Agentische KI-Architektur: Ein praktischer Leitfaden zum Aufbau intelligenterer KI-Systeme

Eine Architektur für agentische KI ("Agentic AI Architecture") ist ein Systemkonzept, bei dem mehrere spezialisierte KI-Agenten so organisiert sind, dass jeder Agent einen bestimmten Teil einer größeren Aufgabe übernimmt. Das Ziel ist es, dass das Gesamtergebnis das Ergebnis jedes für sich allein arbeitenden Modells übertrifft.

„Stellen Sie sich diese LLMs im Grunde als Agenten vor, von denen jeder einen Teil dieser Aufgabe übernimmt“, erklärt Don Woodlock, Präsident von InterSystems, in seiner Reihe „Code to Care“.

Im Gegensatz zur herkömmlichen KI, die auf eine einzelne Eingabe mit einer einzigen Ausgabe reagiert, sind agentenbasierte KI-Systeme in der Lage, zu planen, Werkzeuge einzusetzen, Erinnerungen zu speichern und über mehrere Schritte hinweg autonome Entscheidungen zu treffen.

Anstatt ein einziges Modell mit allen Aufgaben zu betrauen, weisen Sie jedem intelligenten Agenten eine spezielle Rolle zu. Einer entwirft. Weitere Kritikpunkte. Ein Dritter überarbeitet. Manche Agenten sind nicht einmal Sprachmodelle, sondern Tools wie Suchmaschinen, APIs und Rechner. Ein Koordinator bringt sie alle auf ein gemeinsames Ziel hin in Einklang.

Wie wurde das praktikabel? Große Sprachmodelle haben eine Zuverlässigkeitsschwelle überschritten. Frühere Modelle waren bei der Ausführung autonomer Teilaufgaben nicht zuverlässig; sie kamen vom Thema ab oder erfanden Einschränkungen. Moderne KI-Agenten können komplexe Anweisungen so gut befolgen, dass jedem von ihnen eine spezielle Rolle innerhalb eines größeren Systems zugewiesen werden kann, sie ihre Umgebung wahrnehmen und ohne menschliches Eingreifen bei jedem Schritt eigenständig Maßnahmen ergreifen können.

Große Sprachmodelle generieren ihre Ausgabe Token für Token und bewegen sich dabei ausschließlich vorwärts. Ein einzelner Modellaufruf enthält keine Korrektur.

Überlegen Sie sich, wie Sie vorgehen würden, wenn Sie einen Marketingplan erstellen wollen. Sie würden mit einer Gliederung beginnen. Einen Entwurf verfassen. Den Entwurf gegenlesen. Sie würden sich Feedback einholen. Sie würden den Plan überarbeiten. Sie würden vielleicht erst einmal einen Probelauf machen und erst im Anschluss eine endgültige Fassung erstellen. Sie arbeiten also mit mehreren Überarbeitungen, von denen jede die vorherige verbessert.

Ein LLM erledigt all das in einem einzigen Durchlauf. Keine Gliederung. Keine Kritik. Keine Überarbeitung. Die Ausgabe entspricht genau dem, was das Modell Wort für Wort vorhergesagt hat, ohne dass die Möglichkeit besteht, einen Schritt zurückzugehen und die Entscheidung zu überdenken.

Die agentische KI-Architektur schließt diese Lücke. Indem Sie Agenten, die jeweils für eine andere Aufgabe zuständig sind, miteinander verknüpfen, ermöglichen Sie KI-Systemen, komplexe Arbeitsabläufe zu entwerfen, zu bewerten und zu verfeinern, die ein einzelnes Modell allein nicht bewältigen kann.

