---
title: "KI-Agenten im Dauerbetrieb verstehen: Infrastruktur, Kontext-Engineering und Systemarchitektur"
author: "DeepValues Research"
publisher: "DeepValues Research (DeepValues / LuLu Ventures LLC)"
type: "Research article"
date: "2026-10-31"
language: "de"
section: "Insights"
machine_translated: true
translation_method: "machine translation (gpt-6.1-sol, Azure OpenAI)"
translated_from: "https://research.deepvalues.ai/insights/2026-10-31-building-always-on-ai-agents/"
original_url: "https://research.deepvalues.ai/insights/2026-10-31-building-always-on-ai-agents/"
original_language: "en"
translated_on: "2026-11-15"
translation_note: "Machine-translated from the original report; the original is authoritative."
canonical_url: "https://research.deepvalues.ai/insights/2026-10-31-building-always-on-ai-agents-de/"
markdown_url: "https://research.deepvalues.ai/insights/2026-10-31-building-always-on-ai-agents-de/index.md"
license: "CC BY 4.0"
license_url: "https://creativecommons.org/licenses/by/4.0/"
cite_as: "DeepValues Research, KI-Agenten im Dauerbetrieb verstehen: Infrastruktur, Kontext-Engineering und Systemarchitektur, https://research.deepvalues.ai/insights/2026-10-31-building-always-on-ai-agents-de/"
publisher_url: "https://deepvalues.ai"
app: "https://deepvalues.ai"
api: "https://app.deepvalues.ai/developers"
data_note: "Reports are dated snapshots. Current data via the DeepValues API: https://app.deepvalues.ai/developers"
disclaimer: "Educational research, not investment advice."
disclosure: "AI-assisted"
generated_by: "NotebookLM + DeepValues editors"
category: "ai"
sources:
  - title: "Stanford CS146S: How always-on agents work"
    url: "https://www.youtube.com/watch?v=L1OBRtfPS34"
audio: "https://anchor.fm/s/117391698/podcast/play/128503104/https%3A%2F%2Fd3ctxlq1ktw2nl.cloudfront.net%2Fstaging%2F2026-9-31%2F2868770b-cf77-7ea4-a62d-c89cf1a17fa3.m4a"
audio_kind: "podcast episode"
audio_page: "https://open.spotify.com/episode/6suF8B0LJ27jtP97U916bZ"
---
# Dauerhaft aktive KI-Agenten verstehen: Infrastruktur, Kontextgestaltung und Systemarchitektur

Dauerhaft aktive, proaktive und persistente Agenten stellen einen strukturellen Paradigmenwechsel beim Einsatz künstlicher Intelligenz dar: Das Systemdesign verlagert sich von menschlich überwachten lokalen Ausführungsschleifen hin zu autonomer Unternehmensinfrastruktur im Hintergrund. Wie in Lee Robinsons Stanford-Vorlesung CS146S erläutert, beruhen diese persistenten Agenten auf einem serverzentrierten Ausführungsmodell, dauerhafter Ablaufsteuerung, dynamischen Sandbox-Umgebungen in virtuellen Maschinen mit Festplatten-Momentaufnahmen, der Delegation von Aufgaben an Unteragenten und kontinuierlicher Verdichtung des Anweisungskontexts. Indem Agentenschleifen von der Hardware der Entwickler und lokalen Terminalsitzungen entkoppelt werden, überwinden diese Architekturen die physischen Beschränkungen interaktiver Befehlszeilen-Ausführungsumgebungen. Statt lediglich als reaktive Antwortwerkzeuge zu dienen, fungieren dauerhaft aktive Agenten als im Hintergrund präsente digitale Kollegen, die langfristige, mehrwöchige Softwareentwicklungs- und Betriebsaufgaben über verschiedene Cloud-Umgebungen hinweg ausführen.

