Baue Agents mit den Tools deiner Wahl – Einführung in Parloas Agent Management API, SDK, CLI und MCP

Deine Teams haben über Jahre in Tools und Workflows investiert, auf die sie sich verlassen können. Warum sollten sie all das hinter sich lassen müssen, um AI Agents zu entwickeln? 

Neue Tools funktionieren am besten, wenn sie an die Systeme angebunden sind, mit denen du bereits arbeitest. Ist das AI Agent Management nicht in diese Workflows eingebunden, fallen oft ein Großteil der bereits erledigten Aufgaben erneut an: Einstellungen kopieren, Konfigurationen wiederholen und individuelle Behelfslösungen pflegen. Diese zusätzliche Arbeit verzögert Deployment und Optimierung. 

Das lässt sich vermeiden, wenn Engineers den Betrieb ihrer Agents über bestehende Code- und Release-Pipelines steuern und Agent Builder mithilfe von AI-Assistenten Änderungen an Agents parallel zu ihren Anwendungen und Integrationen entwickeln. So müssen Teams seltener von vorne anfangen und haben mehr Zeit für die Skalierung.  

Das lässt sich vermeiden: Engineers können den Betrieb ihrer Agents über bestehende Code- und Release-Pipelines steuern und Agent Builder mithilfe von AI-Assistenten Änderungen an Agents parallel zu ihren Anwendungen und Integrationen entwickeln. So müssen Teams seltener von vorne anfangen und haben mehr Zeit für die Skalierung. Deshalb ergänzt Parloa seine No-Code AI Agent Management Platform mit der Agent Management API um weitere Entwicklungsmöglichkeiten. Damit managen Teams ihre Agents über die Tools, mit denen sie schon arbeiten.

Über die neue Agent Management API können Engineers und technische Integratoren Agents bauen, konfigurieren, testen und bereitstellen. Sie rufen die API direkt auf, nutzen das Python SDK in ihren Code- und Release-Pipelines oder führen über das Command-Line Interface (CLI) vorgefertigte Terminal-Befehle aus. Für Agent Builder verbindet Parloa MCP unterstützte Assistenten wie Claude Code, Cursor und ChatGPT mit denselben Agent-Building-Funktionen. Builder prüfen, ändern und testen Agents, indem sie in dem Assistenten, den sie bereits nutzen, in natürlicher Sprache beschreiben, was sie möchten. 

Nehmen wir als Beispiel eine Änderung der Service-Richtlinien. Das Customer-Experience-Team (CX) legt das gewünschte Verhalten und die Akzeptanzkriterien fest. Engineers bringen die Agents über die API, das SDK oder die CLI an den Start. Sie aktualisieren die betroffenen Agents per Skript, führen Simulationen und Evaluierungen in der Release-Pipeline durch und stellen die Version bereit, die deine Tests besteht. Darauf bauen die Agent Builder auf: Sie optimieren und skalieren die Agents. Die nächste Änderung fragen sie über einen angebundenen AI-Assistenten an und prüfen die Vorschau, bevor die Änderung übernommen wird. Die Zugangswege sind unterschiedlich, die Agents bleiben dieselben. Für alle gelten die Prüf-, Test- und Freigabeschritte, die dein Team festlegt, bevor eine Änderung im Kundenservice zum Einsatz kommt.

Bring Agent-Operations in deine Engineering-Workflows 

Mit der Agent Management API, dem SDK und der CLI binden Engineers und Integratoren, die für Tests, Zuverlässigkeit und Releases verantwortlich sind, das Agent Management in ihre bestehenden Engineering-Prozesse ein. So können sie:

• Wiederkehrende Aufgaben automatisieren. Erstelle, aktualisiere und lösche Agents, Skills, Wissen, Deployments und Kanäle über die API, das Python SDK oder die CLI. Fasse wiederkehrende Abläufe in wiederverwendbaren Skripten zusammen. Definiere eine Änderung einmal und wende sie auf alle betroffenen Agents an. 

• Versionen dort verwalten, wo bereits alles andere erfasst wird. Speichere hier auch deine Agent-Einstellungen, veröffentliche jede Änderung als Version und schalte sie nach dem Test live – bei Bedarf mit Rollback. 

