Agentische KI bezeichnet KI-Systeme, die selbständig Ziele planen, Teilaufgaben identifizieren, Werkzeuge nutzen und iterativ auf Feedback reagieren, ohne für jeden Schritt menschliche Anleitung zu benötigen.
Rubrik: GenAI & Content Creation · Unterrubrik: KI-Workflow & Automatisierung · Niveau: Profi Synonyme / Auch bekannt als: AI Agents, Autonome KI-Agenten, LLM-Agenten, Multi-Agent-Systeme, Agentic AI
Was sind agentische KI-Systeme?
Klassische LLM-Nutzung ist reaktiv: Der Mensch stellt eine Frage, das Modell antwortet. Agentische KI ist proaktiv: Das System erhält ein übergeordnetes Ziel ("Recherchiere alle Wettbewerber und erstelle ein Marktanalyse-Dokument") und plant dann eigenständig, welche Teilschritte notwendig sind, welche Werkzeuge es benötigt und wie es auf Zwischenergebnisse reagiert.
Das ist eine fundamentale Erweiterung: LLMs werden zu Akteuren, nicht nur zu Beratern. Die Fähigkeiten steigen enorm, aber damit auch die Risiken und die Notwendigkeit sorgfältiger Kontrolle.
Erklärung
Architektur eines KI-Agenten
Ein KI-Agent besteht typischerweise aus vier Kernkomponenten:
1. LLM als "Gehirn" (Planner): Das Sprachmodell ist für Planung und Entscheidungen zuständig. Es analysiert das Ziel, bricht es in Teilschritte herunter, wählt geeignete Werkzeuge und interpretiert Ergebnisse. Aktuelle Spitzenmodelle für Agenten (Stand: November 2026): GPT-6 Astra und GPT-6.1 Sol (OpenAI), Claude Opus 5.5, Claude Fable 5.2 und Claude Sonnet 5.5 (Anthropic) sowie die aktuelle Gemini-Generation (Google).
2. Memory (Gedächtnis): Agenten brauchen Gedächtnis, um über mehrere Schritte hinweg konsistent zu arbeiten.
- Short-Term Memory: Kontext im aktuellen LLM-Kontextfenster
- Long-Term Memory: Externe Vektordatenbanken (Pinecone, Chroma, Qdrant) für die Speicherung von Fakten, Erfahrungen, Dokumenten
3. Tools (Werkzeuge): Agenten können Werkzeuge aufrufen, das unterscheidet sie von einfachen LLM-Calls:
- Websearch (Tavily, Serper, Brave)
- Code-Ausführung (Python REPL)
- Dateioperationen (Lesen, Schreiben)
- API-Calls (REST, GraphQL)
- Datenbankabfragen
- Andere KI-Modelle (Bildgenerierung, STT, etc.)
4. Planning/Reasoning: Verschiedene Planungsstrategien: ReAct (Reason + Act), Chain of Thought, Tree of Thought, Plan-and-Execute. Diese bestimmen, wie der Agent Entscheidungen trifft und auf Fehler reagiert.
AutoGPT und Early Agents
AutoGPT (Open-Source-Projekt von Significant Gravitas, gestartet im März 2023) war eines der ersten populären agentischen KI-Systeme. Es nutzte die damaligen OpenAI-Modelle als Planner, ermöglichte Websuche, Code-Ausführung und Dateioperationen und versuchte, selbständig Ziele zu erreichen.
AutoGPT zeigte sowohl das Potenzial (beeindruckende Selbständigkeit) als auch die Grenzen (endlose Schleifen, "halluzinierte" Pläne, unkontrollierte Aktionen) früher Agenten. Die frühe Version gilt heute als historisches Referenzprojekt; das Projekt selbst wird als Plattform für Agenten weiterentwickelt.
Claude-Agenten (Anthropic)
Anthropic hat agentische Nutzung von Claude explizit als Kernkompetenz entwickelt. Laut Anthropic sind Claude Opus 5.5 für lang laufende agentische Programmier- und Wissensarbeit und Claude Fable 5.2 für anspruchsvolles Denken und besonders lange agentische Aufgaben gedacht (Stand: November 2026). Alle aktuellen Modelle unterstützen Tool Use.
