Wie KI-Agenten planen, Tools nutzen und eigenständig Aufgaben erledigen – von ReAct bis Multi-Agent.
KI-Agenten sind das Thema 2025/2026: Autonome Systeme, die planen, Tools nutzen und komplexe Aufgaben selbstständig erledigen. Alles über Aufbau, Frameworks und Praxis.
Ein KI-Agent ist mehr als ein Chatbot. Während ein LLM auf eine Frage antwortet und wartet, plant ein Agent, handelt und iteriert – bis eine Aufgabe erledigt ist.
Die einfachste Definition: Agent = LLM + Tools + Schleife
Das Modell entscheidet, welches Tool es aufruft, beobachtet das Ergebnis und entscheidet dann den nächsten Schritt. Das wiederholt sich, bis das Ziel erreicht ist.
Das LLM zerlegt die Aufgabe in Schritte, wählt Strategien und entscheidet, welche Tools wann eingesetzt werden.
Agenten brauchen explizites Gedächtnis: Short-Term (Kontext-Fenster), Long-Term (Vektordatenbank) und Episodic (vergangene Runs).
Funktionen, die der Agent aufrufen kann: Websuche, Code-Ausführung, Datenbankabfragen, API-Calls, Dateizugriff.
ReAct (Reason + Act) ist das wichtigste Muster für Agenten. Das Modell wechselt zwischen Denken und Handeln:
Thought: Ich muss den aktuellen Bitcoin-Kurs herausfinden.
Action: web_search("Bitcoin Kurs aktuell 2026")
Observation: Bitcoin steht bei $94.200 (Stand: 20.02.2026)
Thought: Jetzt kann ich die Frage beantworten.
Action: final_answer("Bitcoin steht aktuell bei $94.200")Jeder Schritt ist transparent – du siehst genau, was der Agent denkt und tut. Das macht Debugging möglich.
Das größte Problem bei Agenten ist nicht Reasoning – es ist Gedächtnis.
Ohne explizites Long-Term Memory beginnt jeder Run bei null.
Wenn eine Aufgabe zu komplex für einen einzelnen Agenten ist, kommen Multi-Agent-Systeme zum Einsatz:
Erst wenn du einen Single-Agent vollständig verstehst und seine Grenzen kennst. Multi-Agent-Systeme sind mächtiger, aber exponentiell schwerer zu debuggen.
| Framework | Stärke | Einstieg | Produktionsreif |
|---|---|---|---|
| LangGraph | Stateful Graphs, maximale Kontrolle | Mittel | ✓ |
| OpenAI Assistants API | Einfachster Einstieg, Hosted, Memory | Einfach | ✓ |
| CrewAI | Rollenbasierte Multi-Agenten, intuitiv | Einfach | ✓ |
| AutoGen v0.4 | Multi-Agent Conversations, Microsoft | Mittel | ✓ |
| LlamaIndex Agents | RAG-first, Enterprise-Daten | Mittel | ✓ |
| Semantic Kernel | .NET/Python, Enterprise-Integration | Mittel | ✓ |
| OpenAI Swarm | Leichtgewichtig, experimentell | Einfach | ✗ (experimentell) |
Empfehlung 2026: LangGraph für komplexe, produktionsreife Workflows. CrewAI für schnellen Einstieg in Multi-Agent. OpenAI Assistants API für gehostete Lösung ohne eigene Infrastruktur. LlamaIndex wenn RAG über Unternehmensdaten im Mittelpunkt steht.
Agenten mit Tool-Zugriff können echten Schaden anrichten. Pflichtmaßnahmen:
Problem: Unbegrenzte Ausführungsschleifen
Ohne maximale Schrittzahl kann ein Agent in einer Endlosschleife stecken und Kosten explodieren lassen. Immer max_iterations setzen.
Problem: Zu breite Tool-Berechtigungen
Ein Agent, der Dateien lesen, schreiben und löschen kann, ist ein Sicherheitsrisiko. Trenne Lese- und Schreibzugriff.
Problem: Kein Memory-Management
Ohne explizites Memory-Pruning wächst der Kontext bis zum Limit und der Agent beginnt zu halluzinieren oder schlägt fehl.
Ersten Agenten mit OpenAI Assistants API bauen
Baue in 20 Minuten einen einfachen Recherche-Agenten, der Websuche und Code-Ausführung kombiniert.
Ein Chatbot antwortet auf Fragen – ein Agent handelt. Agenten können Tools aufrufen (Websuche, Code ausführen, APIs ansprechen), Pläne erstellen und iterativ auf Ergebnisse reagieren. Der entscheidende Unterschied: Agenten haben eine Ausführungsschleife und können eigenständig mehrere Schritte unternehmen.
Die wichtigsten: LangChain/LangGraph (Python, sehr verbreitet), OpenAI Assistants API (einfacher Einstieg), AutoGen (Microsoft, Multi-Agent), CrewAI (rollenbasierte Agenten), Semantic Kernel (Microsoft, .NET/Python). Für Produktion empfiehlt sich LangGraph wegen der besseren Kontrolle über den Agenten-Graph.
Stand 2026: Für klar definierte, reversible Aufgaben ja. Für kritische oder irreversible Aktionen (Geld überweisen, E-Mails versenden) braucht es Human-in-the-Loop. Die Fehlerrate ist noch zu hoch für vollständige Autonomie in sensiblen Bereichen. Guardrails und Approval-Flows sind Pflicht.
Agenten machen viele LLM-Aufrufe pro Aufgabe (typisch 5–20). Bei GPT-5 ($2–10/M Tokens) kann eine komplexe Aufgabe $0.10–$1 kosten. Für hohe Volumen: kleinere Modelle für einfache Schritte, große Modelle nur für Planung und kritische Entscheidungen.