• Nur Versionen freigeben, die deine Tests bestehen. Führe Simulationen und Evaluierungen direkt aus der Release-Pipeline aus. Prüfe die Ergebnisse anhand der vom Unternehmen festgelegten Akzeptanzkriterien und konfiguriere die Pipeline so, dass sie Releases blockiert, die diese Kriterien nicht erfüllen. Teams, die Parloas automatisierte Tests bereits nutzen, können sie zu einem verpflichtenden Schritt bei jedem Release machen. So kommt kein Agent mit Kund:innen in Kontakt, bevor er die Tests bestanden hat. 

Aktualisiere Agents mit den AI Coding Agents, die deine Builder bereits nutzen 

Mit Parloa Navigator können Teams AI Agents in natürlicher Sprache und ohne Code entwickeln und optimieren. Wer für andere Aufgaben AI-Assistenten wie Claude oder ChatGPT nutzt, konnte Parloa Agents bisher jedoch nicht über diese Assistenten aktualisieren. Parloa MCP macht das jetzt möglich. 

Jetzt können Builder in natürlicher Sprache beschreiben, was sie möchten. Ihr bevorzugter AI-Assistent hilft ihnen dabei, Agents zu prüfen, Prompts zu ändern, Tests durchzuführen, Versionen zu vergleichen und Deployments vorzubereiten. Jede Änderung wird vor der Umsetzung als Vorschau angezeigt und als Entwurf gespeichert. Ein Coding-Assistent kann die Arbeit an Agents mit den Dokumenten, Standardarbeitsanweisungen (SOPs), Tickets und weiteren MCPs verknüpfen, die der Builder bereits angebunden hat. Builder nutzen diesen Kontext, um Änderungen an Agents anzufragen, ohne immer wieder Prompts und Konfigurationen zwischen Tools kopieren zu müssen.

Kontrolle bleibt Teil jedes Workflows 

Agents über Code und AI-Assistenten zu managen, ist nur dann sinnvoll, wenn Teams darauf vertrauen können, dass automatisierte Änderungen kontrolliert in den Produktivbetrieb gelangen. Deshalb haben wir für beide Möglichkeiten Kontrollmechanismen eingebaut: 

• Agent Builder melden sich mit ihrem eigenen Konto an. Parloa MCP nutzt SSO. Der Assistent kann also nur das tun, wozu der jeweilige Builder auf Parloas Plattform bereits berechtigt ist. Es muss kein API-Schlüssel erstellt, gespeichert oder widerrufen werden. 

• Pipelines erhalten begrenzten Zugriff. Ein Admin erstellt den API-Client mit eingeschränkten Zugriffsrechten und kurzlebigen Tokens. Der Zugriff ist auf eine Organisation und eine Region beschränkt. 

• Standardmäßig nur Lesezugriff. Über MCP können zunächst nur Informationen gelesen werden. Schreibzugriff muss ausdrücklich aktiviert werden. 

• Änderungen im Assistenten werden als Vorschau angezeigt und als Entwurf gespeichert. Wer die Agent-Konfiguration über MCP ändert, sieht vor der Übernahme eine Preview der Änderungen. 

• Veröffentlichung und Deployment bleiben getrennte Aktionen. Teams können Prüf- und Testschritte in ihren Release-Workflows festlegen.

Ein Agent-Programm über verschiedene Tools managen

Wenn du AI Agents in deine CX-Workflows einbindest, sollten deine Teams weiterhin mit den Tools und Abläufen arbeiten können, die sie über Jahre aufgebaut und genutzt haben.

Fügt sich das Agent Management in bestehende Workflows ein, kann ein AI-Programm zuverlässig von wenigen Agents zu einem ganzen Portfolio wachsen. Teams müssen bereits geleistete Arbeit nicht wiederholen. Weitere Mitarbeitende können mitwirken, und es bleibt mehr Zeit, den Kundenservice zu verbessern. 

Du möchtest mehr über Parloas Agent Management API, SDK, CLI und MCP erfahren? Sprich mit unserem Team.