Häufig gestellte Fragen

AgentOS ist eine Open-Source-TypeScript-Runtime zum Bauen produktiver KI-Agenten, entwickelt von Frame.dev. Sie bietet Multi-Agenten-Orchestrierung, kognitives Gedächtnis, multimodales RAG, optionale Sicherheits-Guardrails (PII-Redaktion, Content-Moderation, Grounding-Prüfungen), Sprach-Pipelines, 37 Kanal-Adapter und 13 LLM-Anbieter-Integrationen. AgentOS treibt zudem die KI-Systeme hinter Wilds.ai an, einer KI-nativen Gaming-Plattform. Selbst-hostbar und kostenlos.

Ja. Die Runtime, die kuratierten Extensions, die Guardrail-Pakete und die kuratierten Skills sind alle unter Apache 2.0 lizenziert. Du kannst AgentOS kommerziell nutzen, verändern und unter dieser Lizenz weitergeben.

AgentOS unterstützt 13 LLM-Anbieter: OpenAI, Anthropic, Google Gemini, Groq, Together AI, Mistral, xAI (Grok), OpenRouter, Requesty, LiteLLM, Ollama, Claude Code CLI und Gemini CLI. Provider-Fallback-Ketten ermöglichen automatisches Failover.

AgentOS ist vollständig in TypeScript geschrieben und läuft auf Node.js. Das npm-Paket heißt @framers/agentos. Es funktioniert mit jedem TypeScript- oder JavaScript-Projekt.

AgentOS ist TypeScript-nativ (nicht Python), enthält kognitives Gedächtnis mit Ebbinghaus-Vergessenskurven und HEXACO-Persönlichkeitsmodellierung, bietet optionale Guardrail-Pakete für PII-Redaktion, Content-Moderation und Grounding-Prüfungen, stellt 37 Kanal-Adapter bereit (Discord, Telegram, Slack, E-Mail und mehr) und unterstützt 6 Orchestrierungsstrategien einschließlich graphbasierter Agenten-DAGs. Außerdem werden 88 kuratierte Skills und eine Capability-Discovery-Engine mitgeliefert, die nur die relevanten Tools und Skills in den Kontext bringt, innerhalb eines Token-Budgets pro Stufe.

Paracosm (https://paracosm.agentos.sh) ist eine strukturierte Welt-Modell-Simulations-Engine auf Basis von AgentOS. Sie kompiliert ein JSON-ScenarioPackage plus ein HEXACO-Leader-Profil zu einer Zugschleife um einen geseedeten, deterministischen Kernel, in der AgentOS-Agenten Ereignisse vorschlagen, zur Laufzeit neue JavaScript-Tools schmieden, die AgentOS in node:vm mit einem Zeitlimit von 10 Sekunden ausführt, und ein kontrafaktisches Artefakt erzeugen, das du forken und erneut abspielen kannst. Drei Modi teilen sich ein Schema: zugbasierte Zivilisationssimulationen (Mars Genesis ist das kanonische Beispiel), Batch-Trajektorie-Digital-Twins und Batch-Punkt-Monte-Carlo-Prognosen. Open-Source unter Apache 2.0, npm install paracosm. Live-Demo: https://paracosm.agentos.sh/sim. Quellcode: https://github.com/framerslab/paracosm. Ausführlicher Launch-Post (warum wir es gebaut haben, die wilds.ai-Vault-Geschichte, die Engine-Referenz): https://agentos.sh/blog/paracosm-launch.

Wilds.ai (https://wilds.ai) ist eine AI-native Gaming-Plattform auf Basis von AgentOS und Paracosm. KI-Charaktere mit persistentem kognitivem Gedächtnis und HEXACO-Persönlichkeitsmerkmalen bewohnen gemeinsame Weltmodelle und divergieren voneinander basierend auf fundierten LLM-as-Judge-Ereignissen. Spieler können in bestehende Welten einsteigen, sie forken oder neue im Browser kompilieren. Wilds.ai ist der kanonische Produktions-Deployment des AgentOS + Paracosm-Stacks und der offizielle Community- und Support-Kanal (https://wilds.ai/discord) für beide Projekte.

