Chat with the Network
Ein KI-gestützter Chatbot, der über die Narrowin-API Netzwerkdaten in natürlicher Sprache bereitstellt und dadurch Analysen, Auswertungen und individuelle Fragestellungen ermöglicht.
Ausgangslage
Die Arbeit an komplexen Netzwerken mit VLANs, Subnetzen und Switches ist für Netzwerkingenieure oft aufwendig. Dokumentationen sind unvollständig oder veraltet, wodurch die Informationsbeschaffung mühsam wird. Ziel ist die Entwicklung eines Systems, das Netzwerkdaten über einen Chatbot effizient in natürlicher Sprache zugänglich macht. Grundlage bildet die Narrowin-API, welche strukturierte Daten liefert.
Zielsetzung
Das Projekt zielt darauf ab, verschiedene Agentic-Workflows zu evaluieren. Vom Single-Agent bis hin zu Multi-Agent-Systemen mit Filtermechanismus für das handling der Netzwerkdaten. Ziel ist es, ein robustes, ressourcenschonendes und flexibles System zu schaffen, das präzise Antworten liefert und Netzwerkadministratoren bei ihrer Arbeit unterstützt.
Agentic-Workflow
Darstellung der Architekturvarianten: Orchestrator- und Router-Konzept. Die Konzepte unterscheiden sich in Effizienz, Antwortgenauigkeit und Tokenverbrauch.
Chatfenster
Der Prototyp erfolgt in Python und ermögliche eine Interaktion über die Konsole.
Evaluation
Die Evaluierung umfasst Antwortgenauigkeit, Antwortdauer, Systemeffizienz sowie Tokenverbrauch. So konnte der Router-Ansatz als besonders effizient herausgearbeitet werden.
Ergebnisse
Der entwickelte Prototyp zeigt, dass ein Router-Ansatz für einfache und mittlere Anfragen besonders effizient ist. Der Orchestrator bietet Flexibilität bei komplexen Fragestellungen, ist jedoch ressourcenintensiver. Das System ermöglicht es, Netzwerkdaten wie VLANs, Hosts und Devices zuverlässig abzufragen und zu analysieren.
Die Lösung wurde in Python (MCP-Server) und FastAgent (Client) umgesetzt. Die Integration von JMESPath erlaubt eine flexible Filterung der Daten, während Prompt-Chains, Orchestrator und Router die Verarbeitung strukturieren. Eine Evaluierung anhand eines Fragekatalogs belegte die Leistungsfähigkeit, Genauigkeit, Antwortdauer und Tokenverbrauch.
Technologien
Zum Einsatz kamen moderne Agenten- und KI-Technologien:
- FastAgentFramework zur strukturierung des Agentic-Workflow und interaktion mit dem Agenten-System.
- MCP (Model Context Protocol)Offener Standard zur Anbindung von Datenquellen über MCP-Server und -Clients
- JMESPathAbfragesprache zur Filterung und auswerten in JSON-Daten
- RouterLeitet Anfragen gezielt an spezialisierte Agenten weiter
- OrchestratorKoordiniert komplexe Aufgaben durch Subtasks an spezialisierte Agenten
- PythonProgrammiersprache zur Umsetzung des MCP-Servers und Agentenlogik
- LLMLarge Language Models zur Verarbeitung von Eingaben in natürlicher Sprache
Partner
Narrowin GmbH
Kooperationspartner mit Netzwerk-Explorer und API als Datenbasis.