## Die vier Epochen der KI-Entwicklung und der Terminal-Engpass

Die Interaktion von Entwicklern mit künstlicher Intelligenz hat sich über vier unterschiedliche operative Paradigmen hinweg entwickelt. In der ersten Epoche kopierten Entwickler Codeausschnitte manuell aus Weboberflächen wie ChatGPT direkt in lokale integrierte Entwicklungsumgebungen. Dieser manuelle Arbeitsablauf war stark fragmentiert und erforderte ständige Kontextwechsel sowie die Übertragung von Modellausgaben in Codedateien durch Menschen.

Die zweite Epoche führte terminalbasierte Ausführungsumgebungen ein. Diese Softwarehüllen ermöglichten es einem großen Sprachmodell [LLM], reaktiv mit lokalen Betriebssystemen zu interagieren, indem es Dateibäume analysierte, Quelldateien veränderte und innerhalb einer begrenzten Ausführungsschleife Shell-Befehle ausgab. Obwohl Terminal-Ausführungsumgebungen erhebliche Produktivitätsgewinne ermöglichten, indem sie Modellen operative Handlungsfähigkeit verliehen, blieben sie strikt an die direkte Initiierung durch Menschen und den Zustand lokaler Computer gebunden.

Die dritte Epoche erweiterte Programmieragenten zu eigenständigen Desktop-Anwendungen mit Benutzeroberfläche [UI], die parallele Agenteninstanzen in Cloud-Umgebungen starten konnten. Trotz der Verlagerung der Rechenausführung auf entfernte Infrastruktur litt diese Generation unter entscheidenden operativen Reibungsverlusten: Der menschliche Bediener blieb der zentrale Engpass. Entwickler mussten Ausführungsströme kontinuierlich überwachen und jeden Shell-Befehl manuell prüfen und genehmigen, um unbeabsichtigte Dateilöschungen oder eine Destabilisierung des Systems zu verhindern.

Die Branche ist inzwischen in die vierte Epoche eingetreten: dauerhaft aktive, persistente Agenten, die im Hintergrund auf Cloud-Infrastruktur laufen. Ausgestattet mit dedizierten entfernten Arbeitsstationen, persistenten Speicherstrukturen und autonomen zeitgesteuerten Auslösern arbeiten diese Agenten kontinuierlich, unabhängig von der Anwesenheit der Entwickler. Der zentrale strukturelle Engpass terminalgebundener Ausführungsumgebungen – bei denen das Schließen eines Laptopdeckels oder das Beenden einer Terminalsitzung den zugrunde liegenden Agentenprozess abrupt beendet – wurde beseitigt. Darüber hinaus verarbeiten Ausführungsumgebungen der vierten Epoche während der Ausführung Nutzereingriffe in Echtzeit und weitschweifige Unterbrechungen. Wenn ein Nutzer während eines Bearbeitungsschritts Anweisungen ergänzt oder Datumsangaben ändert, verarbeiten moderne Modelle diese laufenden Aktualisierungen, ohne den Kontext zu beeinträchtigen oder den aktuellen Aufgabenstatus ungültig zu machen.

## Systemarchitektur: Serverzentrierte Ausführung und Sandbox-Umgebungen in virtuellen Maschinen

Um die Infrastruktur eines dauerhaft aktiven Agenten zu verstehen, lässt sich die Architektur als „digitaler Kollege mit einem entfernten Arbeitsplatz“ begreifen. In diesem Modell interagiert der Endnutzer über einen schlanken Nachrichten-Client – vergleichbar mit Textnachrichten –, während die Hauptarbeitslast, der Systemspeicher, die Werkzeugabhängigkeiten und die Betriebsumgebung auf isolierter Cloud-Infrastruktur liegen.

Die Ausführungskette des Systems wird durch explizite Anweisungen oder Hintergrundereignisse gestartet. Anders als herkömmliche Systeme, die ausschließlich nach einem direkten Nutzeraufruf aktiv werden, kann ein dauerhaft aktiver Agent durch Cron-Routinen im Hintergrund oder externe Webhooks aktiviert werden, etwa durch eingehende Slack-Nachrichten, automatisierte E-Mails oder Kalendereinladungen. Entscheidend ist, dass Agenten anstelle abwesender Mitarbeiter autonom an virtuellen Video- oder Audiokonferenzen teilnehmen können, um Notizen zu erstellen, Diskussionspunkte zusammenzufassen und umsetzbare Aufgaben zu protokollieren. Eine Eingangsrouting-Komponente entfernt doppelte eingehende Signale, weist operative Prioritäten zu und wendet Heuristiken für proaktives Handeln an, um zu bestimmen, ob der Agent den Nutzer sofort benachrichtigen oder die Aufgabe unbemerkt im Hintergrund bearbeiten soll. Hochpriorisierte Steuerungseingaben des Nutzers haben sofort Vorrang vor Hintergrund-Warteschlangen.