Wunderland (https://wunderland.sh) ist ein Schwesterprojekt in aktiver Entwicklung, das eine Batteries-included-CLI plus Daemon auf die AgentOS-Extension- und Skill-Registries packt. Es bringt eine 60-Befehle-CLI (setup, chat, rag, agency, workflows, evaluate, provenance, knowledge, marketplace und mehr), ein 5-stufiges Sicherheitsmodell (dangerous / permissive / balanced / strict / paranoid), 9 Agenten-Presets, Step-up-HITL-Autorisierung und dieselbe kognitive Gedächtnis- plus graphbasierte RAG-Architektur mit, die in den AgentOS-Dokumenten beschrieben ist. Verwende @framers/agentos, wenn du ein TypeScript-SDK in deine Anwendung einbetten möchtest; verwende Wunderland, wenn du eine globale CLI möchtest, die du mit pnpm add -g wunderland installieren und mit einem Assistenten konfigurieren kannst. Quellcode auf github.com/jddunn/wunderland (Apache 2.0 ab 0.71.0). Preview-Release; APIs und CLI-Oberfläche können sich noch ändern. Erste-Schritte-Anleitung: https://docs.agentos.sh/wunderland.

GMI steht für Generalized Mind Instance. Es ist der Agent, den die AgentOS-Runtime für jede Sitzung erzeugt: Er hält die Persona der Sitzung (HEXACO-Merkmale), den Gesprächsverlauf, die Stimmung und den Reasoning-Trace, führt jeden Turn über Suche, Prompt-Aufbau, Modellaufruf und Tool-Aufrufe aus und kann ein kognitives Gedächtnis erhalten, das über Sitzungen hinweg bestehen bleibt. Der leichtgewichtige Helper agent() ruft das Modell direkt auf und erzeugt kein GMI, außer du übergibst runtime: 'gmi'; gmi() und die vollständige Runtime (AgentOS.processRequest) erzeugen GMIs.

HEXACO ist ein 6-Faktoren-Persönlichkeitsmodell aus der Psychologieforschung (Ashton & Lee, 2007). Die sechs Dimensionen sind Ehrlichkeit-Bescheidenheit, Emotionalität, Extraversion, Verträglichkeit, Gewissenhaftigkeit und Offenheit für Erfahrungen. In AgentOS prägen HEXACO-Merkmale, wie Agenten kommunizieren und sich erinnern. agent() schreibt Merkmale über 0.65 oder unter 0.35 als Verhaltensanweisungen in den System-Prompt. Im kognitiven Gedächtnis erhöht hohe Emotionalität, wie stark eine Erinnerung beim Abruf umgeschrieben wird (Rekonsolidierung), während hohe Gewissenhaftigkeit das abrufbedingte Vergessen konkurrierender Erinnerungen verstärkt.

Das kognitive Gedächtnis von AgentOS implementiert 8 Mechanismen aus der kognitionswissenschaftlichen Forschung: Rekonsolidierung, abrufbedingtes Vergessen, unwillkürliche Erinnerung, Feeling-of-Knowing, temporale Gist-Extraktion, Schema-Kodierung, Quellenvertrauens-Verfall und Emotionsregulation. Erinnerungen verblassen über die Zeit gemäß den Ebbinghaus-Vergessenskurven (Ebbinghaus, 1885), und jeder erfolgreiche Abruf macht eine Erinnerung stabiler, wie bei verteilter Wiederholung. Das Arbeitsgedächtnis folgt Baddeleys Multikomponentenmodell (Baddeley, 2000) mit standardmäßig 7 Slots: Hohe Offenheit fügt einen hinzu, hohe Gewissenhaftigkeit nimmt einen weg, und die Zahl bleibt zwischen 5 und 9. Eine neue Erinnerung wird standardmäßig als episodische Erinnerung gespeichert und belegt einen Slot im Arbeitsgedächtnis. Sind alle Slots belegt, wird der am wenigsten aktive frei, und seine Erinnerung bleibt gespeichert. Die Konsolidierung macht später alte, oft abgerufene episodische Erinnerungen zu semantischen.

