KI-Automatisierer in Drupal. Wie orchestriert man mehrstufige KI-Arbeitsabläufe?

AI Automators verwandelt komplexe KI-Workflows von Code in Konfiguration. Diese Fallstudie zeigt, wie BetterRegulation produktionsreife KI-Workflows aufgebaut hat, die monatlich über 200 Dokumente mit einer Genauigkeit von über 95 % verarbeiten – mithilfe von mehrstufigen Ketten, Hintergrund-Warteschlangen und admin-verwalteten Prompts. Kein benutzerdefinierter Integrationscode erforderlich.

In diesem Artikel:

• Was ist AI Automators?
• Projektkontext
• Wann AI Automators vs. benutzerdefinierten Code verwenden
• Wie funktionieren AI Automator-Entitäten?
• Wie baut man einen mehrstufigen KI-Workflow mit Ketten auf?
• Wie verwaltet man Prompts in AI Automators?
• Wie integriert man AI Automators mit Drupal-Formularen?
• Warteschlangen-Integration mit RabbitMQ
• Wie überwacht und debuggt man AI Automators?
• Praxisbeispiel: BetterRegulation
• Best Practices für AI Automators
• AI Automators: Vorteile und Praxisergebnisse

Was ist AI Automators?

AI Automators ist ein Submodul des Drupal AI-Moduls, das ein Framework zum Aufbau automatisierter Workflows in Drupal bereitstellt und besonders leistungsstark für KI-Integrationen ist. Ein AI Automator kann eine einzelne Operation sein (wie Textzusammenfassung), während eine AI Automator Chain mehrstufige Workflows erstellt, bei denen die Ausgabe jeder Operation zur Eingabe der nächsten wird.

Stellen Sie es sich als Workflow-Engine für komplexe, mehrstufige Prozesse vor, die es ermöglicht, KI-Workflows über die Admin-Konfiguration statt über Code aufzubauen. Es bietet Provider-Abstraktion, das heißt, es funktioniert nahtlos mit OpenAI, Anthropic, lokalen Modellen und mehr. Die erstellten Workflows werden zu wiederverwendbaren Komponenten. Einmal erstellen, auf mehrere Inhaltstypen anwenden.

Ohne AI Automators bedeutet die Integration von KI in Drupal, dass man für jeden Workflow benutzerdefinierten Code schreiben, jeden API-Provider manuell integrieren, Prompts in der Codebasis fest codieren, sich mit repetitivem Boilerplate-Code auseinandersetzen und komplexe Orchestrierungslogik selbst verwalten muss. Es ist machbar, aber zeitaufwendig und fehleranfällig.

Mit AI Automators konfigurieren Sie Workflows über die Benutzeroberfläche, verwalten Prompts in der Admin-Oberfläche, wo auch Nicht-Entwickler sie verfeinern können, wechseln KI-Provider ohne Codeänderungen, verwenden Workflows für verschiedene Inhaltstypen wieder und erstellen mehrstufige Prozesse visuell. Der Wechsel von Code zu Konfiguration reduziert die Entwicklungszeit drastisch und ermöglicht die Iteration durch Fachexperten.

BetterRegulation nutzt AI Automators für die Dokumentenkategorisierung, bei der 15 Felder automatisch aus der PDF-Analyse befüllt werden, für die Zusammenfassungsgenerierung mit drei verschiedenen Zusammenfassungstypen (lang, kurz und Pflichten), für die Hintergrundverarbeitung über Warteschlangen bei zeitintensiven Operationen sowie für umfassende Fehlerbehandlung und Protokollierung im gesamten Workflow.

Diese Anleitung zeigt Ihnen, wie Sie AI Automators für Ihre KI-Workflows nutzen können.

Projektkontext

Dieser Einblick basiert auf der realen Implementierung von BetterRegulation. Sie hatten eine bestehende Drupal 11-Plattform und wollten KI-Funktionen hinzufügen, ohne ihren redaktionellen Workflow zu stören oder umfangreiche individuelle Entwicklung zu erfordern.

Die Herausforderungen waren vielschichtig. Mehrere Inhaltstypen – Know-How-Dokumente, Allgemeine Konsultationen und Stations-Inhalte – benötigten alle KI-Verarbeitung, aber jeder erforderte unterschiedliche Ansätze. Echtzeit-Kategorisierung funktionierte für einige Workflows, während die Hintergrund-Zusammenfassungsgenerierung für andere sinnvoller war. Die juristischen Redakteure, die die Nuancen der Dokumententaxonomie besser verstanden als jeder andere, brauchten die Möglichkeit, Prompts basierend auf Genauigkeitstests zu verfeinern, ohne auf Entwicklerzyklen warten zu müssen. Und entscheidend war: Die Infrastruktur war bereits vorhanden – RabbitMQ übernahm bereits andere Warteschlangenaufgaben, Drupal 11 lief in der Produktion, und die Umgebung war stabil – sie wollten keine größeren architektonischen Änderungen einführen.

Die Lösung bestand darin, AI Automators zu verwenden, um KI-Workflows über die Admin-UI zu konfigurieren, anstatt für jede Integration benutzerdefinierten Code zu schreiben. Diese architektonische Entscheidung ermöglichte eine schnelle Iteration während der Entwicklung und gab, was noch wichtiger ist, den Fachexperten (den juristischen Redakteuren) die Möglichkeit, Prompts auf Grundlage der tatsächlichen Genauigkeit ohne Entwicklerbeteiligung zu verfeinern.

Ein Beispiel für die Implementierung eines KI-Workflows zur Dokumentenkategorisierung bei Better Regulation

Die vollständige Fallstudie zur KI-Dokumentenkategorisierung finden Sie hier →

Wann AI Automators vs. benutzerdefinierten Code verwenden

Nicht jede KI-Integration benötigt AI Automators. Die Entscheidung hängt von der Komplexität Ihres Workflows, der Teamstruktur und den Anforderungen an die Iterationsgeschwindigkeit ab.