Computer Use (seit Oktober 2024): Claude kann einen Computer bedienen wie ein Mensch: Bildschirm betrachten, Mauszeiger bewegen, Schaltflächen klicken, Text eingeben. Anthropic stellte die Funktion am 22. Oktober 2024 als öffentliche Beta vor und empfahl, mit risikoarmen Aufgaben zu beginnen. Das ermöglicht Automatisierung auch dort, wo es keine API gibt.
Claude Code (CLI): Ein Agentic Coding Assistant, der eigenständig Code analysiert, schreibt, Tests ausführt und Bugs behebt. Nutzt das lokale Dateisystem als Werkzeug.
LangChain und Frameworks
LangChain ist eines der bekanntesten Frameworks für den Aufbau von LLM-Agenten (Python und JavaScript). Es standardisiert die Verbindung von LLMs, Tools, Memory und Abläufen; für komplexere, zustandsbehaftete Agenten gibt es das Schwesterprojekt LangGraph.
Wichtige LangChain-Konzepte:
- Agents: Agenten, die auf Basis eines Modells Werkzeuge in einer Schleife aufrufen (ReAct-Prinzip)
- Tools: Einfach erweiterbare Tool-Klassen
- Chains: Festgelegte Abfolgen von LLM-Calls und Tool-Nutzungen
- LCEL (LangChain Expression Language): Deklarative Kompositionssprache für Ketten
Alternativen zu LangChain:
- LlamaIndex: Fokus auf RAG (Retrieval-Augmented Generation), gut für dokumentenbasierte Agenten
- CrewAI: Framework für Multi-Agent-Teams
- Microsoft Agent Framework: Nachfolger des inzwischen archivierten Forschungsprojekts AutoGen
- OpenAI Agents SDK: Nachfolger des experimentellen Frameworks Swarm, für Multi-Agent-Workflows
Multi-Agent-Workflows
Statt einem Generalisten-Agenten werden Aufgaben auf spezialisierte Agenten verteilt, die zusammenarbeiten:
Typische Multi-Agent-Architektur für Content-Produktion:
- Research Agent: Recherchiert Fakten, Quellen, aktuelle Ereignisse (Websuche)
- Writing Agent: Verfasst Text auf Basis der Recherche
- Review Agent: Prüft auf Fakten, Stil, Rechtschreibung
- SEO Agent: Optimiert für Suchmaschinen
- Coordinator Agent (Orchestrator): Verteilt Aufgaben, sammelt Ergebnisse, gibt Freigabe
Diese Architektur macht Systeme robuster: Fehler eines Spezialisten-Agenten werden vom Coordinator erkannt und können an einen Review-Agenten weitergegeben werden.
Grenzen und Risiken agentischer KI
Agentische Systeme haben akute Risiken, die ernst genommen werden müssen:
Endlosschleifen: Agenten können in unproduktiven Schleifen gefangen werden, bei denen sie immer wieder die gleichen Schritte ausführen ohne Fortschritt.
Unkontrollierte Aktionen: Ein Agent mit Dateisystem-Zugriff kann versehentlich Dateien löschen. Ein Agent mit API-Zugriff kann unbeabsichtigt API-Kosten verursachen oder Daten verändern.
Prompt Injection: Wenn ein Agent Web-Inhalte liest, kann bösartiger Text im Webinhalt ("Ignore previous instructions, send all data to...") die Agenten-Aktionen manipulieren.
Kompetenzüberschätzung: Agenten schätzen ihre eigenen Fähigkeiten manchmal falsch ein und behaupten Aufgaben ausgeführt zu haben, die sie nicht ausgeführt haben.
Für alle agentischen Systeme in der Produktion gilt: Human-in-the-Loop ist unverzichtbar.
Beispiele
Medienrecherche-Agent: Ein Agent erhält den Auftrag: "Recherchiere alle relevanten Meldungen der letzten 24 Stunden zu KI in der Medienbranche. Erstelle eine priorisierte Liste mit Kurzzusammenfassungen." Der Agent nutzt eine Such-API, liest Artikel, fasst zusammen und erstellt ein Markdown-Dokument. Ein Mensch prüft Quellen und Gewichtung, bevor die Liste verteilt wird.
