Dynamiq

Eine kurze Beschreibung

Dynamiq ist eine Plattform für die Entwicklung und Verwaltung von KI-Agenten, die sich an Entwickler und Unternehmensteams richtet. Mit Hilfe eines visualisierbaren Arbeitsbereichs oder offener Python-Frameworks können Workflows, RAG-Anwendungen sowie mehragentige Systeme erstellt werden, die anschließend als aufrufbare Anwendungen bereitgestellt werden können.

Einführung in die Tools

Dynamiq wurde von Dynamiq Technologies entwickelt. Die Produkte umfassen Prototypenentwicklung, Testing, Bereitstellung, Überwachung, Bewertung, Wissensdatenbanken sowie die Anpassung von Modellen. Es eignet sich für Technikteams, die generative KI-Experimente in die Produktionsumgebung übertragen möchten.

Dynamiq umfasst zwei zu unterscheidende Teile: Die Business-Plattform bietet einen visualisierten Builder sowie Funktionen für die Hosted-Ausführung und Unternehmensverwaltung; das dynamiq-Python-Paket hingegen ist ein Open-Source-Orchestrierungsframework unter der Apache 2.0-Lizenz.

Zusammensetzung des Produkts

Hauptfunktionen

Visualisierung von Agenten und Workflow-Erstellung

Benutzer können auf dem Canvas Eingangs-, Agenten-, Tool- und Ausgabeknoten verbinden sowie die Datenabbildungen zwischen den Knoten konfigurieren. Nach der Speicherung des Workflows entsteht eine Version, die das Testen, Veröffentlichen und Rückspringen erleichtert.

• Kombinieren Sie über ein Low-Code-Bildschirm intelligente Agenten, Modelle, Tools, Wissensdatenbanken und Geschäftslogik.
• Unterstützung von Sequenz-, Parallel-, bedingten Branching-Strukturen sowie Multi-Agenten-Orchestrierung.
• Man kann mit einem initialen Workflow beginnen, der aus einem leeren Canvas, einem Vorlage oder Anweisungen entsteht.
• Das Testpanel kann den Canvas direkt ausführen und die Eingänge, Ausgänge sowie Fehler der Knoten anzeigen.
• Versionen und Veröffentlichungsmechanismen können den Workflow im Test in eine bereitstellbare Version festlegen.

Agent-Node und Toolaufrufe

Agenten-Node können Rollen, Modelle, Werkzeuge, Erinnerungen, Sandboxes, Unterintelligenzen sowie strukturierte Ausgaben konfigurieren. Die Intelligenz plant innerhalb eines festgelegten Zyklusrahmens und ruft Werkzeuge auf, bis die Aufgabe erledigt ist oder eine Stoppsbedingung ausgelöst wird.

Zum Funktionsumfang gehören Webseiten-Suchen, Code-Sandboxs, Datenbankabfragen, externe Dienste, MCP-Server sowie andere Agenten. Vor der Veröffentlichung sollten für hochriskante Tools Berechtigungen, Zeitlimits, Anzahl der Wiederholungen sowie manuelle Bestätigungen festgelegt werden.

Wissensdatenbank und RAG

Die Dynamiq-Wissensdatenbank umfasst einen vollständigen Prozess für die Aufnahme von Dateien, der Dateiverarbeitung, -teilung, -Einbettung sowie -Speicherung in Vektordatenbanken. Die Benutzer können die Standardeinstellungen verwenden oder selbst wählen, wie die Dateien aufgeteilt werden, welcher Anbieter für die Einbettung genutzt wird und welche Vektordatenbank verwendet wird.

• Der Standard-Mehrfach-Converter kann PDF, PPTX, DOCX, Bilder und Texte je nach Dateityp verarbeiten.
• Die Parameter für die Blockaufteilung, das eingebettete Modell sowie der Speicherort für Vektoren können angepasst werden.
• Nach der Erstellung der Wissensdatenbank können Suchtests durchgeführt werden, anschließend wird sie mit dem Agentenknoten verbunden.
• Das Python-Framework unterstützt Storage-Lösungen wie Pinecone, Qdrant, Weaviate, Chroma, Milvus, pgvector und Elasticsearch.
• Vor der Einpflegung von Unternehmensdaten müssen Zugriffsrechte, Aufbewahrungsfristen sowie die Grenzen der Daten von Drittanbieter-Modellen festgelegt werden.