AI Automators glänzt bei komplexen Workflows

AI Automators wird wertvoll, wenn Sie es mit mehrstufigen Workflows zu tun haben – denken Sie an PDF-Extraktion, dann Textanalyse, dann Ergebnis-Parsing und Feldbefüllung. Jeder Schritt hängt vom vorherigen ab, und die manuelle Koordination bedeutet das Schreiben von Orchestrierungscode, der schnell komplex wird.

Das Modul beweist seinen Wert besonders, wenn mehrere KI-Operationen zusammenarbeiten müssen. Kategorisierung, Zusammenfassung und Analyse können alle auf demselben Inhalt ausgeführt werden, jeweils mit unterschiedlichen Prompts und Modellen. AI Automators übernimmt diese Koordination durch Konfiguration statt Code.

Nicht-technische Konfiguration ist ein weiterer großer Vorteil. Wenn juristische Redakteure oder Fachexperten Prompts basierend auf Genauigkeitstests verfeinern müssen, ist der Admin-UI-Zugang immer besser, als auf die Verfügbarkeit von Entwicklern zu warten. Ihr Iterationszyklus verkürzt sich von Tagen auf Minuten.

Wenn Sie Flexibilität bei KI-Providern wünschen – testen, ob Claude für Ihren spezifischen Anwendungsfall besser abschneidet als GPT, oder Optionen offen halten, während sich die KI-Landschaft weiterentwickelt – abstrahiert AI Automators den provider-spezifischen Code. Wechseln Sie Modelle über die Konfiguration, nicht über Code-Deployment.

Schnelle Iteration während der Entwicklung und des Testens wird unkompliziert. Klonen Sie einen Automator, passen Sie Prompts an, testen Sie mit echten Dokumenten, vergleichen Sie Ergebnisse. Keine Git-Branches, keine Deployment-Pipelines – einfach konfigurieren, testen, verfeinern.

Schließlich hilft AI Automators bei der Standardisierung. Wenn mehrere Inhaltstypen eine ähnliche KI-Verarbeitung benötigen, verhindert die Erstellung wiederverwendbarer Workflow-Muster Code-Duplikation und gewährleistet Konsistenz.

Wann benutzerdefinierter Code sinnvoller ist

Benutzerdefinierter Code bleibt die bessere Wahl für hochspezialisierte Logik, die nicht in das Workflow-Modell passt. Wenn Ihre Geschäftsregeln komplexe bedingte Verzweigungen, externe Systemorchestrierung oder algorithmische Verarbeitung jenseits von KI-Aufrufen beinhalten, bieten benutzerdefinierte Services die volle Kontrolle.

Leistungskritische Pfade könnten ebenfalls benutzerdefinierten Code rechtfertigen. Während AI Automators nur minimalen Overhead hinzufügt, kann bei der Verarbeitung von Tausenden von Dokumenten pro Stunde, bei denen jede Millisekunde zählt, die direkte API-Integration Abstraktionsebenen eliminieren.

Bei komplexen Integrationen mit mehreren externen Systemen und komplexen Koordinationsanforderungen bietet benutzerdefinierter Code die Flexibilität, Grenzfälle zu behandeln, die die Workflow-Konfiguration nicht leicht ausdrücken kann.

Und manchmal hat man einfach eine einzelne, einfache Operation – einen API-Aufruf, unkomplizierte Verarbeitung. Workflow-Orchestrierung hinzuzufügen wäre übertrieben. Direkte Integration ist sauberer.

Die Entscheidung von BetterRegulation

BetterRegulation entschied sich für AI Automators, weil ihre Anforderungen perfekt zu den Stärken des Moduls passten. Sie hatten mehrere Workflow-Schritte – PDF-Extraktion, Textbereinigung, KI-Analyse, Ergebnis-Parsing und Feldbefüllung – die Orchestrierung benötigten. Ihre juristischen Redakteure, die Fachexperten, die die Taxonomie-Nuancen am besten verstanden, mussten Prompts verfeinern können, ohne über Entwickler gehen zu müssen. Sie wollten die Flexibilität, verschiedene KI-Modelle zu testen, während sich die Landschaft weiterentwickelte. Ein konsistenter Ansatz über alle Dokumenttypen hinweg war für die Wartbarkeit unerlässlich. Und während der Entwicklung war schnelle Iteration wichtiger als jede Millisekunde an Leistung herauszuholen.

Das Ergebnis: schnellere initiale Entwicklung, einfachere laufende Wartung und mehr Flexibilität zur Anpassung an sich entwickelnde Anforderungen.

Lesen Sie auch: AGENTS.md Tool: Wie KI die Drupal-Arbeit tatsächlich beschleunigt

Wie funktionieren AI Automator-Entitäten?

Das Verständnis der grundlegenden Bausteine von AI Automators hilft Ihnen, effektive Workflows zu entwerfen. Das Modul organisiert die Verarbeitung um drei Schlüsselkonzepte, die zusammenarbeiten, um Eingaben in Ausgaben umzuwandeln.

Das Kernkonzept

Ein AI Automator im Modul kann entweder eine einzelne KI-Operation oder einen vollständigen mehrstufigen Workflow darstellen. Wenn mehrere Schritte zusammenarbeiten müssen, erstellen Sie eine AI Automator Chain – eine Sequenz, bei der die Ausgabe jeder Operation zur Eingabe der nächsten wird.

Aufbau einer AI Automator Chain:

Eine Automator Chain enthält drei Hauptteile: Automator Base Fields, die die Eingabedaten liefern (wie eine hochgeladene PDF-Datei), Ausgabefelder, die die Ergebnisse jedes Verarbeitungsschritts speichern (wie extrahierter Text und KI-Antworten), und die Chain-Konfiguration, die die Abfolge der Operationen definiert (Text aus PDF extrahieren, mit KI analysieren, Ergebnisse parsen und Felder befüllen).