Forschung zu „Chain-of-Thought“-Prompts ( Wei et al., 2022; Kojima et al., 2022) hat gezeigt, dass die Aufforderung an große Sprachmodelle (LLMs), Zwischenschritte der Argumentation durchzuarbeiten, die Genauigkeit bei komplexen Aufgaben deutlich verbesserte. Die agentische KI-Architektur erweitert dieses Prinzip einer einzelnen Prompt-Technik zu einem vollständigen Systemdesign: Anstatt ein einzelnes Modell aufzufordern, innezuhalten und nachzudenken, baut man ein Team aus Agenten auf, das von Natur aus in Phasen arbeitet.

Beginnen Sie mit dem, was Don Woodlock als „Compound AI“ bezeichnet, und verknüpfen Sie mehrere LLMs miteinander, anstatt sich auf ein einziges zu verlassen. Die einfachste Variante verwendet drei nacheinander geschaltete Modelle:

1. Entwurfs-Agent: Erzeugt eine erste Ausgabe
2. Prüf-Agent: Bewertet den Entwurf anhand der ursprünglichen Anforderungen
3. Abschluss-Agent: überarbeitet auf Grundlage der Kritik

„Das funktioniert tatsächlich. Damit erzielen Sie ein deutlich besseres Ergebnis. „Das kannst du eigentlich selbst mit ChatGPT ausprobieren.“ - Don Woodlock

Der entscheidende Perspektivenwechsel: Man versteht jeden einzelne LLM-Aufrufe nicht mehr als „die KI“. Betrachten Sie jeden einzelnen LLM-Aufruf als einen Agenten mit einer klar definierten Rolle: als Entwerfer, Kritiker oder Vollender. Sie können für alle drei dasselbe Modell verwenden oder verschiedene Modelle kombinieren, um Abwechslung und unterschiedliche Perspektiven zu schaffen. Das Gesamtergebnis übertrifft das jedes Einzelaufrufs.

Sobald man in Begriffen von Agenten denkt, kommt man zu folgender Erkenntnis: Nicht jeder Agent muss ein Sprachmodell sein.

„Einige dieser Agenten könnten Werkzeuge sein, die beispielsweise eine Google-Suche durchführen, eine API aufrufen, um einen Termin zu vereinbaren, oder die APIs einer Taschenrechner-App nutzen, um Berechnungen durchzuführen.“ - Don Woodlock

In Dons Beispiel ermittelt ein „Datenanfrage-Agent“, welche Statistiken einen Marketingplan untermauern würden. Ein erster Agent führt Websuchen durch, um sie zu finden. Dieser Suchagent ist ein API-Aufruf. Innerhalb des Systems erfüllt es jedoch dieselbe Funktion: eine Aufgabe entgegennehmen, sie ausführen, ein Ergebnis zurückgeben.

Genau das unterscheidet agentische Systeme von Prompt-Ketten. Die Architektur unterstützt jede Art von Verarbeitung (z. B. Sprachmodelle, Suchmaschinen, Datenbanken, Rechner oder externe APIs), die alle auf ein einziges Ziel ausgerichtet sind.

Der letzte Schritt: Der Arbeitsablauf muss nicht fest programmiert sein.

Anstatt einen festen sechsstufigen Prozess festzulegen, geben Sie einem Orchestrator-Agenten ein Ziel, eine Reihe verfügbarer Agenten und allgemeine Anweisungen vor. Er bestimmt die Reihenfolge. Möglicherweise wird das Thema für weitere Untersuchungen noch einmal aufgegriffen. Möglicherweise wird ein Schritt übersprungen, der nicht erforderlich ist. Er passt sich an.

Stellen Sie sich den Orchestrator wie einen Detektiv vor. Ein Ermittler hält sich nicht an eine Checkliste, sondern verfolgt ein Ziel (die Aufklärung des Falls) und lässt sich bei seinen nächsten Ermittlungsschritten von jedem einzelnen Beweis leiten. Wenn eine Spur kalt wird, beginnt er von vorne. Wenn ein Zeuge einen neuen Ansatz aufzeigt, geht er diesem nach. Der Orchestrator funktioniert nach dem gleichen Prinzip: Erst das Ziel, dann die Abfolge.