Einsatz und Anwendungs-APIs

Speicherte Workflows können als Apps bereitgestellt werden, wobei jede App einen eigenen Aufruf-Endpoint erhält. Die Plattform unterstützt synchrones Zurückgeben, strömungsartige Ausgabe, bidirektionale WebSocket-Kommunikation sowie asynchrone Rückrufe.

Die Bereitstellung wird auf eine bestimmte Workflow-Version festgelegt. Die Anwendungsseite bietet Funktionen zur Anzeige von Historie, Tracking, Sessions, Integrationen, Triggern sowie Tests. Im Falle von Problemen mit der neuen Version kann man aufgrund der Bereitstellungshistorie auf eine frühere Version zurückgreifen.

Überwachbarkeit und Betriebsüberwachung

Die Plattform protokolliert den Ausführungstreep der Workflows, die Agentenzyklen, die Aufrufe von Tools, die Anfragen an Modelle, Verzögerungen sowie den Verbrauch von Tokens. Entwickler können so anhand der fehlerhaften Knoten Probleme mit Prompts, Modellen, Verbindungen oder Datenabbildungen identifizieren.

Bewertung und Qualitätskontrolle

Dynamiq unterstützt die Erstellung von Bewertungslaufen mit Datensätzen, Workflow-Versionen und Bewertungskriterien. Als Kriterien können vorgefertigte Metriken, Prompts für LLM-Bewertungen oder benutzerdefinierter Python-Code verwendet werden.

• Zu den voreingestellten Kennzahlen gehören Loyalität, Genauigkeit im Kontext, Recall-Rate im Kontext sowie Richtigkeit der Fakten.
• Das Bewertungsdatensatz kann Probleme, Kontexte, Standardantworten und Ausgaben aus Workflows abbilden.
• Mit derselben Datensammlung können mehrere Workflows oder Versionen verglichen werden, um zu beurteilen, ob Änderungen wirksam sind.
• Die Bewertungsergebnisse werden weiterhin von der Qualität des Bewertungsmodells und des Datensatzes beeinflusst und können keine Ersatz für eine manuelle Überprüfung sein.

Schutzzäune und strukturierte Ausgabe

Die Plattform bietet Funktionen zur Überprüfung der Ausgaben, zur Risikokontrolle sowie zur Einhaltung strukturierter Ergebnisvorgaben. Es ist möglich, von dem Modell zu verlangen, dass es in Formaten wie JSON oder YAML arbeitet. Guardrails verringern die Wahrscheinlichkeit, dass nicht konforme Ausgaben in das Geschäftsystem gelangen, können jedoch nicht garantieren, dass das Modell stets korrekt funktioniert.

Modell-Anpassung

Die Unternehmensplattform ermöglicht es, Open-Source-Modelle mithilfe von proprietären Daten anzupassen und sie in dedizierter Infrastruktur oder in einer Unternehmens-VPC zu deployen. Die Bedingungen bezüglich der Trainingsdaten, des Eigentums an den Modellen, der Kosten für Rechenleistung sowie des Support-Umfangs richten sich nach dem Unternehmensvertrag.

Teamzusammenarbeit und Governance

Die Plattform verwaltet Ressourcen nach Organisationen, Projekten und Workflows und bietet gemeinsame Verbindungen, Zugriffskontrollen sowie unternehmensweite Richtlinien. Zugriffschlüssel können auf ein einzelnes Projekt beschränkt werden oder auf organisatorischer Ebene festgelegt werden.

Open-Source-Framework für Python

Dynamiq ist das open-source Python-Orchestrierungsframework hinter dem Plattformausführungssystem und kann über PyPI installiert werden. Entwickler können in ihrem Code Modelle, Agenten, Tools, Suchmaschinen, Embedder und Workflows kombinieren und diese in ihrer eigenen Python-Umgebung ausführen.

Unterstützte Modelle und Datenelemente

Die offiziellen SDK-Dokumentationen nennen Model-Anbieter wie OpenAI, Anthropic, Gemini, Bedrock, Mistral, Groq, Ollama, Azure AI und Together AI und geben an, dass es weitere Verbindungen gibt. Die genauen Modellnamen sowie die verfügbaren Regionen werden weiterhin von den jeweiligen Anbietern festgelegt.