Automator-Basisfeld (Eingabe)

Das Automator Base Field ist der Modulbegriff für die Eingabedatenquelle. Dieses Feld liefert das Rohmaterial, das Ihr Workflow verarbeiten wird – ob es sich um eine PDF-Datei, Textinhalt, ein Bild oder andere Daten handelt, die eine Transformation oder Analyse erfordern.

In der BetterRegulation-Implementierung ist das Automator Base Field field_pdf_file, das das hochgeladene PDF-Dokument enthält, das durch die Extraktions- und Analyse-Pipeline fließt. Das Modul kann auch den Automator Input Mode verwenden, um zwischen dem Basismodus (ein Feld) oder dem erweiterten Modus (mehrere Felder über Token) auszuwählen, was Ihnen Flexibilität bei der Dateneingabe in Ihren Workflow gibt.

Ausgabefelder (Ergebnisse)

Ausgabefelder (in der Dokumentation manchmal als AI Automator Output Fields bezeichnet) speichern Zwischen- und Endergebnisse der Workflow-Ausführung. Im Gegensatz zum Automator Base Field, das die Roheingabe enthält, erfassen Ausgabefelder den „Nachher"-Zustand – was aus jedem Verarbeitungsschritt in Ihrer Chain hervorgeht.

Typische Ausgabefelder umfassen extrahierten Text aus PDFs, rohe KI-Antworten (normalerweise JSON), Verarbeitungsmetadaten wie Zeitstempel und Token-Anzahl sowie Fehlermeldungen, wenn etwas schiefgeht. In einer AI Automator Chain bilden diese Felder eine Pipeline, bei der die Ausgabe eines Schritts zur Eingabe des nächsten wird.

Die BetterRegulation-Implementierung verwendet field_extracted_text zum Speichern des bereinigten Textes, der aus PDFs extrahiert wurde, und field_ai_response zum Speichern der rohen JSON-Antwort von GPT-4o-mini. Diese Trennung der Zuständigkeiten erweist sich auf mehrere Arten als wertvoll.

Separate Ausgabefelder ermöglichen das Debugging, indem Sie inspizieren können, was bei jedem Schritt passiert ist. Sie unterstützen Caching-Strategien, bei denen extrahierter Text für verschiedene Prompts wiederverwendet werden kann, ohne das PDF erneut zu verarbeiten. Sie bieten Audit-Funktionen, indem sie genau nachverfolgen, was die KI zurückgegeben hat, bevor Parsing oder Transformation stattfanden. Und sie ermöglichen Wiederverarbeitungs-Workflows, bei denen spätere Schritte erneut ausgeführt werden können, ohne frühere Daten erneut zu extrahieren – besonders nützlich bei der Verfeinerung von Prompts.

Chain-Konfiguration

Die Chain-Konfiguration definiert Ihren Workflow – die Abfolge der AI Automators, die in Reihenfolge ausgeführt werden. Hier lebt Ihre mehrstufige Logik. Laut der Moduldokumentation werden Chains als temporäre, bündelbare Entitäten mit einem Feld pro KI-Schritt erstellt, die Daten durch mehrere Stufen innerhalb eines einheitlichen Workflows verarbeiten.

Jeder Schritt in der Chain hat vier Schlüsselkomponenten. Der Typ definiert, welche Operation durchzuführen ist – ob Textextraktion, KI-Analyse, Parsing oder eine andere Operation – in der Terminologie des Moduls kann dies ein Text-Completion-Automator, ein Bildanalyse-Automator oder ein benutzerdefiniertes Automator-Plugin sein. Die Quelle gibt an, welche Felder als Eingabe verwendet werden sollen, indem Daten entweder aus dem Automator Base Field oder aus den Ausgabefeldern vorheriger Schritte gezogen werden. Die Konfiguration enthält parameter, die für diesen Schritt spezifisch sind, wie den Automator Prompt, die Modellauswahl oder Verarbeitungsoptionen. Und die Ausgabe bestimmt, in welches Feld die Ergebnisse geschrieben werden, sodass sie für nachfolgende Schritte oder die endgültige Verwendung verfügbar sind.

Das Modul verwendet auch Automator Weight, um die Ausführungsreihenfolge zu steuern, wenn mehrere Automators auf dasselbe Feld angewendet werden – ein niedrigeres Gewicht wird zuerst ausgeführt.

Wie baut man einen mehrstufigen KI-Workflow mit Ketten auf?

Lassen Sie uns den Dokumentenzusammenfassungs-Workflow von BetterRegulation als AI Automator Chain aufbauen – einen mehrstufigen Prozess, bei dem die Ausgabe jedes Automators in den nächsten einfließt.

Chain-Beispiel: Dokumentenzusammenfassung

Ziel: drei Zusammenfassungstypen (lang, kurz, Pflichten) aus einem PDF-Dokument generieren.

Chain-Schritte:

Die Chain besteht aus vier aufeinanderfolgenden AI Automators. Zuerst wird die PDF-Datei an Unstructured.io zur Textextraktion gesendet, was bereinigten Text in einem Ausgabefeld erzeugt. Zweitens geht dieser Text an GPT-4o-mini mit einem Prompt, der eine umfassende lange Zusammenfassung anfordert. Drittens wird die lange Zusammenfassung durch einen weiteren GPT-Aufruf in eine Kurzversion verdichtet. Schließlich wird der ursprünglich extrahierte Text erneut mit einem anderen Prompt analysiert, der sich speziell auf die Extraktion rechtlicher Pflichten konzentriert.

Warum diese Reihenfolge?

Dieses Workflow-Design spiegelt praktische Einschränkungen und Optimierungsmöglichkeiten wider. Parallele Verarbeitung ist nicht möglich, weil die Kurzzusammenfassung von der Langzusammenfassung abhängt – man kann nicht verdichten, was noch nicht existiert. Der extrahierte Text wird über mehrere Zusammenfassungsoperationen hinweg wiederverwendet, anstatt das PDF dreimal zu extrahieren, was Verarbeitungszeit und API-Kosten spart.

