Die eigens entwickelten Plattformagenten von Rescale integrieren agentenbasierte Aktionen in bestehende Arbeitsabläufe und schaffen so einen vertrauenswürdigen Weg zu durchgängigen agentenbasierten Entwicklungsprozessen.

Viele Ingenieursorganisationen integrieren KI-Agenten in ihre Systeme, um repetitive, manuelle Arbeitsabläufe zu optimieren. Angesichts der rasanten Verbreitung agentenbasierter Funktionen erkennen jedoch viele Teams, dass die Grundlage für agentenbasiertes Engineering nicht in einem einzelnen Agenten liegt. Vielmehr benötigen sie eine wachsende Anzahl kontextspezifischer Agenten, die jeweils einen Teil des gesamten Simulationslebenszyklus abdecken können.

Genau das ist der Ansatz von Rescale. angekündigt auf der Spring Showcase Mit dem Start der Agentenbibliothek und über 10 Basisagenten, aus denen Entwickler auswählen und die sie in ihre bestehenden Arbeitsabläufe integrieren können, gestalten wir aktiv die Zukunft des agentenbasierten Engineerings. Wir sehen diese Entwicklung schrittweise: Die in diesem Blog vorgestellten, speziell entwickelten Engineering-Agenten sind erst der Anfang. In zukünftigen Beiträgen werden wir uns mit fortgeschritteneren agentenbasierten Arbeitsabläufen befassen – aktuell konzentrieren wir uns auf die Einstiegspunkte der meisten Unternehmen. 

Die Grundlage: Speziell entwickelte Agenten sind bereits im Einsatz

Neu skalieren Agentenbibliothek Deckt bereits einen Großteil des Simulationslebenszyklus ab und umfasst Agenten, die viele der häufigsten und zeitaufwändigsten Aufgaben von Ingenieuren übernehmen können. Die Bibliothek wird kontinuierlich um weitere Agenten erweitert – hier einige Beispiele für Agenten, die heute in den Produktionsworkflows unserer Kunden eingesetzt werden:

• Coretype-Empfehlungsagent: empfiehlt die richtige Hardware für einen Solver und eine bestimmte Arbeitslast; dies ist der Ausgangspunkt für jede Benchmark- oder Einreichungsentscheidung.
• Eingabevalidierungsagent: erkennt Fehler in einer Eingabedatei vor der Übermittlung, sodass die Ingenieure diese innerhalb von Sekunden statt Stunden bemerken.
• Job-Fehlerbehebungsagent: Er diagnostiziert einen fehlgeschlagenen Auftrag, schlägt eine Lösung vor, wendet diese nach Genehmigung an und reicht den Auftrag erneut ein. Dieser Vorgang wird so lange wiederholt, bis der Auftrag ausgeführt werden kann.
• Agent zur Zusammenfassung von Jobfehlern: Liest die Protokolle eines fehlgeschlagenen Jobs und erklärt in einfacher Sprache, was und wo der Fehler aufgetreten ist.
• Berichtsgenerator-Agent: Verwandelt eine abgeschlossene Simulationskampagne in einen professionellen Bericht auf Basis Ihrer Vorlage, der Ergebnisse, Diagramme und Empfehlungen enthält.
• Joborganisator: Sorgt für Ordnung in weitläufigen Arbeitsbereichen, indem jeder Auftrag im richtigen Ordner abgelegt und anhand übergreifender Dimensionen gekennzeichnet wird.
• Compute Configuration Benchmarking Agent: Er ermittelt die Rechenkonfiguration, die für eine Arbeitslast die beste Zeit, die besten Kosten oder die beste Balance bietet, indem er den Sweep tatsächlich ausführt.
• Warteschlangen-Intelligenzagent: wandelt Warteschlangendaten in Antworten um, darunter die Dauer der Wartezeiten, die Gründe für die Wartezeiten und was geändert werden muss.
• Budgetkontrollbeauftragter: überwacht die IT-Budgets, erklärt die Gründe für Ausgabenänderungen und empfiehlt vor Quartalsende Umverteilungen.
• Wissensdatenbank-Agent: ermöglicht die semantische Suche und das logische Schließen über die von Ihrer Organisation erfassten Dokumente hinweg und verankert die Antworten der anderen Agenten in Ihrem Referenzmaterial. 

Jeder Agent ist eine Grundlage, auf der Sie aufbauen können: Wenden Sie Ihr eigenes Domänenwissen und Ihren organisatorischen Kontext darauf an, betten Sie sie als Knoten in deterministische Arbeitsabläufe ein und verketten Sie sie miteinander, um einen weitaus größeren Teil des Simulationslebenszyklus abzudecken, als es ein einzelner Agent allein könnte.

Der wahre Wert liegt im Arbeitsablauf.

