Seit der öffentlichen Vorschau im Juni hat das Team hinter eve mehr als 230 Versionen veröffentlicht und tausende Pull Requests zusammengeführt. Mit eve 1.0 liegt eine allgemein verfügbare Version vor, die darauf ausgerichtet ist, KI-Agenten in produktiven Umgebungen zuverlässig einzusetzen. Der zentrale Gedanke ist simpel: Wer die Infrastruktur und den Ausführungsrahmen kontrolliert, kann einen Agenten besser beaufsichtigen, erweitern und in bestehende Systeme integrieren.
eve positioniert sich als Open-Source-Framework für KI-Agenten. Es verbindet den eigentlichen Agenten mit einem Harness, einem Workflow-SDK, Integrationen, Speicherfunktionen, Freigabemechanismen und Observability. Das klingt nach einer Sammlung von Bausteinen, trifft aber einen realen Punkt: Ein Modell kann eine Antwort formulieren, während ein produktiver Agent zusätzlich Tools aufrufen, Dateien bearbeiten, Berechtigungen einholen, Zustände speichern und Fehlerbehandlung orchestrieren muss. Genau diese zweite Ebene liegt im Fokus von eve 1.0.
Im Unterschied zu einer reinen Bibliothek, die nur einzelne Modellaufrufe abstrahiert, stellt eve den Betriebsrahmen in den Mittelpunkt. Das Framework soll Entwickler nicht in eine proprietäre Plattform zwingen, sondern die entscheidenden Bausteine offen und kontrollierbar halten. Das macht es interessant für Teams, die eigene Infrastruktur verwenden, Agenten in bestehende Anwendungen einbetten oder Freigaben und Datenerfassung detailliert regeln wollen.
Der Harness als kontrollierbare Grundlage
Der Harness ist der technische Kern von eve. Er ist die Schleife, die ein Modell aufruft, Werkzeuge ausführt und Aufgaben an Subagenten delegiert. Entwickler entscheiden dabei, welches Modell verwendet wird, welche Tools verfügbar sind, wie die Anweisungen lauten und welche Aktionen eine menschliche Freigabe benötigen. Das klingt zunächst nach einer Sammlung von Konfigurationspunkten. Tatsächlich ist es eine Verlagerung der Verantwortung: Der Agent erhält nicht einfach einen Werkzeugkasten, sondern läuft in einem Rahmen, dessen Regeln transparent bleiben.
Das open-source Workflow SDK speichert den Fortschritt während der Ausführung. Nach einem Absturz kann ein Agent daher beim letzten abgeschlossenen Schritt ansetzen, statt die gesamte Aufgabe neu zu beginnen. Das ist für lange Workflows entscheidend, weil ein einzelner Fehler sonst Stunden an Arbeit, API-Kosten oder manuelle Wiederholung bedeuten kann. Persistenz ist hier keine bequeme Zusatzfunktion, sondern eine Voraussetzung für verlässliche Abläufe.
Multiplayer-Sessions und Aufrufe zwischen Agenten sind ebenfalls Bestandteil des Systems. Damit lassen sich mehrere menschliche Beteiligte an einer gemeinsamen Sitzung beteiligen oder Aufgaben an spezialisierte Subagenten weiterreichen. Für verwaltetes Hosting bietet sich eine Bereitstellung auf Vercel an. Vercel Workflows übernimmt dann die dauerhafte Ausführung, während Vercel Sandbox agentisch erzeugten Code in einer isolierten Umgebung ausführt. Gerade die Trennung von Ausführungscode und produktiver Umgebung ist ein Sicherheitsgewinn, ersetzt aber keine sorgfältige Berechtigungsplanung.
Die vorgesehenen Anwendungsfelder reichen von Softwarefabriken, die Anfragen in getestete Pull Requests verwandeln, bis zu internen Wissenssystemen, die Fragen aus Unternehmensdaten beantworten. Auch kundennahe Agenten in Produkten werden genannt. Die Beispiele zeigen die Absicht des Frameworks: Es soll nicht nur einen Chatbot steuern, sondern Abläufe bauen, die Software, Daten oder Dienstleistungen verändern.
Gemeinsame Sitzungen für Menschen und Agenten
Mit Multiplayer können mehrere Personen einen Agenten in einer gemeinsamen Sitzung bearbeiten. eve verwaltet dabei, wer welche Anweisung gegeben hat, und leitet Freigaben sowie Anmeldungen an die zuständige Person weiter. Für jedes Team oder einzelne Nutzer kann ein eigener Speicherbereich definiert werden. Das ist mehr als eine Chat-Oberfläche mit mehreren Avatarsen. Die Sitzung erhält eine organisatorische Struktur, in der Zuständigkeiten und Entscheidungen nachvollziehbar bleiben.