Schritt 1: PDF → Text (Unstructured.io)

Der erste Schritt verwendet ein benutzerdefiniertes Textextraktions-Plugin, das sich mit Unstructured.io integriert. Der Automator ruft das PDF aus dem Automator Base Field ab, sendet es an die Unstructured.io-API mit aktivierter hochauflösender Layout-Analyse, erhält strukturierte Elemente zurück (Titel, Absätze, Listenpunkte), filtert Rauschen wie Kopf- und Fußzeilen heraus, verkettet den bereinigten Inhalt mit korrekten Abständen und speichert das Ergebnis in einem Ausgabefeld. Dies erzeugt sauberen, KI-bereiten Text aus komplexen PDF-Layouts.

Schritt 2: Text → Langzusammenfassung (GPT)

Der zweite Schritt nutzt die integrierte Text-Completion-Funktion von AI Automators. Er nimmt den extrahierten Text und sendet ihn an OpenAIs GPT-4o-mini-Modell mit einem Prompt, der eine umfassende Zusammenfassung anfordert, die sich auf den Zweck des Dokuments, den Umfang, betroffene Parteien, Schlüsselthemen und den Kontext konzentriert. Die Temperature-Einstellung ist niedrig (0,3), um konsistente, faktische Zusammenfassungen statt kreativer Variationen sicherzustellen. Der Prompt verwendet Token-Substitution, um den extrahierten Text dynamisch einzufügen, und die KI-Antwort wird in einem weiteren Feld für die Verwendung in nachfolgenden Schritten gespeichert.

Schritt 3: Langzusammenfassung → Kurzzusammenfassung (GPT)

Der dritte Schritt nimmt die Langzusammenfassung aus Schritt 2 und verdichtet sie mit einem anderen Prompt, der auf Destillation statt Erstellung ausgerichtet ist. Dieser Ansatz verwendet weniger Token, da er eine Zusammenfassung statt des vollständigen Dokumenttexts verarbeitet. Die Beibehaltung als separater Schritt ermöglicht die Neugenerierung der Kurzzusammenfassung, ohne die Langzusammenfassung neu generieren zu müssen, und macht es einfacher, jeden Zusammenfassungstyp unabhängig basierend auf Benutzerfeedback zu optimieren.

Wie verwaltet man Prompts in AI Automators?

Eine der leistungsstärksten Funktionen von AI Automators ist die Möglichkeit, Prompts über die Admin-UI zu verwalten, anstatt sie fest zu codieren. Dies ermöglicht schnelle Iteration und gibt Fachexperten direkte Kontrolle über die Workflow-Verfeinerung.

Speichern und Bearbeiten von Prompts

Admin-UI-Standort: /admin/config/ai/automators für die Verwaltung von Automators und Chains. Jeder Automator kann einen Automator Prompt haben, der über die Admin-Oberfläche konfiguriert wird.

Vorteile von UI-verwalteten Prompts:

Die Verwaltung von Automator Prompts über die UI statt der Fest-Codierung bringt mehrere Vorteile. Sie können Prompts ohne Codeänderungen bearbeiten – keine Deployments, keine Git-Commits, kein Warten auf CI/CD-Pipelines. Nicht-Entwickler – die Redakteure und Fachexperten, die Inhalts-Nuancen tatsächlich verstehen – können Prompts selbst verfeinern, ohne Entwickler einbeziehen zu müssen. A/B-Tests werden unkompliziert: Chain-Konfiguration klonen, den Automator Prompt ändern, mit echten Dokumenten testen und Ergebnisse vergleichen. Die Versionskontrolle bleibt intakt, weil Automator Prompts in der Drupal-Konfiguration leben, die exportiert, nachverfolgt und zurückgerollt werden kann, genau wie Code. Und der Iterationszyklus verkürzt sich von Tagen auf Minuten – Prompt ändern, auf Speichern klicken, sofort testen.

BetterRegulation-Workflow:

1. Entwickler erstellt den initialen Prompt.
2. Juristischer Redakteur überprüft und schlägt Verbesserungen vor.
3. Prompt in der Admin-UI bearbeiten.
4. Mit 10–20 Dokumenten testen.
5. Genauigkeit messen.
6. Verfeinern und wiederholen.

Ergebnis: Prompts verbesserten sich durch Iteration von 85 % auf 95 % Genauigkeit.

Token-Einbindung

Automators unterstützt dynamische Token-Ersetzung, mit der Sie Prompts erstellen können, die sich an den verarbeiteten Inhalt anpassen.

Die verfügbaren Token umfassen {{ field_name }}, um auf jedes Feld aus dem Automator Base Field oder den Ausgabefeldern vorheriger Verarbeitungsschritte zu verweisen, {{ node:title }} für den Node-Titel, {{ node:created }} für das Erstellungsdatum, {{ user:name }} für den aktuellen Benutzer und benutzerdefinierte Token, die Sie über hook_token_info() definieren. Diese Flexibilität bedeutet, dass Ihre Prompts auf Entitätsdaten, Benutzerkontext oder jedes andere Drupal-Token verweisen können.

Prompts können mehrere Token verwenden, um kontextbewusste Anweisungen zu erstellen. Beispielsweise könnte ein Prompt den Inhaltstyp, den Titel, das Erstellungsdatum und die Benutzerrolle referenzieren, um Zusammenfassungen zu generieren, die auf bestimmte Zielgruppen oder Dokumenttypen zugeschnitten sind – alles über einfache Token-Platzhalter, die während der Ausführung automatisch ersetzt werden.

Lesen Sie auch: LangChain vs. LangGraph vs. Raw OpenAI: Wie Sie Ihren RAG-Stack wählen

Wie integriert man AI Automators mit Drupal-Formularen?

AI Automators können von Drupals Inhaltsbearbeitungsformularen ausgelöst werden und geben Redakteuren die direkte Kontrolle darüber, wann die Verarbeitung erfolgt. Der Implementierungsansatz hängt davon ab, ob Sie sofortige Ergebnisse benötigen oder die Verarbeitung im Hintergrund erfolgen kann.