Im Zentrum dieser Architektur steht das Entwurfsmuster eines schlanken Clients und eines leistungsfähigen Servers. Die Client-Anwendung enthält nur minimale operative Logik und stellt ein einzelnes Werkzeug der Programmierschnittstelle [API], `send_user`, bereit, um formatierte Ausgaben des entfernten Servers anzuzeigen. Die Platzierung der zentralen Agentenschleife auf einem zentralen Server statt innerhalb lokaler Anwendungen ermöglicht Technologieteams schnelle Aktualisierungen der serverseitigen Komponenten ohne Verzögerungen durch Genehmigungen in Anwendungsshops oder Dienstausfälle. Zudem bleiben rechenintensive Vorgänge wie Audiotranskription oder Bilderzeugung auf optimierter Serverinfrastruktur zentralisiert. Die Client-Anwendung abonniert Ereignisströme des Servers in Echtzeit und nutzt Logik zur Entfernung doppelter Nachrichten, um interaktive UI-Elemente – etwa benutzerdefinierte Anmeldeformulare, 1Password-Zugangsdaten oder Finanzautorisierungsdialoge – darzustellen, ohne dass die Zustände auseinanderlaufen.

Ausführungssicherheit und Umgebungsisolierung werden durch Firecracker-Sandbox-Umgebungen in virtuellen Maschinen [VM] gewährleistet. Jede Agenteninstanz arbeitet in ihrem eigenen dedizierten Linux-Container mit persistentem Dateispeicher, virtuellen Desktops und einem Chrome-Browser ohne grafische Oberfläche. Statt sich ausschließlich auf API-Integrationen zu verlassen, interagieren Agenten mit Softwaresystemen über Fähigkeiten zur Computerbedienung. Sie analysieren Weboberflächen anhand strukturierter Barrierefreiheitsbäume des Betriebssystems, um interaktive Elemente zu identifizieren, und greifen beim Navigieren durch nicht standardisierte Oberflächen auf die direkte visuelle Analyse von Bildschirmaufnahmen und Klicks anhand von Pixelkoordinaten zurück. Um Hardwarebeschränkungen und Hosting-Kosten zu steuern, speichern Firecracker-VMs dynamisch Momentaufnahmen ihres Ausführungszustands auf der Festplatte und wechseln bei Inaktivität in den Ruhezustand. Beim Empfang eines neuen Aktivierungssignals stellen sie den vollständigen Betriebszustand sofort wieder her.

Die Beständigkeit des Systems über mehrwöchige Abläufe hinweg hängt von dauerhaften Ablaufsteuerungs-Frameworks statt von herkömmlichen Aufgabenwarteschlangen ab. Standardmäßige Aufgabenwarteschlangen behandeln Knotenausfälle, indem sie Aufgaben beim ersten Schritt neu starten, was bei komplexen mehrstufigen Abläufen katastrophale doppelte Nebenwirkungen verursachen kann. Durch den Einsatz dauerhafter Ablaufsteuerungssysteme wie Temporal werden der Ausführungszustand des Agenten, der Variablenspeicher und der operative Kontext kontinuierlich an Sicherungspunkten gespeichert. Fällt ein zugrunde liegender Infrastrukturknoten aus, setzt die dauerhafte Ablaufsteuerung die Ausführung genau an der Ausfallstelle fort, ohne bereits abgeschlossene Werkzeugaufrufe zu wiederholen.

