Blank white background with no objects or features visible.

Hallo EMEA! TrueFoundry baut seine Präsenz in Europa, dem Nahen Osten und Afrika weiter aus. Mehr erfahren. →

Agent Skills für Slack MCP: Verbessern sie die Genauigkeit?

Published: November 20, 2026

Auf einen Blick
  • Ein Skill ist genau so viel wert wie die Lücke, die er schließt. Wo Werkzeugnamen die Auswahl bereits eindeutig machen, gelangt ein starkes Modell auch alleine ans Ziel – und eine zu breite Regel kann Arbeiten unterbrechen, die es sonst fertiggestellt hätte.
  • Sonnet mit einem Skill erreichte das Niveau von Opus ohne Skill. Beide bestanden 56 von 63 Aufgaben bei hohem Aufwand (Effort), was 88,9% entspricht. Sonnet kostete 4,28 $ gegenüber 6,81 $ bei Opus – etwa ein Drittel weniger. Opus mit dem Skill bestand 55 von 63 Aufgaben.
  • Sonnet steigerte sich bei mittlerem Aufwand von 74,6% auf 84,1%. Opus blieb bei mittlerem Aufwand in beiden Fällen bei 87,3%.
  • Fable startete über 90% und endete bei 85.7%. Das entspricht 3 oder 4 bestandenen Tests weniger von 63, weshalb das genaue Ausmaß unsicher ist. Die Fehlversuche selbst sind jedoch spezifisch.
  • Die Anzahl der Werkzeugaufrufe (Tool Calls) sank bei jedem Modell. Es gab etwa ein Drittel weniger Aufrufe, und der gesamte Benchmark kostete 44,01 $ gegenüber 46,10 $.
  • Stimmen Sie den Skill auf das Modell ab und kürzen Sie ihn anschließend. Testen Sie eine neue Regel auf dem stärksten Modell, bevor Sie ihr vertrauen.

Wenn Sie Slack über einen Agenten auf Opus ausführen, gibt es hier eine ernüchternde Zahl. Sonnet 4.6 bestand bei hohem Aufwand mit einer 55-zeiligen Skill-Datei 56 von 63 Aufgaben. Das sind 88,9%. Opus 4.8 bei hohem Aufwand ohne Skill bestand ebenfalls 56 von 63 Aufgaben. Sonnets Durchlauf kostete 4,28 $. Der von Opus kostete 6,81 $. Die mediane Aufgabe war auf Sonnet zudem 12% schneller.

Der nahelegende Schritt wäre also, Opus dieselbe Datei zu geben und zuzusehen, wie es davonzieht. Das haben wir getan. Opus mit dem Skill bestand 55 von 63 Aufgaben. Fable 5, das bei über 90% startete, schloss mit 85,7% ab. Bei einem Prompt fiel Opus von 3 von 3 (ohne Skill) auf 0 von 3 (mit Skill) ab, und der Fehler ist keineswegs subtil: Es listete Kanalmitglieder auf, erhielt Benutzer-IDs zurück und hörte auf, weil in der Datei stand: „Führe einen Aufruf aus und halte dann an.“ Sonnet las dieselbe Zeile und suchte trotzdem nach den Namen.

Das Spiegelt das Gesamtergebnis wider. Ein Skill ist genau so viel wert wie die Lücke, die er schließt. Bei einem kleineren Modell ist die Lücke groß, und ein kurzer Index schließt den größten Teil davon – für weniger Geld, als das größere Modell ohne Skill kostet. Bei einem Modell nahe der Leistungsgrenze ist die Lücke schmal, und eine Regel, die für den Zweifelsfall geschrieben wurde, wird genau von dem Modell am getreuesten befolgt, das sie am wenigsten benötigt hätte.

With no skill, the agent works from tool names and often calls again. With a progressive skill, it decides where the content lives, opens one reference file if it needs to, and makes one call.
Ohne Skill arbeitet der Agent auf Basis von Werkzeugnamen und führt häufig erneute Aufrufe durch. Mit einem progressiven Skill entscheidet er, wo die Inhalte liegen, öffnet bei Bedarf eine Referenzdatei und führt genau einen Aufruf aus.

