Trialog-Lernagent: drei KI-Agenten für das Lerncoaching

Im Zentrum steht ein Lerncoaching-Dialog: Der Lernende reflektiert seinen Lernstand, der Lerncoach begleitet und moderiert, und der KI-Lernagent liefert die faktische Grundlage und die passenden sprachlichen Impulse. Der Coach behält die Gesprächsführung — die KI ist Zuarbeiter und Sparringspartner, nicht Ersatz.

Jeder Agent hat eine klar abgegrenzte Aufgabe, eigene RAG-Quellen und ein definiertes Ausgabeformat (JSON). Sie arbeiten sequenziell auf einem geteilten Lernenden-Kontext: Agent 1 liefert das fachliche Kompetenzprofil, Agent 2 das Lernstrategie-Profil, Agent 3 nutzt beide für den Dialog.

Die Agenten kommunizieren nicht frei miteinander, sondern über einen Orchestrator und einen geteilten Lernenden-Kontext (Blackboard-Muster). Jeder Agent liest den bisherigen Kontext, schreibt sein Ergebnis als strukturiertes JSON zurück und übergibt an den nächsten. Das macht die Kette nachvollziehbar, protokollierbar (DSGVO) und in n8n als Sub-Workflows abbildbar.

Nachrichten-Kontrakt. Damit die Agenten entkoppelt bleiben, tauschen sie ein festes JSON-Schema aus. So sieht der geteilte Kontext nach Agent 1 & 2 aus — Agent 3 erhält genau dieses Objekt als Eingang:

// session_context — geteilter Lernenden-Kontext
{
  "session_id": "2026-09-07-lernende-4711",
  "lernende_pseudonym": "LN-4711",      // keine Klarnamen im LLM-Kontext
  "quelle": { "typ": "github", "repo": "portfolio-ln4711" },
  "agent1_kompetenzprofil": [
    { "lernfeld": "LF6 Serviceanfragen", "soll_stufe": "B2",
      "ist_stufe": "B1", "nachweis": ["ticket-doku.md"], "luecke": "Analyse fehlt" }
  ],
  "agent2_strategieprofil": {
    "genutzte_strategien": ["Wiederholen", "Markieren"],
    "empfohlene_strategien": ["Elaboration", "Selbstbefragung"],
    "selbstregulation": "emergent"
  },
  "agent3_dialog": { "status": "laufend", "lernvereinbarung": null }
}

Der Kern von Agent 3 ist eine Stufenlogik: Die sechs Stufen A1–C2 werden auf die sechs kognitiven Ebenen der Bloomschen Taxonomie abgebildet. Agent 3 bestimmt aus dem Kompetenzprofil die aktuelle Stufe und wählt Ressourcenwörter und Operatoren der nächsthöheren Stufe, um den Lernenden dorthin zu ziehen (Zone der nächsten Entwicklung). Das ist zugleich die Retrieval-Logik für die RAG-Sammlung „Ressourcenwörter".

Die Wissensbasis ist in getrennte Sammlungen (Collections/Namespaces) in der Vektor-DB aufgeteilt. So kann jeder Agent gezielt nur seine relevanten Quellen abrufen (Retrieval-Filter), statt in einem großen Index zu suchen — das erhöht Präzision und erleichtert Aktualisierung und DSGVO-Löschung pro Sammlung.

Die ersten fünf Sammlungen sind gemeinsames, stabiles Wissen; nur lernprodukte_<LN> ist personenbezogen und wird pro Lernendem angelegt, aktualisiert und bei Bedarf gelöscht.

Alle drei Portfolio-Quellen laufen letztlich auf Text/Markdown-Dokumente hinaus — das vereinfacht die Ingestion. Für jede Quelle gibt es in n8n einen nativen Node oder einen HTTP-Zugang.

Die Architektur wird auf fünf Workflows abgebildet: eine Ingestion-Pipeline, drei Agenten als eigenständige Sub-Workflows und ein Orchestrator, der sie über Execute Workflow aufruft. Jeder Agent nutzt den AI-Agent-Node (LangChain) mit einem Vector-Store-Retriever als Werkzeug — das ist genau die RAG-Anbindung.

Auf dieser Struktur aufbauend entstehen im zweiten Schritt die konkreten, importierbaren n8n-Workflow-Dateien (JSON). Vorgeschlagene Reihenfolge:

1. WF-0 Ingestion zuerst — ohne indexierte Wissensbasis können die Agenten nichts abrufen. Startpunkt: eine Quelle (z. B. GitHub) + Qdrant.
2. WF-1 Agent 1 als Referenz-Agent mit AI-Agent-Node, Retriever-Tool und Structured-Output-Parser — daran orientieren sich WF-2 und WF-3.
3. WF-2 Agent 2 als Variante von WF-1 mit anderer Sammlung und anderem System-Prompt.
4. WF-3 Agent 3 mit Chat-Trigger, Gesprächsspeicher und Human-in-the-loop-Freigabe.
5. WF-4 Orchestrator zuletzt, wenn die Einzelteile laufen.