Ein KI-Agent ist mehr als ein cleverer Chatbot. Während ein klassischer LLM-Aufruf eine Frage beantwortet, plant ein Agent mehrere Schritte, nutzt Werkzeuge, beobachtet Ergebnisse und passt seinen Kurs an. In diesem Tutorial bauen wir das mentale Modell auf, das Sie für alle weiteren Themen brauchen.
01Die drei Bausteine eines Agenten
Jeder Agent besteht aus einem LLM (dem 'Gehirn'), einer Werkzeug-Schicht (APIs, Datenbanken, Skripte) und einer Schleife, die beides miteinander verbindet. Erst diese Schleife — Plan, Act, Observe — macht aus einem Sprachmodell ein handelndes System.
- Reasoner: Das LLM, das Aufgaben in Schritte zerlegt.
- Tools: Funktionen, die der Agent aufrufen kann (Suche, SQL, E-Mail, Code).
- Memory: Kontextfenster und persistente Stores wie Vektordatenbanken.
02Wann lohnt sich ein Agent?
Nicht jeder Use Case braucht Autonomie. Ein Agent ist überall dort sinnvoll, wo Aufgaben mehrstufig, unvorhersehbar oder stark kontextabhängig sind — also überall dort, wo ein klassisches Skript ständig erweitert werden müsste.
- Mehrstufige Recherchen mit Zwischenentscheidungen
- Triage von Tickets, E-Mails oder Dokumenten
- Datenanalyse mit dynamischen Folgefragen
- Cross-System-Workflows (CRM ↔ ERP ↔ Mail)
03Single-Agent vs. Multi-Agent
Für viele Probleme reicht ein einzelner Agent mit gutem Tooling. Bei komplexen Domänen lohnt sich ein Team aus spezialisierten Agenten — ein Researcher, ein Writer, ein Reviewer — koordiniert durch einen Orchestrator.
Key Takeaways
- →Ein Agent = LLM + Tools + Schleife.
- →Autonomie ist ein Trade-off zwischen Flexibilität und Kontrolle.
- →Starten Sie mit einem einzelnen Agenten, bevor Sie Multi-Agent-Systeme bauen.