Der Trugschluss: Mehr Anleitung ist immer sicher, und das beste Modell profitiert am meisten

Sobald ein Team sieht, dass ein Skill die Genauigkeit auf einem MCP Server erhöht, folgen meist zwei Annahmen. Erstens: Anleitung hat keine Nachteile, also schreiben Sie die Regeln breit gefasst und lassen Sie sie von jedem Modell lesen. Zweitens: Das stärkste Modell profitiert am meisten, weil es Anweisungen am besten befolgt. Slack widerlegt beides.

Die erste Annahme schlägt fehl, weil ein Skill nur dort hilft, wo dem Modell eine Unterscheidung fehlte. Die meisten Werkzeuge von Slack lassen sich leicht voneinander unterscheiden. Senden, Entwerfen und Planen sind in den Werkzeugnamen eindeutig getrennt, und ein starkes Modell hat diese ohne Hilfe fast jedes Mal richtig hinbekommen. Wo die Werkzeugliste bereits die Arbeit erledigt, kann ein Skill die Genauigkeit nicht steigern. Er kann lediglich eine Regel hinzufügen, die das Modell nicht benötigte – und eine Regel kann zu genau befolgt werden.

Die zweite Annahme schlägt aus demselben Grund fehl, nur umgekehrt betrachtet. Das Modell, das Anweisungen am besten befolgt, ist auch das Modell, das am ehesten „Führe einen Aufruf aus und halte dann an“ genau in dem Moment gehorcht, in dem es etwas Nützliches tun wollte. Opus hatte die Mitgliedernamen bereits von sich aus nachgeschlagen. Fable hatte den DM-Filter bereits von sich aus bestanden. Der Skill hat keinem von beiden etwas beigebracht. Er gab ihnen eine kurze allgemeine Anweisung, und sie befolgten sie wörtlicher, als sie es von sich aus getan hätten.

Der finanzielle Aspekt liegt genau darin. Die Frage ist nicht, ob ein Skill seine Token wert ist. Der mit dem Skill ausgestattete Agent verbrauchte etwas weniger Input-Token und tätigte etwa ein Drittel weniger Aufrufe, sodass sich die Datei schon allein über die Kosten amortisiert hat. Die Frage ist, welches Modell Sie überhaupt benötigen. Wenn ein 55-zeiliger Index es Sonnet ermöglicht, mit Opus gleichzuziehen, hat der Skill nicht nur Token beim Durchlauf gespart. Er hat verändert, welches Modell der Arbeitsaufwand überhaupt erfordert.

TL;DR: Das Beispiel und die Erkenntnis

Das Beispiel. „Wer ist Mitglied von mcp-gateway?“ Die Mitgliederliste gibt Benutzer-IDs zurück. Eine nützliche Antwort schlägt diese IDs nach und liefert Namen. Opus 4.8 bei hohem Aufwand, ohne Skill: 3 von 3 bestanden, listete Mitglieder auf und las dann Profile, um mit Namen zu antworten. Dasselbe Modell, derselbe Prompt, mit dem Skill: 0 von 3 bestanden. Ein Versuch suchte nach dem Kanal, listete die Mitglieder zweimal auf und stoppte. Die Antwort bestand aus Benutzer-IDs ohne Namen. Sonnet 4.6 mit demselben Skill bestand 3 von 3 und schloss die Namensabfragen ab.