AI Automators über die Benutzeroberfläche auslösen

Option 1: Button-Klick (Echtzeit-Verarbeitung)

Für die Dokumentenkategorisierung fügt BetterRegulation dem Inhaltsbearbeitungsformular über Drupals Form-Alter-System einen „Mit KI generieren"-Button hinzu. Beim Klicken löst der Button einen AJAX-fähigen Handler aus, der während der Verarbeitung eine Fortschrittsanzeige zeigt. Der Handler lädt die Automator-Konfiguration, übergibt die hochgeladene PDF-Datei, führt den Workflow aus, ruft die JSON-Antwort der KI ab, parst sie und befüllt Formularfelder mit den extrahierten Werten. Das Formular wird automatisch neu aufgebaut, um die befüllten Felder anzuzeigen, sodass Redakteure vor dem Speichern überprüfen und anpassen können.

Option 2: Automatische Auslösung – Hintergrundverarbeitung

Für die Zusammenfassungsgenerierung nutzt das System Drupals Entity-Hooks, um die Verarbeitung automatisch in die Warteschlange einzureihen, wenn ein Dokument erstellt oder aktualisiert wird. Das Warteschlangensystem fügt einen Job mit einem 15-minütigen Verzögerungszeitstempel hinzu, um sicherzustellen, dass das Dokument Zeit hat, sich zu stabilisieren, bevor die kostspielige KI-Verarbeitung beginnt. Dieser Ansatz erfordert keine Benutzerinteraktion – Zusammenfassungen werden automatisch im Hintergrund generiert.

Ein KI-gesteuerter Workflow für automatisierte Dokumentenzusammenfassungen, implementiert für eine bessere Rechtsetzung
 

Die vollständige Fallstudie zu KI-Dokumentenzusammenfassungen finden Sie hier →

Echtzeit- vs. Hintergrundverarbeitung

Echtzeit (synchron):

Verwenden Sie Echtzeit-Verarbeitung, wenn Benutzer sofortige Ergebnisse benötigen. Dokumentenkategorisierung ist ein gutes Beispiel – Redakteure laden ein PDF hoch, klicken auf „Mit KI generieren" und warten, während Felder befüllt werden. Die Verarbeitung dauert typischerweise 10 Sekunden bis 2 Minuten. Die UX umfasst eine Fortschrittsanzeige und AJAX-Formular-Updates, die befüllte Felder zeigen, sobald sie verfügbar sind.

Hintergrund (asynchron):

Hintergrundverarbeitung funktioniert, wenn Ergebnisse nicht sofort benötigt werden. Zusammenfassungsgenerierung passt in dieses Muster – Redakteure brauchen Zusammenfassungen nicht, um ihre Arbeit abzuschließen, sodass die Verarbeitung später erfolgen kann. Die Dauer kann länger sein, da sie die Benutzerarbeit nicht blockiert, und Zusammenfassungen erscheinen einfach, wenn sie fertig sind, ohne Wartezeit.

Der Ansatz von BetterRegulation:

Die Kategorisierung läuft in Echtzeit, weil Redakteure die befüllten Felder vor dem Speichern des Dokuments benötigen – die Taxonomie-Zuordnungen sind Teil des Kern-Workflow zur Inhaltserstellung. Zusammenfassungen laufen im Hintergrund, weil keine Eile besteht und sie den redaktionellen Workflow nicht blockieren sollten. Redakteure können Dokumente sofort erstellen, kategorisieren und speichern, während Zusammenfassungen hinter den Kulissen generiert werden.

Benutzer-Feedback während der Verarbeitung

Für die Echtzeit-Verarbeitung zeigt das System einen Throbber (rotierende Anzeige) mit einer geschätzten Zeitmeldung an und hält die Benutzer während der Verarbeitung informiert. Nach Abschluss zeigen Erfolgsmeldungen an, wie viele Felder befüllt wurden, und erinnern Redakteure daran, die Ergebnisse zu überprüfen. Fehlermeldungen liefern spezifische Gründe für das Scheitern und helfen Redakteuren zu verstehen, was schiefgelaufen ist und ob sie es erneut versuchen oder das Dokument manuell bearbeiten sollten.

Warteschlangen-Integration mit RabbitMQ

Für zeitintensive KI-Operationen bieten Warteschlangen entscheidende Vorteile gegenüber synchroner Verarbeitung. BetterRegulation nutzt RabbitMQ für die Hintergrundverarbeitung mit einem cleveren Verzögerungsmechanismus, der redundante API-Aufrufe verhindert.

Warum die Automator-Ausführung in Warteschlangen einreihen?

Synchrone Verarbeitung schafft in Produktionsumgebungen mehrere Probleme. UI-Blockierung bedeutet, dass Benutzer 30–60 Sekunden warten, während die Verarbeitung abgeschlossen wird, ohne andere Arbeit erledigen zu können. Timeout-Risiko entsteht, wenn lange Verarbeitungsoperationen die PHP- oder Webserver-Timeout-Grenzen überschreiten und Fehler verursachen. Redundante Verarbeitung tritt auf, wenn ein Redakteur fünf schnelle Bearbeitungen hintereinander vornimmt und fünf teure KI-Aufrufe für im Wesentlichen dasselbe Dokument auslöst. Und Spitzenlast-Probleme entstehen, weil die gesamte Verarbeitung während der Geschäftszeiten erfolgt, wenn die Server bereits ausgelastet sind.

Warteschlangen lösen diese Probleme elegant. Hintergrundverarbeitung ist nicht-blockierend – Benutzer arbeiten weiter, während die Verarbeitung im Hintergrund erfolgt. Worker, die außerhalb des Web-Request-Zyklus arbeiten, haben unbegrenzt Zeit, wodurch Timeout-Bedenken entfallen. Der Verzögerungsmechanismus (mehr dazu gleich) verhindert redundante Verarbeitung, indem mehrere schnelle Bearbeitungen konsolidiert werden. Und Lastverteilung wird möglich – Dokumente können während der Nebenzeiten verarbeitet werden, wenn Serverressourcen besser verfügbar sind.