Genau darin unterscheidet sich die agentische KI-Architektur von der herkömmlichen Automatisierung. Das System folgt keinem Skript. Es verfolgt ein Ziel.

Jedes agentische System, unabhängig von seiner Komplexität, besteht aus vier Kernmodulen sowie einer Koordinationsschicht, die diese miteinander verbindet.

Das Wahrnehmungsmodul fungiert als sensorische Ebene des Systems, sammelt Echtzeitdaten aus APIs, Datenbanken, Sensordaten oder Benutzeroberflächen und verarbeitet diese Daten zu verwertbaren Informationen. In diesem Schritt werden Texteingaben mithilfe von Natural Language Processing (NLP - Verarbeitung natürlicher Sprache) analysiert, Bilder mittels Bildverarbeitung interpretiert und strukturierte Datensätze aus Unternehmenssystemen durch Datenkonnektoren abgerufen. Die Wahrnehmungsschicht legt die Obergrenze für alle nachfolgenden Schritte fest. Die Leistung eines Agenten hängt entscheidend von der Qualität der Daten ab, auf die er zugreifen kann.

Im Gesundheitswesen nutzen Organisationen einheitliche Datenplattformen wie InterSystems HealthShare, um Datensätze verschiedener EHR-Anbieter mithilfe von Standards wie FHIR^® und HL7® zusammenzuführen. Dadurch erhalten deren KI-Agenten eine weitaus umfassendere Datengrundlage als diejenigen, die auf fragmentierte Silos zurückgreifen.

Das kognitive Modul interpretiert die Eingaben aus der Wahrnehmungsschicht vor dem Hintergrund der aktuellen Ziele des Agenten. Hier kommen Modelle des maschinellen Lernens, die „Chain-of-Thought“-Logik und Planungsalgorithmen zum Einsatz.

Die Schlussfolgerungsfähigkeiten großer Sprachmodelle haben es ermöglicht, dass deliberative Agenten praxistauglich geworden sind. Sie können verschiedene Optionen abwägen, Teilziele festlegen und ihre Pläne während der Bearbeitung einer Aufgabe anpassen.

Allerdings kann es gerade beim Schlussfolgern auch zu Fehlern kommen. Ein Modell, das Daten falsch interpretiert oder das falsche Teilziel festlegt, führt zu einer Kaskade von Fehlern in den nachfolgenden Schritten.

Erinnerungssysteme geben Agenten Kontextinformationen, die über die aktuelle Eingabe hinausgehen. Das Kurzzeitgedächtnis verfolgt den Kontext der aktiven Sitzung sowie deren Zwischenergebnisse. Was hat der Entwurfs-Agent bisher geleistet? Welche Daten wurden bereits abgerufen?

Das Langzeitgedächtnis speichert historische Ergebnisse, Nutzerpräferenzen und gesammeltes Wissen, wodurch sich das System im Laufe der Zeit verbessert. Agenten, die Aufzeichnungen über vergangene Interaktionen und Umgebungszustände führen, sind in der Lage, Schlussfolgerungen mit langem Zeithorizont zu ziehen, wodurch die heutige Aufgabe mit den aus früheren Aufgaben gewonnenen Erkenntnissen verknüpft wird.

Die Kontextverwaltung zwischen den Agenten gehört zu den schwierigeren technischen Problemen in Multi-Agenten-Systemen; der Wissensumfang jedes Agenten muss richtig abgegrenzt werden, damit er über die notwendigen Informationen verfügt, ohne von irrelevanten Informationen überflutet zu werden.

Das Aktionsmodul führt Entscheidungen aus: Es generiert Text, ruft eine API auf, aktualisiert einen Datenbankeintrag oder leitet die Bearbeitung an den nächsten Agenten weiter. In Dons Modell führen die Agenten „Entwurf“, „Prüfung“ und „Endfassung“ jeweils unterschiedliche Aktionen aus, die alle demselben Ziel dienen.