Die Zahlen. 21 Slack-Aufgaben, sechs Claude-Einstellungen, jeweils drei Durchläufe. Über alle Modelle hinweg stieg die Genauigkeit von 83,3% auf 86,5%. Bei hohem Aufwand verbesserte sich Sonnet mit dem Skill von 66,7% auf 88,9% – dasselbe Ergebnis wie Opus ohne Skill, für 4,28 $ gegenüber 6,81 $. Opus mit dem Skill lag bei 87,3%. Bei mittlerem Aufwand stieg Sonnet von 74,6% auf 84,1%, während Opus bei 87,3% blieb. Fable fiel bei beiden Einstellungen von über 90% auf 85,7% – ein Rückgang von 3 oder 4 Durchläufen von 63, weshalb das genaue Ausmaß unsicher ist, die spezifischen Fehler jedoch real sind. Die Werkzeugaufrufe pro Aufgabe sanken von 2,52 auf 1,71. Die Gesamtkosten des Benchmarks sanken von 46,10 $ auf 44,01 $.

Die Erkenntnis. Stimmen Sie den Skill auf das Modell ab und kürzen Sie ihn anschließend. Ein Skill hilft dort, wo dem Modell eine Unterscheidung fehlte: eine Funktion, die dem Server fehlt, ein Suchbereich, eine Schreibaktion, die der Benutzer bereits genau vorgegeben hat. Wo die Werkzeugnamen die Auswahl bereits eindeutig machen, gelangt ein starkes Modell alleine ans Ziel, und eine zu breite Regel kann Arbeiten unterbrechen, die es sonst fertiggestellt hätte. Schreiben Sie jede Regel präzise für eine spezifische Unklarheit und testen Sie jede neue Regel auf Ihrem stärksten Modell, bevor Sie ihr vertrauen.

Wie wir Agent Skills auf Slack MCP benchmarkt haben

Dasselbe Design wie beim Linear-Test. Eine Variable wurde geändert.

Die Aufgaben. 21 Slack-Prompts, die um Suchbereiche, Threads, Entwürfe und Zeitpläne, Canvases, Listen, Uploads, fehlende Funktionen und Einverständniserklärungen herum geschrieben wurden. „Was haben wir entschieden?“ könnte eine Suche über den gesamten Arbeitsbereich sein, die letzten Nachrichten in einem Kanal oder die Antworten unter einer einzelnen Nachricht. „Sende dies“ könnte bedeuten: sofort, ein Entwurf, den noch jemand genehmigen muss, oder eine Nachricht, die morgen gesendet werden soll. „Schreibe dies auf“ könnte ein Canvas, eine Liste oder eine Datei sein. Wir haben diese Aufgaben ausgewählt, weil sie potenziell missverständlich sind und somit schwerer als gewöhnlicher Slack-Datenverkehr.

Die Daten. Die Slack-Antworten stammten aus einer festgelegten Aufzeichnung. Beide Testzweige sahen identische Daten, und Schreibaktionen erreichten nie einen echten Arbeitsbereich.

Die Modelle. Sonnet 4.6, Opus 4.8 und Fable 5, jeweils bei mittlerem und hohem Aufwand. Sechs Einstellungen, drei Durchläufe pro Aufgabe, jedes Mal in einem frischen Arbeitsbereich. 378 Durchläufe mit dem Skill und 378 ohne.

Die zwei Testzweige.

Ohne SkillProgressiver Skill
Was der Agent liestNur die MCP-WerkzeuglisteWerkzeugliste, einen 55-zeiligen Index und bei Bedarf eine Referenzdatei
Wie er ein Werkzeug auswähltAm ähnlichsten klingender NameEntscheidet, wo der Inhalt liegt, und wählt dann das Werkzeug aus
Private Kanäle und DMsWerkzeugauswahl wird dem Modell überlassenIndex gibt an, diese erst zu durchsuchen, wenn der Benutzer zustimmt
Fehlende FunktionenGibt dies an, aber erst nach vielen Lese- und SuchvorgängenGibt dies sofort an

Der Skill. Ein 55-zeiliger SKILL.md-Index, den der Agent immer liest. Er listet die Objekte auf, eine kurze Anleitung zur Auswahl zwischen ihnen, eine Tabelle von Verwechslungsmöglichkeiten und was der Server nicht tun kann. Drei Referenzdateien – jeweils eine zum Suchen, Schreiben und für Artefakte – enthalten die Details zu den Argumenten. Bei einer typischen Aufgabe entscheidet der Agent, wo die Inhalte liegen (ein Thema ohne festen Ort ist Suche, neueste Nachrichten in einer Konversation sind Kanalverlauf, Antworten unter einer Nachricht sind ein Thread), löst Kanalnamen in IDs auf, öffnet bei Bedarf die Referenzdatei dieser Kategorie, führt einen Aufruf aus und stoppt dann.