Die Sitzungsmerkmalsspeicherung kann mit Backend-Systemen wie Memory, SQLite, PostgreSQL, Qdrant, Pinecone, Weaviate und DynamoDB genutzt werden. Bei der Anbindung an Drittanbieter-Modelle und -Datenbanken müssen die Nutzer zudem die entsprechenden Konten, Gebühren sowie Nutzungsbedingungen berücksichtigen.

Wirkungsprinzip

1. Bestimmen Sie die Aufgaben, die vom Agenten erledigt werden müssen, die Eingabefelder, die Ausgabestruktur sowie die aufrufbaren Tools.
2. Erstellen Sie Workflows in einer Visualisierungsplattform oder in Python-Code und konfigurieren Sie die Modellverbindungen sowie Schlüssel.
3. Für private Daten: Erstellen Sie eine Wissensdatenbank und führen Sie die Konvertierung, Aufteilung in Blöcke, Einbettung sowie Indexierung der Dateien durch.
4. Verbinden Sie die Knoten Input, Agent, Werkzeuge, Wissensdatenbank und Output sowie mappen Sie die Felder zwischen den Knoten zu.
5. Verwenden Sie Beispielausgaben, um den Workflow zu testen, und überprüfen Sie jeden Knoten, jede Toolaufruf sowie die Ausführungsverfolgung.
6. Durch die Bewertung der Datensätze und der Ergebnisse des Vergleichs von Indikatoren werden die Anweisungen sowie die Logik für die Suche und Routenplanung angepasst.
7. Speichern und veröffentlichen Sie eine Version des Workflows, um ihn anschließend als Anwendung mit eigenem Endpunkt zu deployen.
8. Erstellen Sie Zugriffskeys, rufen Sie die Anwendung im Unternehmenssystem auf und überwachen Sie kontinuierlich Kosten, Verzögerungen und Fehler.

Anleitung zur Verwendung

Erstellen des ersten Agents auf der Visualisierungsplattform

1. Registrieren Sie sich und gelangen Sie zu Organisationen und Projekten – erstellen Sie anschließend eine Verbindung zum gewünschten Modellanbieter.
2. Öffnen Sie Workflows und erstellen Sie einen neuen Workflow – so können Sie die Vorlagenbibliothek deaktivieren und mit einem leeren Canvas beginnen.
3. Fügen Sie Input-Node hinzu, um Eingabefelder wie die Anfragen der Benutzer anzugeben.
4. Fügen Sie Agentenknoten hinzu und konfigurieren Sie Rollen, Modelle, Tools, die Anzahl der Iterationen sowie die Ausgabeanforderungen.
5. Verbinden Sie die Eingaben mit dem Agenten und mappen Sie die Eingabefelder auf die Aufgaben des Agents.
6. Fügen Sie einen Output-Node hinzu, um die Ergebnisse des Agents in den endgültigen Ausgangswert umzumappen.
7. Führen Sie Beispiele im Testpanel aus, überprüfen Sie die Überwachung und beheben Sie Verbindungs- oder Feldfehler.
8. Speichern Sie den Workflow und erstellen Sie eine Veröffentlichungsversion, um eine spätere Bereitstellung vorzubereiten.

Erstellen und Verbinden einer RAG-Wissensdatenbank

1. Gehen Sie auf die Seite „Knowledge Bases“ des Projekts und erstellen Sie eine Wissensdatenbank.
2. Geben Sie den Namen ein und erweitern Sie bei Bedarf die fortgeschrittenen Einstellungen, um den Dateikonverter, den Blockierer sowie den Embeddungsanbieter auszuwählen.
3. Wählen Sie die Plattform zum Hosten oder den vom Unternehmen festgelegten Vektor-Speicher aus und überprüfen Sie die Anmeldeinformationen.
4. Laden Sie autorisierte PDF-, PPTX-, DOCX-, Bild- oder Textdateien hoch.
5. Warten Sie, bis der Import-Workflow abgeschlossen ist, und überprüfen Sie anschließend die Suchergebnisse mit repräsentativen Fragen.
6. Verbinden Sie die Fähigkeit zur Suche in der Wissensdatenbank mit dem Agenten und definieren Sie Ähnlichkeitsgrad, Anzahl der zurückgegebenen Ergebnisse sowie die Art der Verweise.
7. Testen Sie mit Fällen ohne Antwort, widersprüchlichen Daten und Berechtigungsgrenzen, um eine Fehlnutzung der Wissensdatenbank zu vermeiden.