## Unteragenten und Kontextgestaltung: Pseudo-unendlichen Kontext erreichen

Der wichtigste Engpass, der die Leistungsfähigkeit großer Sprachmodelle über längere operative Zeiträume bestimmt, ist die Verschlechterung des Kontexts. Wenn sich das Kontextfenster eines LLM mit Systemanweisungen, Werkzeugschemata, Dateiinhalten und Ausführungsprotokollen füllt, nimmt die Systemleistung ab. Die Kosten des Token-Verbrauchs steigen nichtlinear, die operative Latenz erhöht sich und die Fähigkeit des Modells, die ursprünglichen Anweisungen beim Schlussfolgern präzise zu berücksichtigen, verschlechtert sich erheblich.

Um das Aufblähen des Kontexts zu begrenzen, setzen moderne Agenten-Ausführungsumgebungen auf dynamische Werkzeugsuche, häufig als „Werkzeug zur Werkzeugsuche“ bezeichnet. Statt vollständige JSON-Schemata für Dutzende integrierte Werkzeuge – etwa Model Context Protocol [MCP]-Server, benutzerdefinierte Softwareentwicklungskits oder externe Datenbank-APIs – in das aktive Kontextfenster zu laden, enthält die primäre Anweisung nur übergeordnete Werkzeugnamen. Detaillierte Werkzeugspezifikationen werden im entfernten Dateisystem vorgehalten. Der Agent sucht, liest und lädt spezifische Werkzeugschemata erst dann dynamisch in den Arbeitsspeicher, wenn ein ausdrücklicher operativer Bedarf entsteht.

Um bei komplexen Aufgaben eine hohe Qualität des Schlussfolgerns aufrechtzuerhalten, delegieren primäre Orchestrierungsagenten Token-intensive Vorgänge an spezialisierte Unteragenten. Erfordert eine Aufgabe die Ausführung Hunderter Shell-Skripte, das Auslesen umfangreicher Webseiten oder die Erstellung von Demonstrationsvideos, erzeugt der Orchestrierungsagent einen isolierten Unteragenten mit einem neuen Kontextfenster. Der Unteragent führt die arbeitsintensive Unterroutine innerhalb seiner eigenen dauerhaften Ablaufsteuerung aus und gibt lediglich eine knappe, verdichtete Markdown-Zusammenfassung an den primären Ausführungsstrang zurück. Dieses Delegationsmuster schafft die operative Realität eines pseudo-unendlichen Kontexts und verhindert die Erschöpfung des Kontextfensters im Hauptstrang des Orchestrierungsagenten.

Die Entwicklung von Ausführungsumgebungen optimiert die Systemeffizienz zusätzlich durch Strukturen zur Zwischenspeicherung von Anweisungen und Kontextverdichtung im Hintergrund. Modelle halten statische Systemanweisungen, dynamische Indizes zur Werkzeugsuche und persistenten Kernspeicher am Anfang des Kontextarrays vor, um die von den APIs der Basismodelle bereitgestellten Cache-Trefferraten zu maximieren. Um die Gültigkeit des Caches bei Überarbeitungen von Systemanweisungen oder A/B-Tests zu erhalten, nutzen Ausführungsumgebungen deterministische Hash-Bildung für Abschnitte, sodass die Komponenten der Systemanweisungen eine feste, unveränderliche Reihenfolge behalten. Darüber hinaus wärmen Client-Anwendungen den Anweisungs-Cache auf dem Server vor, sobald ein Nutzer das Chat-Eingabefeld aktiviert oder zu tippen beginnt. Dadurch wird die Latenz bereits vor dem Absenden einer Nachricht beseitigt.

In operativen Ruhephasen, während die Anweisungs-Caches der Modelle warm bleiben – typischerweise innerhalb eines Zeitfensters von 10 bis 60 Minuten –, führt das System verlustbehaftete Verdichtungsroutinen im Hintergrund aus, um frühere Gesprächsprotokolle zu strukturierten Zusammenfassungen zu komprimieren. Der persistente Speicher ist in drei unterschiedliche Ebenen gegliedert:

1. **Zentrale Nutzerinformationen:** Hochpriorisierte Nutzerpräferenzen und systemische Einschränkungen, die in jeden operativen Bearbeitungsschritt eingespeist werden.
2. **Datierte Verlaufsprotokolle:** Chronologische, durchsuchbare Aufzeichnungen früherer Systeminteraktionen, die in entfernten Markdown-Dateien gespeichert werden.
3. **Kurzlebige Arbeitsnotizen:** Temporärer operativer Arbeitsspeicher, der nach Abschluss der Aufgabe automatisch verfällt.