Aktionen können auch nachgelagerte Prozesse in externen Softwaresystemen auslösen, wie beispielsweise die Terminplanung, die Erstellung von Tickets, die Aktualisierung von CRM-Datensätzen oder die Weiterleitung von Daten an Analyse-Pipelines. Die Aktionsschicht ist der Ort, an dem die agentische KI eine Verbindung zur realen Welt herstellt.

Die Orchestrierungsschicht koordiniert den Daten- und Steuerungsfluss zwischen allen anderen Modulen und entscheidet, welcher Agent als Nächstes ausgeführt wird und welche Informationen er erhält.

Darunter befindet sich die Rückkopplungsschleife – der Mechanismus, der es dem System ermöglicht, seinen eigenen Fortschritt zu bewerten, logische Fehler zu erkennen und Strategien auf der Grundlage von Rückmeldungen aus der Umgebung in Echtzeit anzupassen. Agentenbasierte Systeme verbessern sich im Laufe der Zeit durch Schleifen des verstärkenden Lernens ("Reinforcement Learning"), da sie immer mehr Daten aufnehmen und das Verhalten der Agenten mit jeder Iteration verfeinern.

Agentenbasierte Systeme lassen sich auf zwei Ebenen analysieren: zum einen, wie einzelne Agenten gestaltet sind, und zum anderen, wie mehrere Agenten zu einem System organisiert sind.

Die Art und Weise, wie ein einzelner Agent Informationen verarbeitet und Entscheidungen trifft, bestimmt, was er bewältigen kann:

Muster	So funktioniert es	Am besten geeignet für
Reaktiv	Reagiert auf unmittelbare Reize, ohne auf das Gedächtnis oder Vorhersagen zurückzugreifen Ein modellbasierter Reflexagent ordnet Wahrnehmungen direkt Handlungen zu	Einfache, schnelle Aufgaben: Weiterleitung von Warnmeldungen, schwellenwertbasierte Auslöser
Beratend	Begründet, plant und nutzt interne Modelle der Welt, um Entscheidungen zu treffen Langsamer, aber weitaus leistungsfähiger	Komplexe Probleme, die eine mehrstufige Planung erfordern: Recherche, Analyse
Kognitiv	Imitiert menschliches Denken, einschließlich logischen Schlussfolgerns, Lernens und autonomer Entscheidungsfindung, und verfügt dabei sowohl über Kurzzeit- als auch über Langzeitgedächtnis.	Aufgaben, die eine Anpassung erfordern: personalisierte Empfehlungen, iterative Erstellung von Inhalten

Die meisten modernen KI-Agenten sind deliberativ oder kognitiv. Dank der Schlussfolgerungsfähigkeiten großer Sprachmodelle lassen sich diese Muster heute auf eine Weise praktisch nutzen, die vor fünf Jahren noch unmöglich war.

Die Organisationsform der Agenten bestimmt, wie sie zusammenarbeiten und wer Entscheidungen trifft:

Muster	Aufbau	Am besten geeignet für	Abwägung
Einzelagent	Ein Agent, der mithilfe von Tools und einer Systemaufforderung zentralisierte Entscheidungen trifft Ein-Agent-Systeme bewältigen die gesamte Aufgabe eigenständig	Klar definierte Aufgaben: Recherche im Support, Zusammenfassung von Dokumenten, Code-Review	Einfach zu erstellen und zu debuggen Durch die Fähigkeiten und Limitierungen des jeweils eingesetzten Agenten begrenzt
Pipeline (vertikal)	Ein leitender Agent überwacht Teilaufgaben und leitet mehrere spezialisierte Agenten nacheinander an Hierarchisch organisierte KI-Agenten melden ihre Ergebnisse an die übergeordneten Ebenen zurück	Sequenzielle Arbeitsabläufe: Erstellung von Inhalten, Datenverarbeitung, Berichterstellung	Vorhersehbar und überprüfbar Unflexibel, wenn sich die Anforderungen während der Aufgabenausführung ändern
Peer (horizontal)	Die Agenten arbeiten in einem dezentralen System auf Augenhöhe zusammen; es gibt keinen zentralen Leiter. Die Agenten agieren eigenständig und handeln die Ergebnisse aus	Kreative Aufgaben: Brainstorming, Red-Team-/Blue-Team-Bewertung, interdisziplinäre Analyse	Vielfältige Perspektiven Es ist schwieriger, sich auf eine einzige Antwort zu einigen
Hybrid	Verbindet strukturierte Führung mit kooperativer Flexibilität und sorgt so für ein Gleichgewicht zwischen strukturierten und kreativen Anforderungen in Führungsrollen Führungswechsel je nach Aufgabenphase	Komplexe Projekte, bei denen strukturierte Umsetzung und freie Erkundung miteinander verbunden sind	Am fähigsten Am aufwendigsten in der Entwicklung und Fehlerbehebung

Dons Beispiel „Entwurf – Kritik – Überarbeitung“ ist ein Prozessablauf, bei dem der Arbeitsablauf einer vorgegebenen Reihenfolge folgt. Sein Orchestrator-Beispiel ist ein Hybridmodell, bei dem sich das System je nach den Ergebnissen der einzelnen Schritte anpasst.

Die ideale Agentenarchitektur hängt von den Anforderungen der Anwendung ab. Beginnen Sie mit einer Ein-Agenten-Architektur für klar definierte Aufgaben. Wechseln Sie erst dann zu Multi-Agenten-Architekturen, wenn die Komplexität der Aufgabe dies erfordert, beispielsweise im Hinblick auf Spezialisierung, parallele Ausführung oder domänenübergreifende Koordination.

In Multi-Agenten-Architekturen besteht die Herausforderung darin, die einzelnen Agenten zur Zusammenarbeit zu bewegen.

Die Zusammenarbeit von Multi-Agenten erfordert die Lösung dreier Herausforderungen: Kommunikation, Koordination und gemeinsame Ressourcennutzung.

Agenten kommunizieren über strukturierten Nachrichtenaustausch. Die Ausgabe eines Agenten wird zur Eingabe eines anderen. Kommunikationsprotokolle legen das Format, die Weiterleitung und die Priorität dieser Nachrichten fest.

In vertikalen Systemen folgen Agenten, die einem leitenden Agenten unterstellt sind, einem Hub-and-Spoke-Modell. In horizontalen Systemen kommunizieren die Agenten auf Peer-to-Peer-Basis miteinander.

Standards wie das Model Context Protocol (MCP) wurden entwickelt, um die Art und Weise zu standardisieren, wie Agenten eine Verbindung zu Tools und Datenquellen herstellen, und so den Integrationsaufwand für die Entwicklerteams der Agenten zu verringern.

Eines der Hauptmerkmale von Multi-Agenten-Systemen gegenüber Ein-Agenten-Architekturen ist die parallele Verarbeitung. Verschiedene Agenten können gleichzeitig separate Teilaufgaben bearbeiten (z. B. recherchiert einer, während ein anderer einen Entwurf erstellt und ein dritter eine Datenbank abfragt).

Dadurch können KI-Agenten komplexe Probleme schneller lösen als ein einzelnes Modell, das sequenziell arbeitet. Die parallele Ausführung bringt jedoch Herausforderungen bei der Synchronisation mit sich: Die Agenten müssen ihre Ergebnisse kohärent zusammenführen, ohne dass es zu Widersprüchen oder Doppelungen kommt.

Die größte Herausforderung bei Multi-Agenten-Architekturen ist die Koordination. Ohne robuste Synchronisationsmechanismen nutzen Agenten Ressourcen ineffizient, führen Doppelarbeit durch oder erzeugen widersprüchliche Ergebnisse.