Einsatz und Aufruf von Agentenanwendungen

1. Öffnen Sie den gespeicherten Workflow und wählen Sie zwischen der Erstellung einer neuen Bereitstellung oder dem Aktualisieren der vorhandenen Anwendung.
2. Geben Sie den Namen und die Beschreibung der Anwendung ein, wählen Sie die Laufumgebung aus und legen Sie die richtige Workflow-Version fest.
3. Warten Sie, bis der Bereitstellungsstatus erfolgreich ist, und überprüfen Sie auf der Integrationseite die Eingabestruktur sowie die Anwendungsadresse.
4. Gehen Sie zu den Organisationseinstellungen, um einen Zugriffsschlüssel zu erstellen und diesen auf das entsprechende Projekt zu beschränken.
5. Der Schlüssel wird nur einmal vollständig angezeigt und sollte umgehend im Schlüsselverwaltungssystem auf der Serverseite gespeichert werden.
6. Erst wird eine Anfrage von der Testseite der Anwendung gesendet, anschließend wird sie vom Backend über JSON-Eingaben aufgerufen.
7. Für Echtzeit-Texte muss die Agent-Stream-Ausgabe aktiviert werden, wobei der Ereignisstrom am Client verarbeitet wird.
8. Nach dem Go-Live werden Tracking, Token, Kosten, Verzögerungen und Fehler überprüft, und ein Prozess zur Aufhebung von Schlüsseln wird eingerichtet.

Installation eines open-source Python-Frameworks

1. Erstellen Sie eine kompatible Python-Umgebung und ein eigenes virtuelles Umfeld für das Projekt.
2. Installieren Sie dynamiq über den Python-Paketmanager und installieren Sie die optionalen Abhängigkeiten entsprechend dem gewünschten Modell oder der Speicherlösung.
3. Legen Sie die Modell- und Datenbank-Schlüssel in Umgebungsvariablen ab, schreiben Sie sie nicht direkt in den Quellcode.
4. Erstellen Sie Modellelemente und konfigurieren Sie Verbindungen, Modelle, Prompte sowie Generierungsparameter.
5. Fügen Sie Knoten zum Workflow hinzu und legen Sie Abhängigkeiten sowie Eingabemappinge fest.
6. Führen Sie Tests mit kleinen Datensätzen aus und überprüfen Sie den Zustand sowie die Eingaben und Ausgaben von RunnableResult.
7. Fügen Sie Wiederholungsversuche, Caching, Callbacks, Checkpoints sowie die Maskierung von Log-Daten hinzu, bevor es in der Produktion eingesetzt wird.
8. Für die Plattformverfolgung oder gehostete Bereitstellung konfigurieren Sie anschließend die Plattform-Rückrufe, die CLI oder das AI Gateway.

APIs, Schlüssel und Integration

Die REST-API von Dynamiq umfasst bereits implementierte Anwendungen, Laufprozesse, Sessions, Wissensdatenbanken, Bewertungen, Metriken, Datensätze, Tracking-Funktionen sowie den AI Gateway. Bei einer selbst gehosteten Installation kann man seinen eigenen Hostnamen verwenden, wobei die Pfade und die Struktur der Anfragen unverändert bleiben.

• Anwendungsaufrufe unterstützen synchronisierte Ergebnisse und einen Serverseitigen Ereignisfluss.
• WebSocket eignet sich für bidirektionale Interaktionen und Aufgaben, die eine manuelle Rückmeldung erfordern.
• Im asynchronen Modus können die Ergebnisse nach Abschluss einer langwierigen Aufgabe an eine Callback-Adresse gesendet werden.
• Die eingegebenen Werte müssen der Feldstruktur des Input-Nodes im Workflow entsprechen.
• Alle externen Eingaben müssen hinsichtlich Typ, Länge und Inhalt überprüft werden.
• Nach einem Schlüssel-Leak muss dieser umgehend zurückgenommen werden; es reicht nicht aus, nur die Client-Einstellungen zu ändern.