## Sicherheit, automatische Überprüfung und der Modell-Verbesserungskreislauf

Der Unternehmenseinsatz autonomer Agenten führt zu erheblichen Sicherheitsrisiken, insbesondere durch Ermüdung bei der Prüfung von Befehlsausführungen und durch Anweisungsinjektion. Wenn menschliche Bediener Hunderte schnell aufeinanderfolgende Shell-Befehle manuell genehmigen müssen, führt dies zu operativer Erschöpfung und macht die menschliche Aufsicht unwirksam. Um dem zu begegnen, implementieren hochzuverlässige Agentenarchitekturen sekundäre Schutzmodelle, die als automatische Überprüfungssysteme bezeichnet werden.

Eine Schutzinstanz zur automatischen Überprüfung arbeitet als unabhängiger, hochspezialisierter KI-Prozess, der jeden vorgeschlagenen Shell-Befehl, jede Skriptausführung und jede visuelle Desktop-Interaktion vor der Ausführung prüft. Empirische Tests zeigen, dass automatisierte sekundäre Bewertungsmodelle müde menschliche Bediener beim Erkennen bösartiger Befehle, von Syntaxfehlern und operativen Abweichungen übertreffen. Bei risikoreichen, nicht rückgängig zu machenden Vorgängen – etwa dem Versand externer E-Mails oder der Ausführung von Finanztransaktionen über Dienste wie Stripe Link oder X Money – hält das System die Ausführung an und verlangt eine ausdrückliche menschliche Bestätigung.

Nicht vertrauenswürdige externe Eingaben, darunter eingehende E-Mails, Webinhalte Dritter und Webhooks, bergen erhebliche Risiken durch Anweisungsinjektion, wenn sie direkt in die primäre Schlussfolgerungsschleife des Agenten übernommen werden. Sichere Systeme bereinigen nicht vertrauenswürdige Eingaben, indem sie diese durch zwischengeschaltete Analyseebenen leiten. Dadurch verhindern sie, dass bösartige Anweisungsüberschreibungen ungeprüfte Systemwerkzeuge ausführen oder Zugangsdaten kompromittieren.

Die Systemzuverlässigkeit verbessert sich kontinuierlich durch einen technischen Verbesserungskreislauf mit zwei Schleifen. Wenn ein Agent an einer Aufgabe scheitert, wird der Fehlerverlauf in einem automatisierten Bewertungsmaßstab erfasst. In der schnellen inneren Schleife aktualisieren Systementwickler sofort die Anweisungen der Ausführungsumgebung, verfeinern dynamische Werkzeuge oder passen Systemanweisungen an und nutzen die Bewertungssuite, um die Korrektur zu überprüfen. In der langsamen äußeren Schleife werden aggregierte Fehlerdaten und erfolgreiche Abläufe zu Datensätzen für die Feinabstimmung zusammengeführt. Basismodelle durchlaufen über Veröffentlichungszyklen von 1 bis 6 Monaten hinweg überwachte Feinabstimmung [SFT] und bestärkendes Lernen [RL], um die Befolgung von Anweisungen, die Werkzeugauswahl und die visuelle Desktop-Navigation unmittelbar im Modell zu verbessern.