In einem nativen Slack-Kanal entspricht jeder Thread einer gemeinsamen Sitzung. Freigaben werden als Schaltflächen dargestellt, die nur die berechtigte Person beantworten kann. Eine Live-Task-Karte zeigt den Fortschritt und die benötigte Zeit. Within des Threads lassen sich Folgefragen stellen, ohne den Agenten erneut zu erwähnen, die aktuelle Ausführung abbrechen oder die Sitzung zurücksetzen. Damit wird der Agent vom passiven Antwortsystem zu einem Arbeitswerkzeug mit direktem Eingriff.
Der Ambient Mode erweitert dieses Modell. Ein Agent kann Kanäle beobachten, ohne ausdrücklich erwähnt zu werden. Anhand der pro Kanal hinterlegten Ziele entscheidet er, ob er hilft, eine Aufgabe übernimmt oder schweigen sollte. Um Kosten zu begrenzen, prüft ein kleines Entscheidungsmodell zunächst jede Nachricht. Nur wenn ein möglicher Bezug besteht, startet ein eigener Agentenlauf. Das wirkt zunächst wie ein zusätzlicher Kontrollfilter, ist aber ein Beispiel für die richtige Größenordnung: Nicht jedes Gespräch muss ein teures Modell und eine vollständige Werkzeugkette beanspruchen.
Slack ist nicht die einzige Unterstützung. Microsoft Teams, Discord, Telegram, GitHub, Linear, Twilio, Web Chat und iMessage gehören ebenfalls zu den nativen Kanälen. Über den Chat SDK lassen sich weitere Plattformen wie WhatsApp, Messenger, Google Chat und E-Mail anbinden. Jeder Kanal ist als einzelne Datei organisiert, sodass derselbe Agent über mehrere Gesprächsumgebungen hinweg eingesetzt werden kann. Für Unternehmen ist das praktisch, weil Agenten dann nicht an einen einzelnen Messenger gebunden sind.
Native Integrationen für Weboberflächen
eve 1.0 erweitert die Integrationen für Next.js, Nuxt, SvelteKit, TanStack Start und Vite. Die Framework-Integrationen bauen den Agenten zusammen mit der Anwendung und richten die benötigten Routen ein. Auf Vercel können Agent und Website als ein gemeinsames Projekt oder als getrennte Dienste betrieben werden. Diese Trennung ist nicht zwingend, aber sie erlaubt eine unabhängige Skalierung und erleichtert bestehende Deployment-Abläufe.
Die Client-Bibliotheken bieten eine einheitliche Darstellung von Tool-Aufrufen, Freigabeanfragen und Rückfragen. Die dabei entstehenden Sitzungsdaten können für eigene Oberflächen verwendet werden: Antworten können in einen Chat gestreamt, ein Agent in eine Webseite eingebettet oder ein Tool-Aufruf in einer projektspezifischen Komponente angezeigt werden. Das vermeidet den Bruch zwischen einem funktionierenden Backend und einer Benutzeroberfläche, die erst nachträglich andockt.
Mit dem Befehl „eve add channel/web“ lässt sich eine Chat-Anwendung mit AI Elements-Komponenten erzeugen. Für bestehende Oberflächen stehen außerdem Bindings für React, Vue und Svelte bereit. Der Framework-Ansatz lautet also nicht, dass jede Anwendung eine eigene Integrationslogik benötigt. Stattdessen liefert eve eine gemeinsame Grundlage, während das konkrete Design und die Interaktion beim Projekt liegen.
Mandantenfähigkeit und Speicher als Produktionsmerkmale
Mehr Mandanten sind ein typisches Muster für produktive KI-Agenten. Eine Support-Agenten-Instanz kann mit den Ticketing-Systemen verschiedener Kunden verbunden werden, dabei aber für jeden Mandanten eigene Zugangsdaten und Freigaberegeln anwenden. Die Anwendung authentifiziert den Nutzer und ordnet ihn einem Mandanten zu. Anschließend können Speicher, Verbindungen und Freigabepolitiken für diesen Mandanten und den jeweiligen Benutzer festgelegt werden.
Vor jedem Modellaufruf im Hauptablauf können dynamische Definitionen die Fähigkeiten des Agenten aus der Sitzung und aus externen Daten laden. In Version 1.0 umfasst dies Modelle, Verbindungen und Subagenten ebenso wie Tools, Skills und Anweisungen. Das verhindert, dass eine große Ausstattung dauerhaft in jeden Prompt geschrieben wird. Der Agent erhält nur die Informationen, die im aktuellen Kontext tatsächlich gebraucht werden. Das spart nicht nur Tokens, sondern erleichtert auch die Anpassung je Kunde oder Auftrag.