Einrichtungsmethode

Die Einrichtung eines Unternehmens-VPC umfasst eine Abonnementgebühr im Cloud-Marktplatz, einen Kubernetes-Cluster, Datenbanken, Objektspeicher, Schlüsselverwaltung sowie die Bereitstellung von Containern. Es handelt sich dabei nicht um eine einmalige Desktop-Einrichtung – dafür sind Kenntnisse in DevOps oder Platform Engineering erforderlich.

Preise und Pakete

Stand dem 22. August 2026 bietet die offizielle Website einen „Kostenlos starten“-Button an, gibt jedoch keine Angaben zu den festen Preisen für die regulären Cloud-Dienste sowie zu den genauen kostenlosen Mengen. Für Unternehmens-VPCs gelten im AWS Marketplace jährliche Vertragspreise; für andere Unternehmensdienste ist es notwendig, sich an den Vertrieb zu wenden.

Preis-Hinweise

• Der offizielle Vertragspreis für das VPC von Enterprise stammt von der aktuellen Produktseite von AWS Marketplace; der endgültige Vertrag sowie die Anforderungen richten sich nach der Kaufseite.
• Neben den Unternehmensverträgen können möglicherweise auch Kosten für Cloud-Server, Datenbanken, Objektspeicher, Modellberechnungen sowie Vektordatenbanken anfallen.
• Dass Open-Source-Frameworks kostenlos sind, bedeutet nicht, dass die damit verbundenen Modelle, Suchfunktionen, Sandbox-Umgebungen und Datenbankdienste ebenfalls kostenlos sind.
• Der kostenlose Einstieg auf der offiziellen Website gibt keine konkreten Angaben zu den Mengenrahmen vor; es sollte nicht als dauerhaft kostenloses Angebot dargestellt werden.
• Unternehmenspakete, Support-Level, SSO und Compliance-Vereinbarungen können je nach Vertrag angepasst werden.

Für welche Benutzer geeignet

• Entwickler von KI-Anwendungen: Erstellen Sie mit Python oder visuellen Werkbänken Agenten, RAG-Systeme sowie mehrschrittige Workflows.
• Produktteam: Schnelle Tests von Agenten-Prototypen und deren Bereitstellung als Anwendungen, die vom Frontend oder Backend aufgerufen werden können.
• Plattform-Entwicklerteam: Zentrale Verwaltung von Anschlüssen, Schlüsseln, Überwachung, Bewertung und Anwendungsversionen.
• Team für Daten und maschinelles Lernen: Aufbau einer Wissensdatenbank, Vergleich der Leistung von Modellen sowie Feinabstimmung von Open-Source-Modellen.
• Geregelt Unternehmen: Sie werden in einer VPC oder in eigener Infrastruktur bereitgestellt und sind mit Zugriffskontrollen sowie Konformitätsprotokollen verbunden.
• Open-Source-Entwickler: Erweiterung der Fähigkeiten von Apache 2.0 in Bezug auf Knoten, Tools, Speicherung und Orchestrierung.

Typische Anwendungsszenarien

• Einen internen Fragen- und Antwort-Hilfsassistenten zur Vernetzung der Unternehmens-Wissensdatenbank erstellen und den Zugriff auf die Daten durch Berechtigungssteuerung einschränken.
• Erstellen von Forschungsagenten, die in der Lage sind, zu suchen, Werkzeuge aufzurufen und strukturierte Ergebnisse zu erzeugen.
• Lassen Sie mehrere Agenten jeweils für die Suche, Analyse und Erstellung zuständig sein, wobei ein Verwaltungsagent die Ergebnisse zusammenfasst.
• Kundenservice, Informationsextraktion und Ticketverarbeitung zu einem automatisierten Workflow zusammenfassen.
• Verwenden Sie Datensätze zur Bewertung, um Prompten, Modelle, Suchparameter und Workflow-Versionen zu vergleichen.
• Die getesteten Workflows werden als API bereitgestellt und in Webseiten, Backend-Systeme oder Mobile-Apps integriert.
• Das Betreiben von generativen KI-Anwendungen in der Unternehmens-VPC, die medizinische, finanzielle oder interne vertrauliche Daten umfassen.