AgentOS hat sechs optionale Guardrail-Pakete: PII-Redaktion (Namen, E-Mails, Telefonnummern, SSNs und mehr), ML-Klassifikatoren für Toxizität, Drohungen und NSFW-Inhalte, statische Analyse von generiertem Code auf gefährliche Muster, Grounding-Überprüfung gegen Quelldokumente, Topikalitätsdurchsetzung, um Agenten beim Thema zu halten, und einen Content-Policy-Rewriter, der Ausgaben umschreibt oder blockiert, die gegen deine Richtlinie verstoßen. Jedes Paket ist eine Extension, die du in der AgentOS-Runtime aktivierst. Das Klassifikator-Paket bewertet Prompt-Injection nur, wenn sein lokales Modell nicht geladen werden kann; für bekannte Injection-Phrasen nutzt du den eingebauten Phrasenlisten-Guardrail.

Die Capability-Discovery-Engine findet Tools und Skills per semantischer Suche und bringt sie in drei Tiers in den Prompt, jedes mit festem Token-Budget. Tier 0 hält Kategorie-Zusammenfassungen im Kontext (standardmäßig 200 Tokens). Tier 1 ergänzt die Top-5 semantischen Treffer des Turns (800 Tokens). Tier 2 ergänzt vollständige Schemas oder den SKILL.md-Text der Top-2-Treffer (2,000 Tokens). Ein Meta-Tool namens discover_capabilities lässt Agenten verfügbare Werkzeuge zur Laufzeit nachschlagen.

Der QueryRouter ordnet jede Anfrage einer von 4 Stufen zu und ruft entsprechend ab: T0 antwortet aus der Unterhaltung ohne Abruf, T1 führt eine einzelne Vektorsuche aus (eine Stichwortsuche, wenn kein Embedding-Anbieter konfiguriert ist), T2 ruft 15 Abschnitte ab, ergänzt verwandte Abschnitte per Graph-Expansion und ordnet die zusammengeführte Menge neu, bis die besten 5 bleiben, und T3 teilt die Anfrage an Satzgrenzen in bis zu 5 Teilanfragen, ruft für jede 10 Abschnitte ab, ergänzt verwandte Abschnitte per Graph-Expansion, ordnet die zusammengeführte Menge neu, bis die besten 10 bleiben, und führt danach, wenn Deep Research aktiviert ist (standardmäßig, wenn SERPER_API_KEY gesetzt ist), einen Deep-Research-Durchlauf aus, dessen Ergebnisse er zusammenführt. Danach antwortet er auf Basis des Abgerufenen und liefert die Antwort mit Quellenangaben.

Adaptive Intelligenz bezeichnet, wie AgentOS-Agenten ihr Verhalten ohne Neutraining anpassen. Fünf Mechanismen arbeiten zusammen: (1) Prompt-Aufbau pro Turn: Die PromptEngine eines GMI baut den System-Prompt in jedem Turn aus Persona, Stimmung, Gesprächsverlauf, abgerufenen Erinnerungen und verfügbaren Tools. (2) Selbstbewertung: Mit aktivierter Selbstverbesserung bewertet das Tool self_evaluate die eigene Antwort des Agenten und kann die temperature oder Ausführlichkeit der Sitzung ändern oder ein Merkmal über adapt_personality anpassen. (3) Persönlichkeitsmoduliertes Gedächtnis: HEXACO-Merkmale stellen die Gedächtnismechanismen ein; hohe Offenheit macht unwillkürliche Erinnerung wahrscheinlicher, und hohe Gewissenhaftigkeit verstärkt das abrufbedingte Vergessen konkurrierender Erinnerungen. (4) Gedächtniskonsolidierung: Konsolidierungsläufe entfernen verblasste Erinnerungen, führen Duplikate zusammen, machen alte, oft abgerufene episodische Erinnerungen zu semantischen und leiten mit einem konfigurierten LLM Einsichts-Erinnerungen aus Clustern ab. (5) QueryRouter-Stufen: Die Abruftiefe folgt der Anfrage, von keinem Abruf, wenn die Unterhaltung die Antwort schon enthält, bis zur gründlichen Recherche im gesamten Korpus für die schwierigsten Fälle.