Die Bewertung. Eine Aufgabe galt nur dann als bestanden, wenn der Agent die richtigen Werkzeuge in der richtigen Reihenfolge wählte, die Sicherheitsregeln einhielt und eine korrekte finale Antwort gab. Ein separater Opus 4.8-Judge bewertete die Antwort, ohne zu wissen, ob ein Skill vorhanden war. Drei Durchläufe pro Aufgabe sind eine kleine Stichprobe, zwei der Bestehens-Prüfungen werden von einem Modell bewertet, und Replay eliminiert reale API-Latenzen.

Die Aufgaben, Skills, Bewertungsregeln und Schritte zur Reproduktion befinden sich im öffentlichen Repository mcp-skillbench.

Ergebnisse: Agent Skills vs. die Slack MCP Werkzeugliste

Die Gesamtgenauigkeit veränderte sich leicht von 83,3% auf 86,5%. Die interessante Bewegung zeigt sich pro Modell.

Ohne SkillProgressiver Skill
Genauigkeit, alle Modelle83.3%86.5%
Geschätzte Kosten, gesamter Benchmark$46.10$44.01
Werkzeugaufrufe pro Aufgabe (kürzester korrekter Pfad: 1.24)2.521.71
Mediane Latenz37.6s35.1s
Langsamste 5% der Aufgaben (p95)74.7s65.2s

Pro Modell, pro Aufwand.

Modell und AufwandOhne SkillMit Skill
Sonnet 4.6, hoch42 von 63 (66.7%)56 von 63 (88.9%)
Sonnet 4.6, mittel47 von 63 (74.6%)53 von 63 (84.1%)
Opus 4.8, hoch56 von 63 (88.9%)55 von 63 (87.3%)
Opus 4.8, mittel55 von 63 (87.3%)55 von 63 (87.3%)
Fable 5, hoch58 von 63 (92.1%)54 von 63 (85.7%)
Fable 5, mittel57 von 63 (90.5%)54 von 63 (85.7%)
At high effort, Sonnet with the skill and Opus with no skill both passed 88.9%. Opus with the skill passed 87.3%. Sonnet's run cost 37% less, and its median task was 12% faster.
Bei hohem Aufwand erreichten Sonnet mit Skill und Opus ohne Skill jeweils 88,9%. Opus mit Skill erreichte 87,3%. Sonnets Durchlauf kostete 37% weniger, und die mediane Aufgabe war 12% schneller.

Der Durchschnittswert ist der falsche Wert, den man sich merken sollte. Sonnet bei hohem Aufwand stieg von 42 von 63 auf 56 von 63 – das Ergebnis, das Opus ohne Skill erzielte – für 4,28 $ gegenüber 6,81 $ und einer medianen Aufgabenzeit von 32,6 Sekunden gegenüber 36,9. Opus war im langsamsten Ausreißerbereich (Tail) immer noch überlegen. Der Rückgang bei Fable beträgt 3 oder 4 Durchläufe von 63 pro Einstellung, was nahe der Obergrenze teilweise Rauschen sein kann. Die unten genannten spezifischen Fehler sind jedoch eindeutig. Das genaue Ausmaß des Rückgangs ist weniger sicher.

Wo sich der Skill ausgezahlt hat

Ohne Skill war der Agent bei den offensichtlichen Paaren bereits zuverlässig. Senden vs. Entwerfen vs. Planen, das Hinzufügen einer Reaktion und das Auflisten der eigenen Kanäle funktionierten in beiden Fällen fast jedes Mal richtig. Einige wenige Aufgaben waren anders, und genau dort gewann das kleinere Modell.