Die 15-Minuten-Verzögerung erklärt

Das Problem, dem BetterRegulation gegenüberstand:

Redakteure würden:

1. Dokument erstellen (löst Zusammenfassungsgenerierung aus).
2. Feststellen, dass der Titel falsch ist (bearbeiten und speichern).
3. Weitere Metadaten hinzufügen (bearbeiten und speichern).
4. Tippfehler korrigieren (bearbeiten und speichern).
5. Finale Überprüfung (bearbeiten und speichern).

Ergebnis: 5 Speichervorgänge in 10 Minuten = 5 teure KI-Zusammenfassungsgenerierungen für dasselbe Dokument.

Die Lösung: Warteschlangen-Ausführung verzögern

Die Implementierung prüft, ob ein Dokument bereits in der Warteschlange ist. Wenn ja, setzt das System einfach den Verzögerungstimer auf 15 Minuten ab jetzt zurück. Wenn nicht, erstellt es ein neues Warteschlangenelement mit einem 15-minütigen Verzögerungszeitstempel. Warteschlangen-Worker überprüfen den Verzögerungszeitstempel vor der Verarbeitung – wenn die Verzögerung noch nicht abgelaufen ist, reihen sie das Element für später erneut ein. Wenn sie abgelaufen ist, fahren sie mit der Zusammenfassungsgenerierung fort.

Ergebnis: Ein Redakteur, der 5 Bearbeitungen in 10 Minuten vornimmt, löst nur einen KI-Aufruf aus (15 Minuten nach der letzten Bearbeitung), wodurch 4 unnötige API-Aufrufe und die damit verbundenen Kosten eingespart werden.

Die Verzögerungsdauer ist über Drupals Konfigurationssystem konfigurierbar, sodass Administratoren das Timing basierend auf den Workflows ihrer Redakteure und Kostenüberlegungen anpassen können.

RabbitMQ + Drupal-Integration

Warum RabbitMQ?

RabbitMQ bietet zuverlässige Nachrichtenzustellung, Persistenz, die Serverneustarts übersteht, ein Bestätigungssystem, das verlorene Jobs verhindert, Dead-Letter-Queues zur Behandlung fehlgeschlagener Jobs und einfache Skalierbarkeit durch Hinzufügen weiterer Worker.

Hinweis: BetterRegulation hatte RabbitMQ bereits in ihrem Projekt für andere Warteschlangen-Anforderungen konfiguriert. Die KI-Implementierung nutzte diese bestehende Infrastruktur.

Das Setup umfasst die Installation des Drupal RabbitMQ-Moduls via Composer, die Konfiguration der Verbindungsdaten in settings.php (Host, Port, Benutzername, Passwort, virtueller Host) und die Definition von Queue-Services in einer services.yml-Datei. Die Konfiguration verbindet Drupals Warteschlangensystem mit RabbitMQ und ersetzt die standardmäßige datenbankbasierte Warteschlange.

Worker-Konfiguration

Supervisor (Prozess-Manager):

BetterRegulation verwendet Supervisor zur Verwaltung der Queue-Worker. Die Konfiguration führt 2 Worker-Prozesse kontinuierlich aus, die jeweils die Warteschlange 1 Stunde lang verarbeiten, bevor sie zur Vermeidung von Speicherlecks neu gestartet werden. Wenn ein Worker abstürzt, startet Supervisor ihn automatisch neu und hält so eine konsistente Verarbeitungskapazität aufrecht. Alle Ausgaben werden zur Fehlersuche protokolliert.

Für die lokale Entwicklung bindet Docker Compose die Supervisor-Konfiguration ein und startet supervisord. Für die Produktion führt Kubernetes Worker-Pods mit Ressourcenlimits (512Mi Speicher, 500m CPU) und Replikat-Konfiguration (3 Worker für Redundanz und Durchsatz) aus. Dieser Container-basierte Ansatz gewährleistet konsistentes Worker-Verhalten über alle Umgebungen hinweg.

Wie überwacht und debuggt man AI Automators?

KI-Workflows in der Produktion benötigen umfassende Überwachung, um Fehler zu erkennen, die Leistung zu verfolgen und Kosten zu optimieren. Das Modul integriert sich in Drupals Logging-System und kann mit benutzerdefinierten Überwachungslösungen erweitert werden.

Watchdog-Integration

AI Automators protokolliert automatisch in Drupals Watchdog-System. Sie können dies erweitern, indem Sie benutzerdefinierte Hooks implementieren, die Ausführungszeiten für jeden Schritt protokollieren, nachverfolgen, welcher Automator ausgeführt wurde, und detaillierte Fehlerinformationen einschließlich Stack-Traces erfassen, wenn die Verarbeitung fehlschlägt. Einige Implementierungen senden auch Admin-Benachrichtigungen bei Fehlern, um sicherzustellen, dass Probleme nicht unbemerkt bleiben.

Admin-Ansichten für den Verarbeitungsstatus

Erstellen Sie eine Admin-Ansicht unter /admin/reports/ai-processing-status, die kürzlich verarbeitete Dokumente mit ihrem Status (Erfolg/Fehlgeschlagen/Warteschlange), der Verarbeitungsdauer, der Token-Nutzung und eventuellen Fehlermeldungen anzeigt. Fügen Sie Felder für Node-Titel und Link, Verarbeitungszeitstempel, Statusanzeige, Dauer und Fehlerdetails hinzu. Ergänzen Sie Filter für Status, Datumsbereich und Inhaltstyp, damit Administratoren problematische Dokumente schnell finden oder Muster analysieren können. Sortieren Sie nach Zeitstempel absteigend, um die zuletzt verarbeiteten Dokumente zuerst anzuzeigen.