Vorteile des Produkts

• Gleichzeitig werden eine Visualisierungsplattform sowie ein Python-Framework bereitgestellt, damit Low-Code- und Code-Teams das Ausführungssystem teilen können.
• Es umfasst Build, Wissensdatenbank, Bereitstellung, Tracking, Bewertung und Governance – es ist nicht notwendig, für jede Phase ein separates Tool auszuwählen.
• Das Open-Source-Framework wird unter der Apache 2.0-Lizenz bereitgestellt und kann in einer eigenen Python-Umgebung ausgeführt und erweitert werden.
• Es werden mehrere Modellanbieter sowie verschiedene Vektordatenbanken unterstützt, wodurch die Abhängigkeit von einer einzigen Technologieplattform verringert wird.
• Die Anwendungskonfiguration verfügt über Funktionen wie feste Versionen, Tracking, streambasierte Ausgabe sowie asynchrone Rückrufe.
• VPC und die Self-Hosting-Option eignen sich für Unternehmen, die eine bestimmte Datenhaltung sowie anpassbare Sicherheitskontrollen benötigen.
• Access-Tokens können pro Projekt begrenzt werden und eine Gültigkeitsdauer haben, was die Verwaltung der Teamrechte erleichtert.

Einsatzbeschränkungen und Hinweise

• Die Plattform verfügt über viele Funktionen, wodurch es Lernkosten bei der Organisation, Verwaltung von Projekten, der Vernetzung, Workflows sowie bei der Nutzung von Anwendungen und Zugangsdaten gibt.
• Die regulären Cloud-Pakete sowie die kostenlosen Kontingente sind auf der öffentlichen Seite nicht vollständig aufgelistet; vor der Inanspruchnahme muss man dies im Konto überprüfen.
• Offene Frameworks erfordern Python, eine Modell-Schnittstelle sowie Erfahrung in der Speicherung und Implementierung – es handelt sich dabei nicht um fertige Chat-Tools für normale Benutzer.
• Die Implementierung eines Unternehmens-VPC beinhaltet Kubernetes, Cloud-Netzwerke, Datenbanken sowie Schlüsselverwaltung und erfordert ein spezialisiertes Betriebsteam.
• Sowohl die Ausgaben des Modells als auch die Ergebnisse der Tools sowie die RAG-Suchfunktion können Fehler aufweisen; bei Prozessen mit hohem Risiko muss eine manuelle Überprüfung eingeführt werden.
• Dritte Modelle, Suchfunktionen, Code-Sandboxes und Vektordatenbanken erzeugen zusätzliche Kosten sowie Datenverarbeitungsketten.
• Agent-Zyklen und parallele Toolaufrufe können die Anzahl der Token, die Verzögerungen sowie die Kosten schnell erhöhen; daher sollten Budgets und Stoppsbedingungen festgelegt werden.
• Strukturierte Ausgaben und Guardrails können das Risiko nur verringern, sie können jedoch nicht beweisen, dass der Inhalt wahr oder konform ist.
• Die Nutzungsbedingungen der Plattform verbieten das Reverse Engineering der proprietären Plattform sowie die Erweiterung der Framework-Lizenz auf kommerzielle Plattformen.

Privatsphäre, Sicherheit und Konformität

Hinweise zur Datenschutzerklärung: Dynamiq verarbeitet Kontoinformationen, Rechnungen, Kommunikationsdaten sowie Informationen zu Geräten und deren Nutzung. Mit Zustimmung des Benutzers kann außerdem der Inhalt von Google Workspace-Dokumenten, Metadaten sowie Berechtigungen verarbeitet werden. Bevor Unternehmen ihre Daten an Dynamiq übertragen, sollten sie die verwendete Implementierungsweise sowie die Unterauftragsverarbeiter überprüfen.