Der native Speicher erlaubt es Agenten, Kontext über mehrere Sitzungen hinweg zu bewahren. Entwickler bestimmen den Umfang und wählen zwischen dem integrierten Dateispeicher, einem externen Speicheranbieter oder einer eigenen Implementierung. „fileMemory“ hält Daten während „eve dev“ im Arbeitsbereich und auf Vercel in einem privaten Blob-Speicher ab. Unterstützt werden außerdem Anbieter wie claude-mem, Hindsight, Kybernesis Arcana, Memanto, memco, Supermemory und Upstash AgentKit. Die offene Auswahl ist wichtig, weil Speicherbedarf, Datenschutzanforderungen und Betriebsmodell je Unternehmen unterschiedlich sind.
OpenTelemetry macht Agentenläufe nachvollziehbar
Die Tracing-Funktionen wurden in eve 1.0 auf OpenTelemetry umgestellt. Damit lassen sich Agentenläufe in vorhandenen Werkzeugen beobachten, statt sie in einer isolierten Oberfläche des Frameworks zu betrachten. „eve dev“ erfasst Traces zunächst lokal. Bei einer eigenen Bereitstellung können sie an jedes kompatible Backend exportiert werden, auch an einen selbst betriebenen Collector. Integrationen wie Raindrop sind direkt verfügbar; eigene Anbindungen lassen sich über Instrumentation-APIs ergänzen.
Besonders relevant ist die Darstellung von Wartezuständen. Traces zeigen, wenn ein Agent auf eine Person wartet, etwa wegen einer Tool-Freigabe, einer Rückfrage, eines Budget-Hinweises oder einer Anmeldung. Gleichzeitig werden Modellauswahl, Freigabeentscheidungen, Modellverbrauch und Kosten aufgezeichnet. Aufrufe in MCP-Server und entfernte Agenten lassen sich ebenfalls nachverfolgen. Das ergibt ein Bild vom tatsächlichen Ablauf statt einer isolierten Liste von Modellaufrufen.
Die Datenerfassung ist dabei konfigurierbar. Inhalte, die von der Erfassung ausgeschlossen werden, gelangen auch nicht in die entsprechenden Ziele. Spans können gefiltert sowie Eingaben und Ausgaben pro Ziel redigiert werden. Private Unterhaltungen in Produktion senden standardmäßig nur Metadaten, ohne Prompts oder Tool-Ergebnisse. Auf Vercel stellt Agent Runs dieselben Traces im Dashboard dar, einschließlich Sitzungen, Tool-Ausführung, Subagenten und Freigaben.
Deutlich niedrigere Latenz und geringere Workflow-Kosten
Bei einem gehosteten Stresstest auf Vercel Workflows lag die mittlere Latenz eines Agentenumsatzes Anfang September noch bei 3,036 Sekunden. In eve 1.0 benötigte dieselbe Arbeit mit 100 sequenziellen Nachrichten 414 Millisekunden. Das entspricht einer rund 7,3-mal schnelleren Verarbeitung im Median. Der Test verwendet ein Mock-Modell ohne echte Tool-Aufrufe und misst die Plattform- und Workflow-Latenz, nicht die Generierungszeit des Modells. Die p95-Latenz sank dabei von 3,692 auf 633 Millisekunden.
Ein Teil des Fortschritts geht auf die Zusammenarbeit mit dem Workflow-Team zurück. Spec 9 gibt jedem Lauf einen einzelnen Orchestrator, sodass Hintergrundschritte den Workflow nicht erneut abspielen. Ereignis- und Stream-Schreibvorgänge wurden auf WebSockets umgestellt, redundante History-Lesezugriffe entfallen. eve cached außerdem Routing-Informationen für Sitzungen und kann ungenutzte Sitzungen zwischen zwei Turns auf eine neuere Deployment-Version verschieben. Weboberflächen können eine Sitzung vorab vorwärmen, damit die erste Antwort schneller beginnt.
Bei den Workflow-Kosten zeigt sich eine ähnliche Entwicklung. Eine 50-Turn-Sitzung in den Evo Docs kostet geschätzt 5,4 US-Cent, während die neue Version 1,3 Cent benötigt. Das entspricht einer Einsparung von ungefähr 76 Prozent bei den angenommenen zwei Modellschritten pro Turn und einer Aufbewahrung von 30 Tagen. Workflow SDK 5.5 speichert nur noch veränderte Konversationsdaten. Checkpoints verweisen außerdem auf Bilder, statt deren Bytes erneut zu kopieren, und vorbereitete Sandbox-Snapshots überspringen wiederholte Einrichtungsschritte.