AufgabeOhne SkillMit Skill
„In der Nachricht, die ich bereits unter [Link] gepostet habe, ist ein Tippfehler. Korrigiere ihn direkt in der Nachricht.“ Das Bearbeiten einer gesendeten Nachricht steht nicht in der Werkzeugliste. Die richtige Antwort ist, dies mitzuteilen, anstatt eine Korrektur zu posten.Sonnet, hoher Aufwand: 0 von 3. Ein Versuch kam zum richtigen Schluss, aber erst, nachdem der Thread dreimal gelesen, gesucht und dann der Kanal gelesen wurde. Opus: 3 von 3, direkt aus der Werkzeugliste.Sonnet: 3 of 3. Es las den Index, der das Bearbeiten einer gesendeten Nachricht als nicht verfügbar auflistet, und tätigte keinen Slack-Aufruf. Opus: 3 von 3, gleiches Ergebnis, aus dem Index.
„Erstelle einen Tracker mit einer Zeile pro Launch-Task und Spalten für Owner, Status und Due Date.“ Dies ist eine Slack-Liste.Agenten durchsuchten oft zuerst den Arbeitsbereich und lasen Kanäle, um nach Aufgabendaten zu suchen, nach denen niemand gefragt hatte. Sonnet, hoher Aufwand: 1 von 3.Erstellte die Liste direkt. Sonnet, hoher Aufwand: 3 von 3.
Poste einen vorgegebenen Satz in einem Thread, exakt wie geschrieben.Sonnet tätigte manchmal überhaupt keinen Aufruf und behandelte den Text als mögliche Prompt-Injection. Opus hat ihn gepostet.Der Index besagt, dass ein Schreibvorgang, den der Benutzer bereits genau formuliert hat, keine zweite Bestätigung benötigt. Sonnet postete ihn bei 3 von 3 Versuchen mit mittlerem Aufwand und 2 von 3 Versuchen mit hohem Aufwand.
„Was haben wir öffentlich über 'remote MCP is the direct proxy case' in :mcp-gateway entschieden?“ Eine öffentliche Suche.Sonnet, hoher Aufwand: 0 von 3. Es nutzte manchmal eine Suche, die Private einschließt, oder häufte Kanalabfragen auf eine Suche an, die bereits ausgereicht hätte. Opus: 3 von 3.Sonnet: 3 von 3. Opus: 3 von 3.

Die Indexzeilen dahinter sind kurz:

Wenn sich die Anfrage bezieht auf...VerwendeNicht
Öffentliche Nachrichten nach Themaslack_search_publicKanalverlauf
Neueste Nachrichten in einem Kanalslack_read_channelSuche
Antworten unter einer Nachrichtslack_read_threadKanalverlauf
Text, den der Benutzer zuerst überprüftslack_send_message_draftSofortiges Senden
Zustellung zu einem späteren Zeitpunktslack_schedule_messageEinen Entwurf
Frei gestalteter, geteilter FliesstextEin CanvasEine Liste
Zeilen, die sich Felder teilenEine ListeEin Canvas

Wo der Skill ein gutes Urteilsvermögen außer Kraft setzte

Ein Prompt, vier Durchläufe. „Wer ist Mitglied von mcp-gateway?“ Die Mitgliederliste gibt Benutzer-IDs zurück. Eine nützliche Antwort schlägt diese IDs nach und liefert Namen. Durchgehend hoher Aufwand. Die einzige Änderung in jeder Zeile ist der Skill.

Ohne SkillMit Skill
Sonnet 4.6, hoher Aufwand3 von 3 bestanden. Ein Versuch suchte nach dem Kanal, listete die Mitglieder zweimal auf, las dann vier Profile und antwortete mit Namen.3 von 3 bestanden. Nach dem Lesen des Skills führte es dieselben Mitgliederlisten- und Profilaufrufe durch und antwortete mit Namen.
Opus 4.8, hoher Aufwand3 von 3 bestanden. Derselbe Pfad, und es antwortete mit Namen.0 von 3 bestanden. Ein Versuch suchte nach dem Kanal, listete die Mitglieder zweimal auf und stoppte. Die Antwort bestand aus Benutzer-IDs ohne Namen.

