Ein Sprachmodell, das Fragen beantwortet, ist nicht automatisch ein Agent.
Ein Agent kann ein Ziel verstehen, den aktuellen Zustand beobachten, eine Aktion auswählen, ein Tool verwenden, das Ergebnis prüfen und den Prozess wiederholen.
Ein nützliches Modell lautet:
Goal → Observe → Decide → Act → Evaluate → Repeat
Was ist ein AI Agent?
Ein AI Agent versucht, ein Ziel durch mehrere Entscheidungen und Aktionen zu erreichen.
Bei einer Anfrage wie:
Analysiere den aktuellen Status von Acme.
kann der Agent beispielsweise CRM-Daten abrufen, Opportunities prüfen, Support-Fälle analysieren und anschließend eine Zusammenfassung erstellen.
Ein Chatbot antwortet primär. Ein Agent kann einen Workflow durchführen.
Agent Loop
Der Agent Loop ist der Kern vieler Agent-Systeme.
Observe
↓
Decide
↓
Act
↓
Inspect Result
↓
RepeatEin Agent benötigt klare Stop Conditions, beispielsweise wenn das Ziel erreicht wurde, Informationen fehlen, menschliche Freigabe erforderlich ist oder das maximale Schrittlimit erreicht wurde.
Planning
Planning bedeutet, ein größeres Ziel in kleinere Schritte zu zerlegen.
Beispiel:
Erstelle einen Quartalsbericht.
kann in Datenabruf, Datenbereinigung, Berechnungen, Vergleich und Zusammenfassung aufgeteilt werden.
Dies wird als Task Decomposition bezeichnet.
Reasoning
Reasoning beschreibt die Auswahl der nächsten sinnvollen Aktion anhand der verfügbaren Informationen und Regeln.
Das Ergebnis kann beispielsweise sein:
ACT
ASK
ABSTAIN
oder
ESCALATE
Produktionssysteme sollten solche Entscheidungen möglichst strukturiert und auditierbar speichern.
Tool Calling
Tools verbinden den Agent mit realen Systemen.
Zum Beispiel:
get_customer(customerId)
get_opportunities(accountId)
create_task(data)
send_email(data)Das Modell kann ein Tool auswählen, die tatsächliche Ausführung sollte jedoch vom Backend kontrolliert werden.
Multi-Step Tasks
Viele Aufgaben benötigen mehrere abhängige Schritte.
Beispielsweise kann die Ermittlung von Kunden mit hohem Churn-Risiko Nutzungsdaten, Support-Tickets, Zahlungsdaten, Ranking und anschließend das Erstellen von Follow-up-Tasks erfordern.
Dafür benötigt der Agent einen zuverlässigen State.
Memory
Memory bezeichnet Informationen, die gespeichert und später wieder abgerufen werden.
Sie ist nicht identisch mit dem Context Window.
Wichtige Arten sind:
- Working Memory
- Conversation Memory
- Long-term Memory
- Episodic Memory
- Semantic Memory
Memory sollte selektiv eingesetzt werden, um veraltete Informationen, Kosten und Datenschutzprobleme zu vermeiden.
ReAct
ReAct kombiniert Entscheidung und Aktion:
Observe → Decide → Act → Observe
Der Agent beobachtet ein Ergebnis und entscheidet danach erneut, was als Nächstes geschehen soll.
Reflection und Verification
Reflection ermöglicht eine zusätzliche Überprüfung, ob eine Aufgabe tatsächlich korrekt abgeschlossen wurde.
Deterministische Regeln wie Berechtigungen, Finanzlimits oder Sicherheitsregeln sollten jedoch durch Code geprüft werden.
Human in the Loop
Sensible Aktionen sollten häufig menschliche Freigabe erfordern.
Ein typischer Ablauf lautet:
Agent schlägt vor → Mensch bestätigt → Backend führt aus
Praktische Architektur
User
↓
Agent Controller
↓
LLM
↓
Decision
↓
Tool Router
↓
APIs / Database
↓
ResultDer Agent Controller verwaltet typischerweise State, Step Limits, Permissions, Retries, Timeouts, Logging und Human Approval.
Agentic CRM Beispiel
Ein Agent soll Kunden mit hohem Churn-Risiko erkennen und Follow-up-Tasks erstellen.
Dafür kann er Accounts laden, Usage-Daten abrufen, Support-Historie analysieren, Risiken bewerten, Kunden sortieren und anschließend Tasks für Account Manager erstellen.
Wenn Daten fehlen, sollte der Agent nicht raten, sondern nachfragen oder eskalieren.
Sicherheit
Agenten besitzen eine größere Angriffsfläche als einfache Chatbots.
Wichtige Risiken sind Prompt Injection, Tool Abuse, unautorisierte Aktionen und Data Leakage.
Berechtigungen und sicherheitskritische Regeln müssen außerhalb des LLM überprüft werden.
Zusammenfassung
Ein AI Agent führt mehrere Entscheidungen und Aktionen aus, um ein Ziel zu erreichen.
Der Agent Loop verbindet Beobachtung, Entscheidung, Aktion und Auswertung.
Planning zerlegt Ziele in Schritte.
Tool Calling verbindet den Agent mit realen Systemen.
Memory stellt relevante Informationen später erneut bereit.
Ein vertrauenswürdiger Agent benötigt zusätzlich State Management, Validierung, Permissions, Error Handling, Stop Conditions, Logging und gegebenenfalls Human Approval.
Der nächste logische Schritt ist die detaillierte Beschäftigung mit Agent Architecture wie ReAct, Planner-Executor, Reflection, Verification und Orchestration.