Hier unterscheidet sich agentenbasierte Entwicklung vom KI-Copilot-Modell. Ein Copilot unterstützt jeweils nur eine Aufgabe. Die Chance besteht darin, die oben genannten Agenten kontextbezogen zu einem durchgängigen Workflow zu orchestrieren, der den gesamten Simulationslebenszyklus abdeckt – von der Vorbereitung eines Simulationsauftrags bis zur Ergebnisbereitstellung. Im Folgenden wird dies in den drei Phasen eines CAE-Workflows veranschaulicht:

• Vorbereitung – Einrichtung und Planung: Der Coretype Recommendation Agent schlägt Hardware für die Arbeitslast vor, und der Input File Validation Agent überprüft die Konfiguration, bevor er auch nur eine einzige Kernstunde verbraucht.
• Während des Betriebs – Überwachung und Fehlerbehebung: Der Job-Fehlerbehebungsagent fängt einen Fehler ab, diagnostiziert ihn anhand der Protokolle und wendet nach Genehmigung eine Korrektur an und sendet den Auftrag erneut.
• Nach dem Lauf – Ergebnisse und Berichterstattung: Der Berichtsgenerator-Agent wertet die Ergebnisse anhand von Akzeptanzkriterien aus und erstellt Entwürfe der Ergebnisse.

Kein einzelner Agent erledigt all dies. Doch wenn sie in einem gesteuerten Workflow zusammenarbeiten und an den richtigen Stellen für eine menschliche Überprüfung pausieren, verlagert sich die Rolle des Ingenieurs von der Ausführung jedes einzelnen Schrittes hin zur Überprüfung, Genehmigung und Entscheidungsfindung im gesamten Prozess.

Hier liegt der Mehrwert. Ein durchgängiger Workflow spart nicht nur einmalig Zeit, sondern etabliert einen wiederholbaren Prozess als wertvolle Ressource. Der Wert steigt mit jeder Designiteration und wirkt sich multipliziert auf alle beteiligten Entwickler und Teams aus, sodass die gesamte Organisation von jeder Verbesserung profitiert.

Kontext macht Automatisierung zu ingenieurtechnischem Urteilsvermögen

Selbst die beste Agentenarchitektur stößt ohne Kontext an ihre Grenzen. Generische Modelle kennen weder Ihre Solver-Konventionen, Vorlagen, Akzeptanzkriterien noch die Historie vergangener Kampagnen. Ohne diese Grundlage ist jede Empfehlung eine Standardantwort: plausibel, aber nicht spezifisch genug für das vorliegende Problem.

Wenn Akteure auf eine strukturierte Historie früherer Simulationen, Standards und Projektentscheidungen zurückgreifen können, gelangen sie von plausiblen zu fundierten Reaktionen:

• Auslegung der Anforderungen: Ein Agent liest neue thermische Anforderungen für einen Akku, ruft frühere Pläne für ähnliche Arbeiten ab und kennzeichnet Stellen, an denen eine Beurteilung hinsichtlich des Neuen erforderlich ist.
• Fehlerdiagnose: Die Diagnose verbessert sich, wenn ein Agent einen Fehler mit der Fehlerhistorie Ihrer Organisation und den dort erfolgreich durchgeführten Korrekturen abgleicht.
• Interpretation der Ergebnisse: Die Interpretation wird präziser, wenn ein Agent die aktuelle Kampagne mit früheren Iterationen vergleicht und erklärt, was sich geändert hat.

Die Zugänglichkeit dieses institutionellen Wissens durch vernetzte Datenquellen und speziell entwickelte Wissenssysteme unterscheidet einfache Automatisierung von einem verlässlichen Entwicklungspartner. Konkret bedeutet das, Bauteile, Anforderungen, Tests und Ergebnisse als vernetzte Daten statt als isolierte Datensätze zu modellieren. So kann ein System nachvollziehen, wie eine Designänderung oder ein vergangener Fehler mit der anstehenden Entscheidung zusammenhängt. In einem späteren Beitrag gehen wir detaillierter auf die Funktionsweise dieser Struktur ein. Wichtig ist vorerst: Kontext verwandelt Automatisierung in ingenieurtechnisches Urteilsvermögen und ermöglicht die nächste Leistungsstufe.

Der Weg in die Zukunft für den Aufbau einer agentengesteuerten Zukunft

Agentenentwicklung ist nach wie vor ein junges und dynamisches Feld, und kein Anbieter bietet derzeit eine Komplettlösung für den gesamten Lebenszyklus an. Die führenden Unternehmen werden nicht diejenigen sein, die die meisten Agenten einsetzen, sondern diejenigen, die den Prozess von Anfang an analysieren und zunächst die größten Engpässe beseitigen.

Das ist der Ansatz, den Rescale verfolgt: speziell entwickelte Agenten, die anhand der realen Anwendungsfälle von Ingenieuren getestet werden, auf Organisationsdaten basieren, für jedes Team individuell anpassbar sind und den Standards von Entwicklungsorganisationen entsprechen. Jeder von Kunden erstellte Workflow gewinnt mit jeder Designiteration und für jeden Benutzer und jedes Team, das ihn einsetzt, an Wert.

In der sich rasant entwickelnden Welt der agentenbasierten Technologien müssen Sie nicht allein agieren. Arbeiten Sie mit unseren Fachexperten und dem Deployed Solutions Team zusammen, um Ihre bestehenden Workflows abzubilden, sie kontextbezogen anzupassen und Ihre Vision einer agentenbeschleunigten Entwicklung zu verwirklichen. So können sich Ihre Entwickler auf die wirklich wichtigen Entscheidungen konzentrieren und weniger Zeit mit Verwaltungsaufgaben verbringen.

Bereit, es in Aktion zu sehen? Demo anfordern um zu sehen wie Rescale Agentic Engineering kann Ihren Simulationslebenszyklus von den Anforderungen bis zu den Entscheidungen transformieren, mit intelligenter Automatisierung, die den Ingenieuren die Kontrolle überlässt.