Das kleinere Modell schloss die Namensabfragen trotzdem ab. Das größere Modell befolgte „Führe einen Aufruf aus und halte dann an“ und brach die Aufgabe ab.

Zwei andere Prompts zeigen dieselbe Übersteuerung, beide bei Fable mit hohem Aufwand, beide von 3 von 3 auf 1 von 3. „Durchsuche mit meiner Erlaubnis private Kanäle und DMs nach __mcp_skill_eval_no_match__.“ Eine Suche inklusive privater Inhalte war in beiden Fällen das richtige Werkzeug. Ohne Skill wandte der Agent einen Filter an, der private Kanäle, Gruppen-DMs und DMs benannte. Der Index besagt, dass diese Suche „private Kanäle und DMs beinhaltet“, und einige Durchläufe mit Skill nahmen den Satz wörtlich, ließen den Filter weg und gaben dann an, DMs seien durchsucht worden. Und: „Lies die gesamte Diskussion unter [ein Link zu einer Nachricht].“ Die erste Seite enthält nur einen Teil der Antworten, und Agenten präsentierten diese Seite oft als die vollständige Diskussion. Das war ohnehin schwierig, und der Skill verschlimmerte es.

In jedem Fall verfügte der Agent über das richtige Werkzeug oder war nur eine Abfrage von einer vollständigen Antwort entfernt. Anschließend befolgte er eine kurze allgemeine Zeile im Index wörtlicher, als er es von sich aus getan hätte.

Was es gekostet hat

Der Index ist klein und die Referenzdatei lädt nur bei Bedarf, sodass der Agent mit Skill etwas weniger Input-Token verbrauchte als der ohne Skill. Die Werkzeugaufrufe sanken um etwa ein Drittel von 2,52 pro Aufgabe auf 1,71 (bei einem kürzesten korrekten Pfad von 1,24). Der Großteil dieser Einsparung entfiel auf Sonnet, dessen Durchläufe ohne Skill dazu neigten, zu suchen, zu lesen und erneut zu suchen. Der Median wurde etwas schneller (von 37,6 Sekunden auf 35,1), und die langsamsten 5% sanken von etwa 75 Sekunden auf etwa 65. Der gesamte Benchmark kostete 44,01 $ mit dem Skill und 46,10 $ ohne.

Stimmen Sie den Skill auf das Modell ab und kürzen Sie ihn anschließend

Verzichten Sie bei einem starken Modell bei Routine-Lesezugriffen auf einen Skill. Wenn der Agent auf Opus oder Fable läuft und hauptsächlich öffentliche Kanäle durchsucht und den Verlauf liest, erledigt die Werkzeugliste bereits die Arbeit. Ein Skill wird einige Aufrufe sparen. Er erhöht möglicherweise nicht die Genauigkeit, und bei einem Modell nahe der Leistungsgrenze kann er einige Versuche kosten.

Fügen Sie einen Skill hinzu, wenn ein kleineres Modell im Einsatz ist, oder wenn die Aufgaben Suchbereiche, eine fehlende Funktion oder eine Schreibaktion betreffen, die der Benutzer bereits genau vorgegeben hat. Sonnet bei hohem Aufwand (von 66,7% auf 88,9%) ist der Grund, warum wir einen geschrieben haben. An diesem Punkt ist der Skill kein Detail des Prompt-Engineerings mehr. Er ist der Unterschied zwischen der Notwendigkeit von Opus oder nicht.