Entwicklungsteams, die diese Architekturen aufbauen, folgen einem zentralen operativen Grundsatz: „Das Produkt löschen.“ Komplexe benutzerdefinierte Abstraktionen der Benutzeroberfläche, die heute entwickelt werden, sollten auf ein Minimum beschränkt bleiben, da rasche Leistungssprünge der Basismodelle über Zeiträume von 6 bis 12 Monaten komplexe Probleme der Ausführungsumgebungen systematisch unmittelbar im Modell lösen.
## Systemgrenzen, architektonische Zielkonflikte und offene Fragen

Trotz rascher Fortschritte bei der Infrastruktur stehen dauerhaft aktive Agentenarchitekturen vor ungelösten technischen Zielkonflikten hinsichtlich Proaktivität und Benachrichtigungsmanagement. Der Betrieb eines im Hintergrund präsenten digitalen Kollegen erfordert fein abgestimmte Heuristiken, um zu bestimmen, wann ein Agent Aufgaben ohne Meldung ausführen und wann er den Nutzer mit Statusmeldungen unterbrechen sollte. Übermäßig aggressive Proaktivität führt zu Benachrichtigungsmüdigkeit und Verärgerung der Nutzer, während übermäßig zurückhaltende Proaktivität das System auf ein gewöhnliches reaktives Hilfsmittel reduziert. Die Festlegung optimaler Benachrichtigungsschwellen bleibt bei unternehmensweiten Implementierungen eine offene Herausforderung.

Eine weitere Herausforderung ist das Paradoxon der Bewertung über lange Zeithorizonte. Die Bewertung eines Agenten, der über mehrwöchige Ausführungszeiträume kontinuierlich laufen soll, ist grundsätzlich schwierig, wenn grundlegende Sprachmodelle in Zyklen von 30 bis 90 Tagen neue Versionen erhalten oder vollständig ersetzt werden. Vergleichende Offline-Bewertungen über monatelange Aufgabenverläufe werden unpraktikabel, wenn die zugrunde liegenden Basismodelle aktualisiert oder außer Betrieb genommen werden, bevor der Bewertungslauf abgeschlossen ist. Dadurch wird die Nachverfolgung der Referenzleistung problematisch.

Schließlich führt die Zusammenfassung des Kontexts zu unvermeidbaren Informationsverlusten. Da alle Verdichtungsalgorithmen auf verlustbehafteter Kompression beruhen, besteht bei der Verdichtung von Hunderttausenden Tokens detaillierter Protokollverläufe, Terminalausgaben und Dateiinhalte zu kompakten Markdown-Zusammenfassungen das Risiko, subtile Details zu Sonderfällen dauerhaft zu verwerfen. Wenn ein über längere Zeit laufender Agent präzise Betriebsparameter benötigt, die Wochen zuvor festgelegt wurden, kann verlustbehaftete Verdichtung in einer späten Ausführungsphase zu unbemerktem Aufgabenversagen oder Kontexthalluzinationen führen.

Die Bewältigung dieser Zielkonflikte erfordert, die Kosten des Tokenverbrauchs gegen die Präzision des Schlussfolgerns abzuwägen, die Inferenzlatenz zu optimieren und robuste Sicherheitsgrenzen für Interaktionen zwischen mehreren Agenten über Plattformen für Software als Dienstleistung [SaaS] hinweg zu etablieren.

## Wichtige Zahlen

*   **200,000 Tokens:** Der übliche Richtwert für das Kontextfenster des Arbeitsgedächtnisses moderner großer Sprachmodelle; er kennzeichnet die Größenordnung, ab der aggressive Algorithmen zur Kontextverdichtung unverzichtbar werden.
*   **6 bis 12 Monate:** Der operative Zeitraum, in dem Leistungssprünge bei Basismodellen komplexe maßgeschneiderte Steuerungslogik, Zwischenabstraktionen und spezialisierte Benutzeroberflächen-Hüllen obsolet machen.
*   **10 bis 60 Minuten:** Die typische Dauer, über die Anbieter von Basismodellen Eingabezwischenspeicher aktiv halten; sie definiert das optimale Zeitfenster für eine kosteneffiziente Kontextverdichtung im Hintergrund.
*   **Stunden/Tage bis zu mehreren Wochen/Monaten:** Die strukturelle Verschiebung der angestrebten Ausführungshorizonte von kurzen interaktiven Terminalsitzungen hin zu autonomen Hintergrundabläufen mit langem Zeithorizont.

