6 Wochen bis zum produktiven AI-Agenten: 3 zentrale Erkenntnisse von Tiger Data

Das Team von Tiger Data baute in nur 6 Wochen den Slack-AI-Agenten „Eon“, den täglich 50 % der Mitarbeitenden nutzen, und veröffentlichte den gesamten Prozess als Open Source. Im Fokus stand nicht ein Demo-Niveau, sondern echte Produktionsstabilität; entscheidend war, praktische Probleme statt nur LLM-Aufrufe zu lösen, etwa das Beibehalten von Kontext, API-Ausfälle und gleichzeitige Anfragen.

1. Zeitbasierter Speicher, der Zeit versteht (Time-Based Memory)

• Slack sendet nur einzelne Nachrichten, daher fehlt der Kontext früherer Gespräche. Fragen wie „Wie ist das ausgegangen?“ sind schwer zu verarbeiten.
• Lösung: Alle Slack-Nachrichten werden in Echtzeit mit Zeitstempel in TimescaleDB gespeichert. Kontext wird per SQL-Abfrage ermittelt → schnell und stabil ohne API-Limits.

2. Die Fallstricke allgemeiner MCP-Server vermeiden (Custom MCP Servers)

• MCP (Model Context Protocol): ein Standard, mit dem Agenten auf externe Tools wie GitHub oder Linear zugreifen.
• Problem: Offizielle Server enthalten viele unnötige Tools, verschwenden Tokens und machen API-Aufrufe komplex, da oft mehrere Aufrufe nötig sind.
• Lösung: Eigene optimierte MCP-Server gebaut (z. B. tiger-linear-mcp-server). Mit einem einzigen Tool werden alle Informationen auf einmal geholt → mehr Effizienz durch Context Engineering.

3. Produktion wird auf Basis von Fehlern entworfen (Failure-Resilient Design)

• Abstürze, API-Ausfälle und plötzliche Traffic-Spitzen müssen eingeplant werden.
• Lösung: Entwicklung des Frameworks tiger-agents-for-work.
  • Ereignisse werden zuerst in PostgreSQL protokolliert → verhindert Datenverlust.
  • Automatische Wiederholungen (bis zu 3-mal im Abstand von 10 Minuten).
  • Fester Worker-Pool → begrenzt Parallelität und verarbeitet die Queue.
  • Asynchrone Signalisierung → Antwortzeiten im Millisekundenbereich.

Open Source und Einstieg

• Der gesamte Code wurde als tiger-eon veröffentlicht. Mit einem Installationsskript lässt sich in 10 Minuten ein Slack-Agent ausrollen.
• Modular: Slack-Speicher, MCP-Server und Framework können unabhängig voneinander genutzt werden (z. B. Dokumentensuche mit tiger-docs-mcp-server).
• Kernaussage: AI-Agenten benötigen keine spezielle Infrastruktur, sondern lassen sich auf PostgreSQL-Basis mit robuster Ereignisverarbeitung, strukturiertem Speicher und fokussierten Tools aufbauen.