Kürzen Sie ihn anschließend. Beschränken Sie den Index auf die Auswahl, laden Sie Details auf Anfrage und analysieren Sie die Aufgaben, die sich verschlechtert haben. Wenn eine Regel Arbeiten unterbricht, die das Modell bereits erledigt hat (wie das Nachschlagen von Namen nach dem Auflisten von Mitgliedern), schränken Sie die Regel ein oder löschen Sie sie. Ein kürzerer Skill ist leichter zu befolgen. Das schließt die Fälle ein, in denen er nicht hätte befolgt werden sollen.

Testen Sie jede neue Regel auf Ihrem stärksten Modell, bevor Sie ihr vertrauen. Beim kleineren Modell sehen Sie den Gewinn. Beim stärksten Modell sehen Sie die unerwünschte Übersteuerung.

Verwaltung von Slack MCP Skills mit TrueFoundry

Ein Skill verändert, welches Slack-Werkzeug aufgerufen wird. Er entscheidet nicht, wer private Kanäle durchsuchen darf, welches Token der Aufruf verwendet oder was protokolliert wird.

Das TrueFoundry Skills Registry hält einen Skill wie diesen versioniert und geteilt bereit. Ein Skill lebt in einem Repository zusammen mit Prompts und Modellen. Das Repository entscheidet, wer ihn entdecken, bearbeiten und zuweisen kann, und führt den Versionsverlauf sowie das Audit-Log. Jede Veröffentlichung ist eine nummerierte Version. Wenn Sie also eine Regel einschränken, die eine Verschlechterung verursacht hat, übernimmt jeder Agent dieselbe Korrektur, und ein Agent kann zurückgesetzt werden, falls eine neue Veröffentlichung fehlerhaft ist. Dieselbe Version kann an einen TrueFoundry-Agenten angehängt oder in Claude Code und Cursor importiert werden. Dieser Slack-Skill ist ein Index plus drei Referenzdateien, sodass er als Paket über die CLI oder über GitOps mit tfy apply veröffentlicht wird.

Das TrueFoundry MCP Gateway sitzt vor dem Slack MCP Server. Es übernimmt die Authentifizierung, die Zugriffskontrolle auf Werkzeugebene und einen Trace jedes Aufrufs. Der Overhead beträgt etwa 3 bis 4 ms, und es verarbeitet 350+ Anfragen pro Sekunde auf einer vCPU. Dieser Benchmark verwendete ein lokales Replay, sagt also nichts über das Gateway aus. Der Skill wählt den Aufruf aus. Das Gateway entscheidet, ob dieser Aufruf zulässig ist.

Try now.

One gateway for all your models, MCP servers, and agents. No credit card needed.

Melde dich an
Inhaltsverzeichniss

Steuern, implementieren und verfolgen Sie KI in Ihrer eigenen Infrastruktur

Buchen Sie eine 30-minütige Fahrt mit unserem KI-Experte

Eine Demo buchen

Der schnellste Weg, deine KI zu entwickeln, zu steuern und zu skalieren

Demo buchen
Summarize with
ChatGPT logo by OpenAI
Perplexity AI logo
Blurry red snowflake on white background, symmetrical frosty design with soft edges and abstract shape.

Entdecke mehr

Keine Artikel gefunden.
Comparing AI agents and agentic AI workloads in enterprise production
November 20, 2026
|
Lesedauer: 5 Minuten

KI-Agenten vs. Agentische KI: Was der Unterschied in der Produktion wirklich bedeutet

Keine Artikel gefunden.
November 20, 2026
|
Lesedauer: 5 Minuten

Bifrost-Alternativen: Die besten Tools, die Sie 2026 in Betracht ziehen können

Keine Artikel gefunden.
November 20, 2026
|
Lesedauer: 5 Minuten

GPT-6.1 Terra: API, Benchmarks, Preise & Nutzung

Keine Artikel gefunden.
November 20, 2026
|
Lesedauer: 5 Minuten

GPT-5.1 vs GPT-5: 9 wichtige Verbesserungen, die Sie kennen müssen

LLMs und GenAI
Keine Artikel gefunden.
Machen Sie eine kurze Produkttour
Produkttour starten
Produkttour