## Was dieses Bild verändern würde

1.  **Wechsel von verlustbehafteter Verdichtung zu graphbasierten Speicherarchitekturen:** Ein breiter branchenweiter Wechsel von der üblichen Kontextzusammenfassung in Markdown zu verlustfreien Wissensgraphen würde den langfristigen Informationsabruf und die kontextuelle Präzision bei mehrmonatigen Ausführungsläufen erheblich verbessern.
2.  **Standardisierung von Vergleichsmaßstäben zur Agentenbewertung über lange Zeithorizonte:** Die Entwicklung prädiktiver, zeitkomprimierter Rahmenwerke für Offline-Bewertungen würde es Entwicklungsteams ermöglichen, mehrwöchige Agentenabläufe innerhalb von Stunden präzise zu vergleichen, statt auf Ausführungszyklen in Echtzeit zu warten.
3.  **Breiter unternehmensweiter Einsatz der Computernutzung ohne sichtbare Benutzeroberfläche:** Die flächendeckende Einführung direkter visueller Navigation über Barrierefreiheitsbäume und Pixelinteraktion in Unternehmenssoftware würde herkömmliche API-Integrationen und dedizierte Implementierungen des Model Context Protocol überflüssig machen.
4.  **Native Integration von Stimme und Sprache auf Hardwareebene:** Die Verbreitung von im Hintergrund präsenten Sprachgeräten mit geringer Latenz und auf Echtzeit-Sprachverarbeitung zugeschnittenen Bauformen würde die primäre Agentensteuerung von schlanken Clients für Textnachrichten hin zu kontinuierlichen Audio-Interaktionsschleifen verlagern.

Um tiefere Einblicke in die Infrastruktur kontinuierlich autonomer Agenten zu gewinnen und moderne Implementierungen von Modellsteuerungsumgebungen zu bewerten, besuchen Sie die quelloffenen Forschungsressourcen auf der Website von DeepValues Research oder erleben Sie die Plattform direkt in der DeepValues-App.
## Quellen

Stanford CS146S: How always-on agents work, presentation by Lee Robinson on the leerob YouTube channel.

## From DeepValues

- DeepValues app: intrinsic value, stances and the latest reports for 300+ stocks. [iPhone](https://apps.apple.com/us/app/deepvalues/id6775568608?utm_source=research&utm_medium=web&utm_campaign=markdown) · [Android](https://play.google.com/store/apps/details?id=app.deepvalues.android&referrer=utm_source%3Dresearch%26utm_medium%3Dweb%26utm_campaign%3Dmarkdown) · [Web](https://app.deepvalues.ai/?utm_source=research&utm_medium=web&utm_campaign=markdown)
- [Deep Value Intelligence](https://deepvalues.ai/?utm_source=research&utm_medium=web&utm_campaign=markdown): the multi-agent AI analyst behind these reports, for any listed company
- [Margin of Safety Weekly](https://app.deepvalues.ai/letter?utm_source=research&utm_medium=web&utm_campaign=markdown): free weekly email, every Saturday
- YouTube: videos on investing and on AI. [@TheDeepValues](https://www.youtube.com/@TheDeepValues?utm_source=research&utm_medium=web&utm_campaign=markdown) (investing) · [@deep-values](https://www.youtube.com/@deep-values?utm_source=research&utm_medium=web&utm_campaign=markdown) (AI)
- Podcasts: 6 shows in English and Chinese (Deep Values, 深度价值, Deep Values Frontier, 深度價值前沿, Deep Value Intelligence, 深度价值情报站). [all shows on Apple Podcasts](https://podcasts.apple.com/us/channel/deepvalues/id6826606342)
- Buffett Indicator: market-valuation gauge. [iPhone](https://apps.apple.com/us/app/buffett-indicator/id6747404614?utm_source=research&utm_medium=web&utm_campaign=markdown) · [Android (Buffett Indicator & Shiller PE)](https://play.google.com/store/apps/details?id=com.luluventures.bubblewatch.android&utm_source=research&utm_medium=web&utm_campaign=markdown)