Emergente Verhaltensweisen sind Fähigkeiten, die Agenten zur Laufzeit entwickeln, statt dass sie explizit programmiert werden. AgentOS unterstützt fünf Formen: (1) Tool-Forging zur Laufzeit: Mit emergent: true in der AgentOS-Runtime schreiben Agenten über forge_tool neue Tools in JavaScript. Die EmergentCapabilityEngine führt jedes in node:vm mit Zeitlimit aus, und ein LLM-Judge prüft den Code und seine Testläufe, bevor das Tool registriert wird. (2) Selbstanpassende Persönlichkeit: adapt_personality verschiebt ein HEXACO-Merkmal innerhalb festgelegter Grenzen für den laufenden Agenten. Mit persistWithDecay und einem Mutation-Store wird jede Änderung aufgezeichnet, und gespeicherte Einträge verlieren höchstens einmal pro Tag an Stärke, wenn der Agent sich anpasst. (3) Dynamisches Skill-Management: Agenten aktivieren oder deaktivieren Skills zur Laufzeit über manage_skills und passen ihr Verhaltensrepertoire der Aufgabe an. (4) Zusammensetzbare Workflows: Agenten kombinieren registrierte Tools über create_workflow zu mehrstufigen Pipelines und bauen so neue Fähigkeiten aus vorhandenen Bausteinen. (5) Gestufte Tool-Promotion: Ein geschmiedetes Tool beginnt auf der Stufe session. Nach mindestens 5 Nutzungen mit einer Erfolgsquote von 0.8 oder mehr und der Zustimmung zweier LLM-Prüfer wechselt es auf die Stufe agent. Ein Host kann ein Tool mit EmergentToolRegistry.promote() auf die Stufe shared befördern.

Ja. AgentOS bietet zwei sich ergänzende LLM-as-judge-Mechanismen. Auf Agency-Ebene erstellt hitl.llmJudge() einen Approval-Handler, der Entscheidungen an ein LLM delegiert. Er bewertet jede ApprovalRequest gegen konfigurierbare Kriterien und liefert eine strukturierte Entscheidung mit Confidence-Score. Fällt die Confidence unter den Schwellenwert, wird die Entscheidung an einen Fallback-Handler eskaliert (ein anderer hitl-Handler oder ein Mensch). Auf Graph-Ebene akzeptiert der humanNode()-Builder eine judge-Option, die die Interrupt-Entscheidung an ein LLM delegiert. Ist der Richter zuversichtlich, läuft der Graph ohne Suspendierung weiter. Bei niedriger Confidence fällt die Ausführung auf einen normalen Human-Interrupt zurück. Beide Ansätze unterstützen konfigurierbares model, provider, criteria und confidence threshold.

Ja. Wenn hitl.guardrailOverride aktiviert ist, werden Guardrails nach einer Approval-Entscheidung ausgeführt und können destruktive oder sensible Aktionen weiterhin blockieren. Dies fügt eine zweite Sicherheitsebene nach Auto-Approval, menschlicher Genehmigung oder hitl.llmJudge() hinzu. Die Standard-Post-Approval-Guardrails sind code-safety und pii-redaction, die Liste lässt sich mit hitl.postApprovalGuardrails konfigurieren. Deaktiviere das Override nur, wenn du explizit möchtest, dass der Approval-Handler das letzte Wort hat.

Installation über npm: npm install @framers/agentos. AgentOS benötigt Node.js 22 oder höher. Für CLI-Werkzeuge installiere das Begleitpaket: npm install -g wunderland.

