KI-Agent

Definition

Ein KI-Agent ist ein Software-System, das ein Large Language Model als Steuerzentrale nutzt, um eigenständig Ziele zu verfolgen. Der Agent zerlegt eine Aufgabe in Schritte, wählt passende Werkzeuge aus einem definierten Set, ruft sie auf, beobachtet die Ergebnisse und entscheidet, wie es weitergeht. Anders als ein Chatbot, der pro Turn auf eine Anfrage antwortet, hält ein Agent Zustand über mehrere Schritte hinweg und arbeitet so lange, bis ein Ziel erreicht oder ein Abbruchkriterium ausgelöst wird.

Der Begriff ist 2026 wieder breit etabliert, nachdem Anthropic, OpenAI und Google im Jahr 2024 produktionsreife Agent-APIs eingeführt haben. Die Forschungsgeschichte reicht bis in die klassische KI der 1980er Jahre zurück, der heutige Sprachgebrauch meint aber konsequent LLM-getriebene Agenten.

Architektur

Ein produktionsreifer Agent besteht aus vier Kernbausteinen:

• Reasoning-Kern: Ein Sprachmodell, das pro Iteration entscheidet, was als Nächstes zu tun ist. Übliche Wahl 2026 sind Claude Sonnet, Claude Opus, GPT-5 und Gemini 2.5.
• Tool-Set: Eine Sammlung klar dokumentierter Funktionen mit Schema, Beschreibung und Beispielen. Tools können HTTP-Calls, Datenbank-Queries, Datei-Operationen, Code-Ausführung oder weitere Agenten sein.
• Speicher: Kurzzeit-Kontext im Conversation-State plus optional Langzeit-Memory (Vector-Store, Knowledge-Graph, Episoden-Speicher).
• Kontroll-Schleife: Orchestrierungs-Layer, der Schritte koordiniert, Tool-Antworten zurück ins Modell speist, Fehler abfängt, Budget- und Schritt-Limits durchsetzt und Abbruchbedingungen prüft.

Die typische Iteration folgt dem ReAct-Muster: das Modell formuliert einen Gedanken, wählt ein Tool, beobachtet das Ergebnis und entscheidet, ob es fertig ist oder einen weiteren Schritt benötigt.

Agent versus Workflow

Anthropic unterscheidet in der einflussreichen Publikation Building Effective Agents zwischen Workflows und Agents:

• Workflow: vordefinierte Schrittfolge, das Modell wird als Komponente eingesetzt. Vorhersehbar, günstig, einfach zu debuggen.
• Agent: das Modell entscheidet selbst, welche Schritte in welcher Reihenfolge ausgeführt werden. Flexibel, aber teurer und schwerer zu kontrollieren.

Die Empfehlung lautet, immer mit dem einfachsten Workflow zu beginnen und nur dann zum Agenten zu wechseln, wenn die Aufgabenmenge zu vielfältig ist oder die Schrittfolge sich erst zur Laufzeit zeigt.

Praxis und Anwendung

Typische Einsatzfelder 2026:

• Software-Engineering: Code-Agenten wie Claude Code, Cursor Agent, Aider und Devin schreiben, refactoren und testen Code in echten Repos.
• Research: Deep-Research-Agenten von OpenAI, Anthropic und Perplexity recherchieren mehrstufig, fassen Quellen zusammen und liefern zitierfähige Reports.
• Customer Support: Tier-1-Anliegen werden von Agenten beantwortet, die CRM, Knowledge-Base und Ticket-System anbinden.
• Data Analytics: Agenten formulieren SQL-Queries, prüfen die Ergebnisse und iterieren auf Basis von Schema und Daten.
• Browser-Automation: Computer-Use-Modelle steuern Browser-Sessions, füllen Formulare aus oder testen Web-Anwendungen.
• Wissenschaft: Lab-Agenten orchestrieren Simulations-Pipelines, Datenanalyse und Literatursuche.

Ein typischer Setup-Flow für einen Custom-Agenten: System-Prompt mit Rolle und Stop-Bedingung, Tool-Definitionen mit klaren Beschreibungen, Loop mit Schritt-Limit und Budget-Cap, Eval-Suite mit reproduzierbaren Aufgaben.

Häufige Fehler

• Zu viele Tools auf einmal: Modelle wählen schlechter, wenn das Tool-Menü zu lang ist. Anthropic empfiehlt Hierarchien oder Tool-Filterung.
• Schwache Tool-Beschreibungen: Tools ohne klares Schema und Beispiel werden falsch aufgerufen. Tool-Doku ist wichtiger als Prompt-Engineering am Modell.
• Fehlende Stop-Bedingung: Agent läuft endlos oder bricht zu früh ab. Explizites Erfolgs- und Abbruchkriterium ist Pflicht.
• Keine Budgets: Tokens und Tool-Calls eskalieren. Hard Caps pro Run und Soft Limits mit Warnung sind Standard.
• Vermischung von Reasoning und Tool-Auswahl im Prompt: sauberes Trennen zwischen Plan, Tool-Call und Beobachtung erhöht die Steuerbarkeit.
• Prompt Injection ignoriert: externe Inhalte (Webseiten, E-Mails, Dokumente) können den Agenten kapern. Trust-Boundaries und Sanitization sind Pflicht.

Sicherheit und Governance

Agenten haben oft weitreichende Berechtigungen (Datei-System, Browser, API-Keys). Best Practices:

• Least Privilege: jedes Tool nur mit den minimal nötigen Rechten.
• Sandboxing: Code-Ausführung in isolierten Containern.
• Consent UI: explizite User-Bestätigung für destruktive Aktionen.
• Audit-Logging: vollständige Aufzeichnung aller Tool-Calls und Modell-Ausgaben.
• Limits: Schritt-Cap, Token-Cap, Kosten-Cap pro Run.
• Eval-Coverage: Regression-Suite vor jedem Modell- oder Prompt-Wechsel.

Abgrenzung

• Chatbot: reagiert pro Turn, keine Tool-Schleife, keine Mehrschritt-Planung.
• Workflow: feste Schrittfolge, Modell ist Komponente, keine eigene Entscheidung über Reihenfolge.
• Copilot: assistiert dem User in Echtzeit, übernimmt aber nicht die Kontrolle.
• RPA (Robotic Process Automation): regelbasiert, kein Reasoning-Kern, kein Sprachmodell.
• Multi-Agent-System: mehrere Agenten kooperieren, jeder einzelne Agent bleibt nach obiger Definition ein Agent.