Behandlung fehlgeschlagener Jobs

Implementieren Sie automatische Wiederholungslogik für vorübergehende Fehler wie Netzwerkfehler oder API-Timeouts. Das System versucht die Verarbeitung bis zu 3-mal, bevor es aufgibt, wobei bei jedem Wiederholungsversuch ein Versuchszähler inkrementiert wird. Nicht-wiederholbare Fehler (wie fehlerhafte Daten) scheitern sofort ohne Wiederholungsversuche.

Konfigurieren Sie RabbitMQ mit Dead-Letter-Queues, damit fehlgeschlagene Jobs automatisch in eine separate Warteschlange zur Admin-Überprüfung verschoben werden, anstatt zu verschwinden. Dies stellt sicher, dass kein Dokument verloren geht – Administratoren können fehlgeschlagene Jobs inspizieren, zugrunde liegende Probleme beheben und bei Bedarf manuell wiederholen.

Lesen Sie auch: Wie Sie KI-Chatbot-Antworten mit intelligentem Caching beschleunigen

Praxisbeispiel: BetterRegulation

Schauen wir uns die tatsächlichen Produktions-Chains von BetterRegulation an, um zu sehen, wie die zuvor behandelten Konzepte zusammenwirken. Diese Beispiele zeigen reale Konfigurationsentscheidungen und die Begründungen dahinter.

Chain-Beispiel: Dokumentenkategorisierung

Die Dokumentenkategorisierungs-Chain nimmt eine PDF-Datei als Automator Base Field und erzeugt extrahierten Text und KI-Antwort-JSON als Zwischen-Ausgabefelder. Sie führt drei Automators in Folge aus: erstens Text aus dem PDF mit Unstructured.io und hochauflösender Analyse extrahieren; zweitens den extrahierten Text an GPT-4o-mini mit einem umfassenden Automator Prompt senden, der alle Taxonomie-Optionen enthält, und JSON-Ausgabe anfordern (Temperature 0,1 für Konsistenz, max. 2000 Token); drittens die JSON-Antwort parsen und die Taxonomie- und Metadatenfelder des Nodes befüllen.

Chain-Beispiel: Zusammenfassungsgenerierung

Die Zusammenfassungsgenerierungs-Chain beginnt ebenfalls mit einer PDF-Datei als Basisfeld und erstellt vier Ausgabefelder: extrahierter Text, Langzusammenfassung, Kurzzusammenfassung und Pflichtenzusammenfassung. Sie führt vier Automators in Folge aus: Text extrahieren (wie bei der Kategorisierung), eine umfassende Langzusammenfassung aus dem vollständigen Text generieren, diese Langzusammenfassung in eine Kurzversion verdichten und rechtliche Pflichten aus dem vollständigen Text mit einem spezialisierten Prompt extrahieren. Diese Chain wird vom Warteschlangensystem ausgelöst und läuft im Hintergrund mit einer 15-minütigen Verzögerung.

Lesen Sie auch: Echtzeit-Datensynchronisation für RAG. Wie Sie das Wissen Ihres KI-Chatbots aktuell halten

Best Practices für AI Automators

Diese Erkenntnisse stammen aus der BetterRegulation-Implementierung und können Ihnen helfen, häufige Fallstricke zu vermeiden. Wenden Sie sie beim Entwerfen Ihrer KI-Workflows an, um wartbarere und zuverlässigere Systeme aufzubauen.

1. Für Debugging entwerfen

Fügen Sie Zwischen-Ergebnisfelder ein – extrahierter Text, rohe KI-Antworten und Verarbeitungsprotokolle. Wenn etwas schiefgeht, können Sie die Ausgabe jedes Schritts inspizieren, um genau zu bestimmen, wo der Fehler aufgetreten ist – ob bei der PDF-Extraktionsqualität, der KI-Antwortformatierung oder der Feldbefüllungslogik.

2. Modulare Prompts

Vermeiden Sie es, einen massiven Prompt zu erstellen, der alles versucht. Trennen Sie stattdessen Prompts nach Zuständigkeiten – einen Prompt für die Kategorisierung, der sich auf Taxonomie-Zuordnung konzentriert, einen anderen für die Zusammenfassung, der sich auf klare Erklärungen konzentriert, und einen dritten für die Pflichtenextraktion, der sich auf Anforderungen konzentriert.

Dieser modulare Ansatz bringt mehrere Vorteile. Jeder Prompt wird einfacher zu optimieren, weil Sie für eine bestimmte Aufgabe tunen, anstatt konkurrierende Anforderungen zu jonglieren. Sie können Prompts unabhängig testen und isolieren, was funktioniert und was nicht. Prompts werden über Workflows hinweg wiederverwendbar – Ihr Zusammenfassungs-Prompt kann für mehrere Inhaltstypen funktionieren. Und Anweisungen bleiben klarer, wenn sie auf ein einzelnes Ziel fokussiert sind, anstatt zu versuchen, alles auf einmal zu kommunizieren.

3. Versionieren Sie Ihre Automator Chains

Behandeln Sie Ihre AI Automator Chains wie Code – verwenden Sie Drupals Konfigurationsmanagement, um sie zu exportieren. Das Ausführen von drush config:export speichert Ihre Chains und Automators im Config-Verzeichnis (z. B. config/sync/) und stellt sie unter Versionskontrolle neben Ihrem Code.

Dies bringt die Standardvorteile der Versionskontrolle für Ihre KI-Workflows. Sie können Prompt-Änderungen im Zeitverlauf nachverfolgen (da Automator Prompts Teil der Konfiguration sind) und verstehen, was funktioniert hat und was nicht. Rollback wird möglich, wenn eine Prompt-Änderung die Genauigkeit verringert. Und das Deployment über Umgebungen hinweg wird zuverlässig – Entwicklung, Staging und Produktion können Automator- und Chain-Konfigurationen synchronisieren, genau wie sie andere Site-Konfigurationen synchronisieren.