Import the agent function and configure it with a provider, instructions, and optional personality traits:

import { agent } from '@framers/agentos'

const myAgent = agent({
  provider: 'openai',
  instructions: 'You are a helpful assistant.',
  personality: {
    openness: 0.8,
    conscientiousness: 0.9,
  },
})

const reply = await myAgent.generate('Hello!')
console.log(reply.text)

AgentOS verarbeitet Sprache mit dem VoicePipelineOrchestrator. Du gibst ihm eine Streaming-STT-Sitzung, eine Streaming-TTS-Sitzung, einen Endpunkt-Detektor und einen Barge-in-Handler, und er verbindet sie über einen Transport wie einen WebSocket mit einer Agenten-Sitzung. Der Sprachkatalog listet 13 STT-Anbieter und 13 TTS-Anbieter. Davon sind 11 STT-Anbieter, darunter Whisper (OpenAI), Deepgram und AssemblyAI, und 10 TTS-Anbieter, darunter ElevenLabs, OpenAI TTS und Google Cloud TTS, verfügbar. Die übrigen fünf Einträge (Whisper.cpp, NVIDIA NeMo, Coqui XTTS, Bark und StyleTTS2) sind als nicht verfügbar markiert, und der Provider-Resolver überspringt sie. Die Anbieter Twilio, Telnyx und Plivo starten und beenden Telefonanrufe.

AgentOS ist selbst-hostbar und läuft überall, wo Node.js 22 oder höher läuft. Deploye auf eigener Infrastruktur mit Docker, bei Cloud-Anbietern wie AWS, GCP oder Azure oder nutze Plattformen wie Vercel, Railway oder Fly.io. SQLite braucht keine Einrichtung, und die MigrationEngine verschiebt gespeicherte Daten nach Postgres, Qdrant oder Pinecone, wenn du mehr Skalierung brauchst.

Ja. AgentOS funktioniert vollständig offline in Kombination mit Ollama für lokale LLM-Inferenz. Ollama bietet lokalen Zugriff auf Open-Weight-Modelle wie Llama, Mistral und Phi. Das SQLite-Storage-Backend und der In-Memory-Vector-Store benötigen keine externen Dienste. Der Befehl ollama-setup der Wunderland-CLI erkennt oder installiert Ollama und konfiguriert den Agenten entsprechend.

Ja. AgentOS bringt optionale Guardrail-Pakete mit, die personenbezogene Daten redigieren, Inhalte moderieren und Antworten mit ihren Quellen abgleichen, dazu Freigaben für sensible Tool-Calls, Ausgabenbudgets, die einen Aufruf über dem Limit ablehnen, und Schutzschalter, die einen ausfallenden Anbieter aus der Rotation nehmen.

AgentOS liefert eine PII-Redaktions-Guardrail, die personenbezogene Daten entfernt, bevor sie LLM-Anbieter erreichen, und Self-Hosting, sodass Daten auf der eigenen Infrastruktur bleiben. Das Memory-System exportiert für ein Auskunftsersuchen nach JSON, Markdown, Obsidian oder SQLite. Eine vergessene Erinnerung fällt aus dem Abruf heraus, ihre Zeile bleibt aber in der Datenbank; ein Löschantrag braucht deshalb ein Löschen im eigenen Speicher. DSGVO- und SOC-2-Konformität sind organisatorische Verantwortungen des einsetzenden Teams, keine Eigenschaften der Bibliothek selbst.

Ja. Für Produktions-Deployments, Enterprise-Lizenzierung, dedizierten Support und maßgeschneiderte Integrationen kontaktiere das Team unter [email protected]. Enterprise-Support umfasst priorisierte Issue-Lösung, Architekturberatung und Deployment-Unterstützung.

[email protected]

Absolut. AgentOS ist von Grund auf für Self-Hosting konzipiert. Bei Self-Hosted-Deployments bleiben deine Daten auf deiner Infrastruktur mit SQLite, Postgres, pgvector, Qdrant oder Neo4j. Wenn du eine vom Anbieter gehostete Vektor-Datenbank bevorzugst, wird auch Pinecone unterstützt. Ein Setup-Helfer kann einen lokalen Qdrant-Container mit Docker starten.