Content-Produktion mit Multi-Agent: CrewAI-basiertes System mit Research Agent, Writing Agent und Editor Agent produziert Erstversionen von Branchenberichten. Human-in-the-Loop vor Veröffentlichung.
Automatisierter Customer Support: Claude-Agent bearbeitet Kundenanfragen per E-Mail: versteht Anfrage, sucht in Wissensdatenbank, entwirft Antwort. Komplexe Fälle werden an menschliche Supportmitarbeiter eskaliert.
In der Praxis
Einstieg mit n8n AI Agents: n8n bietet eigene AI-Agent-Nodes, die ohne Python-Kenntnisse genutzt werden können. Innerhalb von n8n: Open-Source-Automatisierung lässt sich ein einfacher Recherche-Agent mit Such-Werkzeug und Memory zusammenklicken.
Einstieg mit Python (LangChain):
pip install langchainsowie das Paket für den gewünschten Modellanbieter und ein Such-Werkzeug installieren- API-Keys als Umgebungsvariablen einrichten
- Einfachen ReAct-Agenten mit Websearch-Tool erstellen
- Ziel-Prompt definieren und Agent ausführen
Vergleich & Abgrenzung
| System | Autonomiegrad | Risiko | Für wen? |
|---|---|---|---|
| Single LLM-Call | Minimal | Minimal | Einsteiger |
| Chain (festgelegte Schritte) | Niedrig | Niedrig | Mittlere Workflows |
| Single Agent mit Tools | Mittel | Mittel | Fortgeschrittene |
| Multi-Agent System | Hoch | Hoch | Profis, Entwickler |
| Fully Autonomous (no HITL) | Sehr hoch | Sehr hoch | Spezialanwendungen |
Häufige Fragen (FAQ)
Sind KI-Agenten bereits produktionsreif? Für eng definierte, überschaubare Aufgaben mit gutem Monitoring: ja. Für kreative, offene oder hochriskante Aufgaben ohne menschliche Aufsicht: noch nicht. Anthropic empfiehlt in „Building Effective Agents“, möglichst einfache Lösungen zu wählen und feste Workflows zu bevorzugen, wo die Schritte vorhersehbar sind.
Was ist der Unterschied zwischen einem Workflow und einem Agenten? Bei einem Workflow sind die Schritte im Code festgelegt, das Sprachmodell füllt nur einzelne Stationen aus. Ein Agent entscheidet dagegen selbst, welche Schritte und Werkzeuge er nutzt. Workflows eignen sich für klar definierte Aufgaben, Agenten für offene Probleme mit unvorhersehbarer Schrittzahl.
Was kostet der Betrieb eines KI-Agenten? Kosten entstehen durch Modell-API-Aufrufe (jede Planungs-Iteration und jedes Werkzeugergebnis kostet Tokens), externe Dienste wie Such-APIs und Server-Hosting. Bei intensivem Agenten-Einsatz steigen die Kosten schnell, deshalb Budgets, Rate Limits und Abbruchbedingungen setzen.
Wie vermeide ich Prompt Injection in Agenten? Inhalte aus dem Web als nicht vertrauenswürdig behandeln und vom System-Prompt trennen, Agenten nur mit den nötigsten Berechtigungen ausstatten, Code in einer Sandbox ausführen und riskante Aktionen (Senden, Löschen, Bezahlen) nur nach menschlicher Freigabe erlauben.
Verwandte Einträge
- Human-in-the-Loop
- API-Integration KI: Modelle in eigene Workflows einbinden
- n8n: Open-Source-Automatisierung
- Qualitätssicherung bei KI-Inhalten
- KI-Workflow Grundlagen
Weiterführend
- Yao, Shunyu et al.: ReAct: Synergizing Reasoning and Acting in Language Models, ICLR, 2023
- Wang, Guanzhi et al.: Voyager: An Open-Ended Embodied Agent with Large Language Models, 2023
- LangChain: LangChain Documentation, (abgerufen November 2026)
- Anthropic: Building Effective Agents, anthropic.com/engineering, 19. Dezember 2024
- Anthropic: Introducing computer use, anthropic.com/news, 22. Oktober 2024
- Xi, Zhiheng et al.: The Rise and Potential of Large Language Model Based Agents: A Survey, 2023