• Personendaten werden auf der Grundlage der Erbringung von Dienstleistungen, Verträgen, rechtlicher Verpflichtungen oder berechtigter Interessen verarbeitet und bei Nichtbedarf gelöscht oder anonymisiert.
• Die Daten von Google Workspace werden ausschließlich im Rahmen der erteilten Genehmigung für Funktionen wie Suchen, Abrufen, Zusammenfassen und Beantwortung von Fragen verwendet.
• Offizielle Erklärungen besagen, dass keine ursprünglichen Daten von Google Workspace, abgeleitete Daten, Embeds, Prompts oder Ausgaben zur Trainierung allgemeiner Grundmodelle verwendet werden.
• Nach dem Trennen der Verbindung zu Google Workspace werden die im Cache gespeicherten Daten gemäß den geltenden Regeln gelöscht oder anonymisiert – mit Ausnahme von Fällen, in denen gesetzliche Verpflichtungen eine andere Handhabung erfordern.
• Dienste können Drittanbieter für Hosting, Analyse und KI nutzen; Unternehmen sollten vor dem Kauf die aktuelle Liste sowie die Datenverarbeitungsvereinbarungen prüfen.
• Für die Verarbeitung von Gesundheitsdaten, die der HIPAA-Verordnung unterliegen, ist ein gesonderter Vertrag mit dem Geschäftspartner erforderlich; es ist nicht möglich, diese Daten einfach aufgrund der Angaben auf der Website zu nutzen.
• Selbstverwaltung oder VPC können die Kontrolle über Daten verbessern, doch Modelle-Anbieter, externe Tools und Betriebskonfigurationen können weiterhin eine Datenausgabe darstellen.

Unterstützungsplattformen

APIs, SDKs und Open Source

Dynamiq bietet eine REST-API sowie ein offizielles Python-Framework an. Die API dient dazu, bereits implementierte Anwendungen aufzurufen sowie Ressourcen der Plattform wie laufende Prozesse und Wissensdatenbanken zu verwalten. Das Python-Framework kann eigenständig ausgeführt werden oder mit der Plattform verbunden werden, um Überwachung, Gateway-Routing sowie gehostete Implementierungen zu ermöglichen.

Grundlegende Informationen

Empfehlungswert

Die Empfehlungsbewertung liegt bei 4,3 von 5 Punkten. Dynamiq verbindet Visualisierung, Open-Source-Oberflächen für die Steuerung, RAG, Deployment, Überwachung und Bewertung zu einem integrierten System – ideal für AI-Entwicklerteams, die von Prototypen zur Produktionsreife übergehen möchten.

Der Hauptmangel besteht darin, dass die Preise für den Cloud-Service sowie die kostenlosen Nutzungsmöglichkeiten unvollständig sind. Zudem gibt es bei dem Konzept der Plattform sowie bei der Implementierung im Unternehmen gewisse Lern- und Wartungshürden. Für normale Nutzer, die lediglich chatten oder Inhalte erstellen möchten, ist es nicht notwendig, solche Entwicklungsplattformen zu nutzen.

Häufige Fragen

Was ist das Tool Dynamiq?

Es ist eine Plattform zur Erstellung, Bereitstellung und Verwaltung von KI-Agenten sowie LLM-Anwendungen und bietet zugleich ein open-source-basiertes Python-Orchestrierungsframework. Es handelt sich dabei nicht um einen Chatbot für normale Benutzer.

Ist Dynamiq kostenlos?

Offene Python-Frameworks können kostenlos genutzt werden, und die offizielle Cloud-Plattform bietet ebenfalls eine kostenlose Einstiegsmöglichkeit. Auf den öffentlichen Seiten werden jedoch keine klaren Angaben zu den üblichen kostenlosen Gebühren sowie zu den Preisen der festen Pakete gemacht. Modelle, Datenbanken und Cloud-Ressourcen können zusätzliche Kosten verursachen.

Ist Dynamiq open source?

Es muss getrennt beurteilt werden: Das Dynamiq-Python-Framework verwendet die Apache 2.0-Lizenz und stellt den Quellcode öffentlich zur Verfügung, während die kommerzielle Dynamiq-Plattform proprietäres Software ist. Man kann die gesamte Plattform nicht aufgrund der Open-Source-Natur des Frameworks als Open Source bezeichnen.

Wird eine API bereitgestellt?

Verfügbar. Die REST-API umfasst bereitgestellte Anwendungen, laufende Prozesse, Sessions, Wissensdatenbanken, Bewertungen, Datensätze, Tracking-Funktionen sowie den AI Gateway. In selbst gehosteten Umgebungen kann dieselbe Dateistruktur verwendet werden.

