diese wurden also während der 12 Tage von OpenAI eingeführt. Hier sind die Ergebnisse verschiedene Denkfähigkeiten. Richtig. Es ist also eine ziemlich gute Zusammenfassung von drei Modellfamilien und am Ende gibt es Referenzen. Richtig. Dieser Nachrichtenagent kann also online suchen und dann die entsprechenden indizierten Webseiten abrufen und einen kleinen Bericht für uns generieren. In beiden Fällen können Sie den Agenten tatsächlich ändern oder bearbeiten. Sie haben jetzt auch eine ziemlich übersichtliche Darstellung dessen, was der Agent genau tut. So sieht beispielsweise der Workflow für unseren E Mail Agenten aus. Immer wenn es einen Trigger von Gmail gibt, der besagt, dass es eine neue ungelesene E Mail gibt, wird der Agent verwendet, um E Mail Antworten zu verfassen und dann E Mails an den Absender zu senden. Wie gesagt, Abakusi hat viele verschiedene Funktionen, die ich möglicherweise in einem späteren Video näher erläutern werde, aber schauen Sie es sich auf jeden Fall an. Es ist eine ziemlich coole Plattform mit einigen wirklich tollen Funktionen. Ich hoffe, Sie fanden dieses Video hilfreich. Danke fürs Zuschauen und wie immer bis zum nächsten Mal.