Noch relevanter für die Praxis ist das Wachstum langer Sitzungen. Ohne diese Anpassungen müsste der Kontext mit jeder Runde erneut gespeichert und übertragen werden. Dadurch würden nicht nur Kosten, sondern auch Laufzeit und Payload-Grenzen belastet. Mit dem referenzierenden Workflow-Speicher bleiben die Datenmengen stabiler. Die Open-Source-Bestandteile dieser Logik können auch bei selbst betriebenen Workflow-Backends eingesetzt werden, sofern deren Kostenmodell und Schnittstellen entsprechend ausgelegt sind.
Erweiterungen für gemeinsame Fähigkeiten und Coding-Agenten
Mit Extensions können Teams Tools, Skills, Anweisungen, Verbindungen, Kanäle, Zeitpläne, Hooks und Subagenten in gemeinsam genutzten Paketen organisieren, statt Dateien zwischen einzelnen Agenten zu kopieren. Das Extensions-Verzeichnis bietet fertige Beispiele, darunter Browser-Automation, Video-Werkzeuge und Zahlungsfunktionen. Eigene Pakete lassen sich über „npx eve@latest extension init“ erzeugen. Im Entwicklungsmodus baut eve Workspace-Erweiterungen aus dem Quellcode und lädt Änderungen neu, sodass ein gemeinsames Paket während der Arbeit laufend in mehreren Agenten getestet werden kann.
Die Code-Erweiterung ergänzt den Agenten um Coding-Anweisungen und Skills, die dem jeweiligen Repository und seiner AGENTS.md-Datei folgen. Nach Übergabe eines Repositories an die Sandbox kann der Agent den Code untersuchen, Dateien bearbeiten und die vorhandenen Prüfungen ausführen. Das ist eine wichtige Abgrenzung: eve 1.0 versucht nicht, jede Coding-Aufgabe mit einer proprietären Speziallösung zu behandeln, sondern integriert Coding in denselben Harness- und Extension-Mechanismus wie andere Fähigkeiten.
Gerade für Softwarefabriken ist das ein belastbarer Ansatz. Rillet soll mit eve Kundenanfragen in Spezifikationen überführen, Änderungen testen und Pull Requests zur menschlichen Prüfung eröffnen. Das Unternehmen berichtet, die Auslieferungsrate innerhalb von drei Monaten verdreifacht zu haben. Die im Artikel erwähnte 1.0-Code-Erweiterung steht im zentralen eve-Paket zur Verfügung und benötigt keine zusätzliche Installation. Die Git-Erweiterung ergänzt GitHub- und Pull-Request-Abläufe, einschließlich der Nutzung von Anmeldedaten. Der konkrete Nutzen entsteht somit nicht nur durch den Agenten, sondern durch die Kombination aus Agent, Repository-Kontext, Tests, Git und menschlicher Freigabe.
Produktionsreife bedeutet vor allem Kontrolle
eve 1.0 ist mehr als eine technische Version mit höherer Stabilität. Die wichtigste Botschaft des Releases liegt in der Verbindung von Offenheit und Betriebssicherheit. Der Harness gehört dem Team, die Workflow-Ausführung bleibt nachvollziehbar, Werkzeuge und Anweisungen sind austauschbar. Freigaberegeln entscheiden, welche Aktionen ein Agent ohne menschliches Zutun ausführen darf. Tracing zeigt, wo ein System wartet, arbeitet oder Kosten verursacht. Native Speicher, Mandantenfähigkeit und Channel-Integrationen lösen Probleme, die in einfachen Agenten-Demos meistens übersehen werden.
Für Teams, die KI-Agenten produktiv einsetzen wollen, ist das ein Framework mit klarem operativem Profil. Besonders attraktiv ist es dort, wo Agenten länger laufen, mehrere Personen beteiligen, sensible Aktionen freigeben müssen oder mit Unternehmensdaten arbeiten. Die Open-Source-Basis erleichtert zudem die Kontrolle über die technische und datenrechtliche Einordnung. OpenTelemetry und der Agent-Harness tragen dabei entscheidend dazu bei, dass ein produktiver Agent nicht nur Aufgaben erledigt, sondern auch nachvollziehbar bleibt. Genau darin liegt die praktische Bedeutung von eve 1.0: weniger Pilotdiktatur, mehr kontrollierbare Infrastruktur.
Quelle: vercel.com