4. Mit echten Daten testen

Erstellen Sie einen Test-Automator, indem Sie Ihre Produktionskonfiguration klonen. Ändern Sie Prompts in der Testversion, verarbeiten Sie 20–30 echte Dokumente und vergleichen Sie die Genauigkeit mit der Produktion. Wenn die Testversion besser abschneidet, befördern Sie sie in die Produktion. Dieser Ansatz ermöglicht sichere Iteration, ohne die Produktionsgenauigkeit zu riskieren.

5. Token-Nutzung überwachen

Implementieren Sie Token-Nutzungs-Logging, das Eingabe- und Ausgabe-Token für jeden Verarbeitungslauf nachverfolgt, Kosten basierend auf aktuellen API-Preisen schätzt und die Daten mit Zeitstempeln speichert. Generieren Sie monatliche Berichte, die verarbeitete Dokumente, verbrauchte Gesamt-Token und geschätzte Kosten zeigen. Diese Transparenz hilft, Kostenspitzen zu erkennen, Prompts für Effizienz zu optimieren und Budgets zu prognostizieren.

6. Graceful Degradation

Planen Sie für Ausfälle, indem Sie die Automator-Ausführung in Try-Catch-Blöcke einwickeln. Wenn die Verarbeitung fehlschlägt, protokollieren Sie den Fehler mit vollständigen Details, setzen Sie Standardwerte, um den Workflow am Laufen zu halten, markieren Sie den Inhalt zur manuellen Überprüfung und erlauben Sie die Veröffentlichung fortzusetzen. Lassen Sie KI-Fehler nicht kritische Workflows blockieren – redaktionelle Prozesse sollten sich graceful verschlechtern, anstatt vollständig anzuhalten.

7. Sicherheit

Validieren Sie alle Eingaben vor der Verarbeitung. Überprüfen Sie Datei-MIME-Typen (nur PDF), erzwingen Sie Größenlimits (z. B. maximal 50 MB) und scannen Sie Uploads auf Malware, wenn Sie benutzereingereichte Dateien verarbeiten. Implementieren Sie Rate-Limiting, um Missbrauch zu verhindern – begrenzen Sie beispielsweise Benutzer auf 20 KI-Verarbeitungsanfragen pro Stunde. Diese Schutzmaßnahmen schützen vor bösartigen Uploads, Ressourcenerschöpfung und Kostenmissbrauch.

AI Automators: Vorteile und Praxisergebnisse

AI Automators verwandelt KI-Integration von komplexem benutzerdefiniertem Code in konfigurierbare Workflows.

Hauptvorteile:

• Konfiguration statt Code – Workflows über die Admin-UI aufbauen.
• Schnelle Iteration – verschiedene Prompts und Modelle schnell testen.
• Zugang für Nicht-Entwickler – Fachexperten können Prompts verfeinern.
• Mehrstufige Orchestrierung – Operationen nahtlos verketten.
• Provider-Abstraktion – zwischen OpenAI, Claude usw. wechseln.
• Produktionsreif – eingebaute Fehlerbehandlung und Protokollierung.

Ergebnisse von BetterRegulation mit AI Automators:

Das Produktionssystem verarbeitet jetzt über 200 Dokumente monatlich mit einer Genauigkeit von über 95 % bei der Kategorisierung. Weniger als 5 % der Felder erfordern eine Korrektur durch Redakteure – ein Genauigkeitsniveau, das den Human-in-the-Loop-Ansatz praktisch statt belastend macht. Die Zeitersparnis erreichte 50 % im Vergleich zur vollständig manuellen Verarbeitung, und ein Vollzeitäquivalent wurde freigesetzt, um sich auf höherwertige Arbeit wie Politikanalyse und strategische Inhaltsplanung zu konzentrieren.

Wenn Sie KI-Funktionen in Drupal entwickeln, reduziert AI Automators (Teil des AI-Moduls) die Entwicklungszeit und Komplexität erheblich. Der Konfigurations-statt-Code-Ansatz bedeutet weniger benutzerdefinierten Code zum Warten, schnellere Iterationszyklen und die Einbeziehung von Fachexperten in die Workflow-Verfeinerung. Ob Sie einen einzelnen AI Automator für eine Operation oder eine AI Automator Chain für komplexe mehrstufige Workflows benötigen – das Modul bietet das Framework, das Sie brauchen.

Starten Sie einfach: Bauen Sie einen Automator für einen Inhaltstyp. Für mehrstufige Workflows erstellen Sie eine AI Automator Chain, die Operationen miteinander verknüpft. Testen Sie gründlich mit echten Daten. Messen Sie Ergebnisse. Erweitern Sie dann auf zusätzliche Inhaltstypen und Workflows und wenden Sie die Erkenntnisse aus der ersten Implementierung an.

Möchten Sie AI Automators in Ihrer Drupal-Plattform implementieren?

Diese Fallstudie basiert auf unserer realen Produktionsimplementierung für BetterRegulation, bei der wir mehrstufige KI-Workflows aufgebaut haben, die monatlich über 200 Dokumente mit einer Genauigkeit von über 95 % verarbeiten. Das System läuft seit 2024 in der Produktion und liefert konsistente Ergebnisse mit automatisierter Dokumentenkategorisierung, Zusammenfassungsgenerierung und Hintergrund-Warteschlangenverarbeitung – bei einer Einsparung von 50 % der manuellen Verarbeitungszeit.

Interessiert am Aufbau von KI-Workflows für Ihre Drupal-Website? Unser Team ist spezialisiert auf die Erstellung produktionsreifer AI Automators-Implementierungen, die Genauigkeit, Leistung und Wartbarkeit in Einklang bringen. Wir übernehmen alles – vom initialen Architekturdesign und der Workflow-Konfiguration bis hin zum Produktions-Deployment und der Optimierung. Besuchen Sie unsere Generative-KI-Entwicklungsservices, um zu erfahren, wie wir Ihnen helfen können, AI Automators für Ihre Content-Workflows zu nutzen.