QuantyDocs

Firmen mit einem Agenten recherchieren

Sie haben eine Tabelle mit 40 Zielunternehmen und brauchen zu jedem eine Anreicherung: was es tut, Signale zur Mitarbeiterzahl, alles Berichtenswerte. Statt einzeln zu prompten, bauen Sie einen wiederverwendbaren Recherche-Agenten und lassen ihn die Zeilen als budgetierte Aufgaben abarbeiten — jeder Lauf auditiert, bepreist und stoppbar.

Was Sie brauchen: eine Tabelle mit einer Firmennamen-Spalte und ein aktives Abonnement (Agentenläufe verbrauchen das KI-Budget Ihrer Organisation).

Schritt 1 — Agenten bauen

Öffnen Sie die Seite Agenten und legen Sie einen neuen Agenten an. Der schnelle Weg: Beschreiben Sie in normaler Sprache, was Sie möchten, und lassen Sie Quanty einen Entwurf erstellen — der Generator schlägt Name, Beschreibung, Anweisungen und Startprompts vor, die Sie vor dem Speichern bearbeiten können.

Ein Agent besteht aus:

  • Anweisungen — Persona und Methode, z. B. wie recherchiert und wie Ergebnisse formuliert werden.
  • Modell — auf welchem LLM er läuft.
  • Verbindungen — optionale Integrationen, die der Agent nutzen darf (Gmail, Google Sheets, Outlook, Slack, Notion, HubSpot).
  • Beispielprompts — bis zu 6 Startprompts, die im Chat angezeigt werden; auch diese lassen sich mit einem Klick generieren.

Agenten sind standardmäßig aktiv; der Aktiv-Schalter deaktiviert einen Agenten, ohne ihn zu löschen.

Schritt 2 — Auf Ihre Tabelle richten

Öffnen Sie die Tabelle und dann den Chat. Wechseln Sie im Chat-Kopf vom Standardagenten (Quanty) zu Ihrem Recherche-Agenten. Das Kontextbanner bestätigt, dass er mit Ihrer Tabelle arbeitet und per Chat Zeilen und Spalten hinzufügen sowie Zellen bearbeiten kann.

Schritt 3 — Recherche anstoßen

Bitten Sie in normaler Sprache um die Anreicherung:

Recherchiere für jede Firma in dieser Tabelle, was sie tut, und fülle die Spalte Notizen.

Im Hintergrund läuft jede Arbeitseinheit als Agentenaufgabe mit einem Budget pro Lauf — standardmäßig 0,50 $, maximal 2,00 $. Die Aufgabe liefert einen Wert plus die Konfidenz und Begründung des Agenten sowie die Kosten des Laufs.

Schritt 4 — Agentenaktivität beobachten

Das Live-Panel Agentenaktivität (in der Werkzeugleiste des Rasters und im Chat-Kopf) zeigt jeden Lauf mit Status: in Warteschlange, läuft, fertig, fehlgeschlagen, gestoppt oder Budget erreicht. Durch Ausführung verifizierte Werte tragen das Abzeichen „In der Python-Sandbox berechnet“; Schätzungen sind markiert als „Nicht Sandbox-verifiziert — vom Modell geschätzter Wert“.

Alles, was läuft, kann vor dem nächsten kostenpflichtigen Aufruf gestoppt werden.

Schritt 5 — Läufe und Kosten inspizieren

Öffnen Sie einen Lauf, um die vollständige Schrittfolge zu sehen — was der Agent sich angesehen hat und warum er zu seinem Schluss kam. Laufkosten werden der KI-Nutzung Ihrer Organisation zugeschrieben und erscheinen im Token-Verlauf unter Einstellungen → Abrechnung neben Chat- und Extraktionsausgaben.

Schritt 6 — Ergebnisse prüfen

Angereicherte Werte landen wie jede andere KI-Ausgabe in der Tabelle: Öffnen Sie die Zellen-Detailansicht für die Begründung, Genehmigen oder Ablehnen Sie, und sperren Sie alles, was sich nicht mehr ändern darf, als Referenzwert.

Nächste Schritte