Agentic AI Frameworks

Einfach erklärt

Agentic AI Frameworks sind Baukästen für autonome KI-Agenten. Ein Agent ist ein LLM, das nicht nur antwortet, sondern eigenständig plant, Tools nutzt und Aufgaben erledigt.

Der Agent-Loop:

         ┌─────────────┐
         │   Denken     │  ← LLM plant den nächsten Schritt
         └──────┬───────┘
                ▼
         ┌─────────────┐
         │   Handeln    │  ← Tool aufrufen (Websuche, API, Code)
         └──────┬───────┘
                ▼
         ┌─────────────┐
         │  Beobachten  │  ← Ergebnis analysieren
         └──────┬───────┘
                ▼
         ┌─────────────┐
         │  Reflektieren│  ← Fertig? Oder nächster Schritt?
         └──────┬───────┘
                │
           Fertig? ──Nein──▶ zurück zu "Denken"
                │
               Ja
                ▼
           Ergebnis

Framework-Vergleich

Framework	Ansatz	Multi-Agent	Tool-Integration	Einstieg
Gehostete Agents SDKs	Handoff- oder Workflow-basiert	✅	Function Calling / Tools	Einfach
CrewAI	Rollen & Tasks	✅	Tools + Protokolle	Einfach
LangGraph	State Graph	✅	LangChain Tools	Mittel
AutoGen	Konversation	✅	Flexibel	Mittel
Smolagents	Minimal	❌	Code-basiert	Einfach

Multi-Agent-Architektur (CrewAI-Beispiel)

from crewai import Agent, Task, Crew

# Agenten definieren
researcher = Agent(
    role="Recherche-Spezialist",
    goal="Aktuelle Informationen zu KI-Trends finden",
    tools=[web_search, arxiv_search],
)

writer = Agent(
    role="Tech-Autor",
    goal="Klare, verständliche Artikel schreiben",
    tools=[text_editor],
)

# Aufgaben definieren
research_task = Task(
    description="Recherchiere die neuesten Entwicklungen bei KI-Agenten",
    agent=researcher,
)

write_task = Task(
    description="Schreibe einen Blogartikel basierend auf der Recherche",
    agent=writer,
    context=[research_task],  # Nutzt Output der Recherche
)

# Crew starten
crew = Crew(agents=[researcher, writer], tasks=[research_task, write_task])
result = crew.kickoff()

Herausforderungen

• Zuverlässigkeit: Agenten können in Schleifen geraten oder falsche Tools wählen
• Kosten: Multi-Step-Reasoning verbraucht viele Tokens
• Debugging: Fehler in langen Agent-Chains sind schwer nachzuvollziehen
• Sicherheit: Agenten mit Tool-Zugang brauchen strenge Guardrails