Wird ein offizielles SDK bereitgestellt?

Es steht ein Python-Framework zur Verfügung, das über Paketmanager installiert werden kann. Es kann sowohl eigenständig als Workflow genutzt werden, als auch mit kommerziellen Plattformen verbunden werden, um Funktionen wie Tracking, Gateways sowie gehostete Bereitstellung zu ermöglichen.

Welche großen Modelle werden unterstützt?

Der offizielle Rahmen listet Anbieter wie OpenAI, Anthropic, Gemini, Bedrock, Mistral, Groq, Ollama, Azure AI und Together AI auf. Die tatsächliche Verfügbarkeit der Modelle und in den jeweiligen Regionen wird durch die entsprechenden Dienste bestimmt.

Kann man eine Unternehmenswissensdatenbank erstellen?

Ja. Die Plattform kann Dateikonvertierungen, Aufteilung in Blöcke, Einbetten von Inhalten sowie Vektorlagern und -abrufen durchführen und Wissensdatenbanken mit Agenten verbinden; das benutzerdefinierte Framework unterstützt außerdem verschiedene Vektordatenbanken.

Wird die Privatisierung unterstützt?

Es werden Unternehmens-VPCs sowie selbst verwaltete Implementierungen unterstützt. Die offiziellen Dokumentationen enthalten Anleitungen zur Installation von Kubernetes in einer AWS-Umgebung. Für die tatsächliche Umsetzung sind Cloud-Infrastruktur, Datenbanken, Speicherlösungen sowie Funktionen zur Schlüsselverwaltung erforderlich.

Kann das erzeugte Ergebnis direkt in hochriskanten Geschäften verwendet werden?

Es wird nicht empfohlen, sie ohne Überprüfung direkt zu verwenden. Agenten, Modelle, Tools sowie die Suchergebnisse können Fehler aufweisen; in medizinischen, finanziellen, rechtlichen sowie automatisierten Anwendungsgebieten sollten Bewertungen, Zugriffsbeschränkungen und menschliche Überprüfungen eingeführt werden.

Wird die Benutzerdaten zur Schulung verwendet?

Offiziell wurde klargestellt, dass die Daten von Google Workspace nicht zur Trainierung oder Verbesserung allgemeiner Grundmodellien verwendet werden. Dieses Versprechen gilt jedoch nur für diese Art von Daten. Die Verarbeitung anderer Daten muss unter Berücksichtigung der Datenschutzrichtlinien, der Einsatzbedingungen, der Unterauftragnehmer sowie der Unternehmensverträge einzeln geprüft werden.

Wie viel kostet ein Unternehmens-VPC?

Stand dem 22. August 2026 beträgt der jährliche Vertragspreis für Enterprise VPC auf dem AWS Marketplace 100.000 US-Dollar. Kosten für Cloud-Infrastruktur und externe Modelle können zusätzlich anfallen. Entscheidend sind letztendlich die Angaben auf der Kaufseite sowie der Vertrag selbst.

Eignet sich Dynamiq für normale Benutzer?

Es richtet sich hauptsächlich an Entwickler, Produktteams und Teams für Unternehmens-AI-Plattformen. Für Nutzer, die nur für alltägliche Chats, das Schreiben oder die Erstellung von Bildern benötigen, sind fertige AI-Anwendungen direkter zu nutzen.

Zusammenfassung

Der Wert von Dynamiq liegt darin, die Entwicklung von Agenten, RAG, die Bereitstellung, das Tracking sowie die Bewertung zu vereinen und Teams die Wahl zwischen einer visualisierten Plattform und Open-Source-Python-Code zu ermöglichen. Für Organisationen, die agentbasierte Lösungen in Produktionsumgebungen sowie eine private Bereitstellung benötigen, bietet es umfassende ingenieurwissenschaftliche Funktionen.

Vor der Auswahl sollten insbesondere das Cloud-Paket, die Kosten für Drittanbieter-Modelle, die Verantwortlichkeiten bei der Implementierung sowie die Vereinbarungen zur Datenverarbeitung überprüft werden. Bei der Verwendung von Open-Source-Frameworks müssen zudem Mechanismen für Authentifizierung, Überwachung, Budgetkontrolle, Bewertung und Wartung selbst bereitgestellt werden.