Dies ist besonders in dynamischen Umgebungen ein akutes Problem, in denen sich die Aufgabenanforderungen während des Arbeitsablaufs ändern. Die Leistungsüberwachung auf Systemebene (d. h. die Erfassung, welche Agenten Engpässe aufweisen, welche im Leerlauf sind und wo sich Fehler häufen) ist unerlässlich, um die KI-Leistung bei einer Skalierung des Systems aufrechtzuerhalten.

Multi-Agenten-Systeme eignen sich besonders gut für Bereiche, die eine Zusammenarbeit über verschiedene Kompetenzbereiche hinweg erfordern, wie beispielsweise Compliance-Prüfungen, Marktforschung, Workflow-Optimierung oder funktionsübergreifende Projekte, bei denen analytisches, kreatives und operatives Fachwissen in einem einzigen Ergebnis zusammenfließen müssen.

Agentische KI ist nicht immer die richtige Wahl. Das Zusammenfassen eines Dokuments, das Klassifizieren eines Support-Tickets oder das Übersetzen von Texten funktioniert problemlos mit einem einzigen LLM-Aufruf. Der Einsatz zusätzlicher Agenten für diese Aufgaben verursacht Mehraufwand, ohne dass sich dadurch eine nennenswerte Verbesserung ergibt.

Agentische KI-Architektur wird dann komplex, wenn:

• Die Aufgaben umfassen mehrere aufeinanderfolgende Schritte: Recherche, Analyse und Synthese
• Externe Daten sind unverzichtbar: Das System muss während des Workflows Daten aus Datenbanken, APIs oder Live-Quellen abrufen.
• Selbstkorrektur verbessert die Ergebnisse: Ein Prüfzyklus steigert die Qualität der Arbeitsergebnisse messbar
• Eine systemübergreifende Koordination ist erforderlich: Die Agenten müssen Daten von verschiedenen Plattformen abrufen und an diese übermitteln.

Wenn die Aufgabe eine einzige Eingabe, eine einzige Ausgabe und keine Zwischenentscheidungen umfasst, wird ein gut durchdachtes Einzelprompt ein agentenbasiertes System bei einem Bruchteil der Kosten und der Latenzzeit übertreffen.

Agentische KI-Systeme zeichnen sich durch die Lösung offener Probleme aus, die eine autonome Entscheidungsfindung und die Verwaltung komplexer, mehrstufiger Arbeitsabläufe erfordern. In Unternehmensumgebungen führt dies zu messbaren Auswirkungen.

Unternehmen berichten von einer Beschleunigung der Geschäftsprozesse um 30 % bis 50 %, wenn agentenbasierte Systeme die Automatisierung von Aufgaben in operativen Arbeitsabläufen wie Compliance-Prüfungen, Datenabgleich und Kunden-Onboarding übernehmen.

In der Praxis bedeutet dies, dass die Agenten auf bestimmte Geschäftsfunktionen zugeschnitten sind. Wie Don beschreibt, könnte man „ein Modell entwickeln, das die Übereinstimmung mit den Richtlinien Ihres Unternehmens oder Ihrer Marke überprüft“ und so die Compliance-Prüfung oder Marken-Governance von einem manuellen Engpass in einen automatisierten Schritt innerhalb eines agentengesteuerten Workflows verwandeln.

Agentische KI kann wissensintensive Aufgaben automatisieren, die herkömmliche KI-Modelle nicht bewältigen können, wie beispielsweise die Analyse unstrukturierter Daten aus mehreren Quellen, das Treffen von Ermessensentscheidungen und die Anpassung an Ausnahmen.

Diese Systeme arbeiten rund um die Uhr und lassen sich skalieren, um plötzliche Spitzen bei Datenmengen oder Anfragen zu bewältigen, ohne dass zusätzliches Personal eingestellt werden muss. Durch die Auslagerung sich wiederholender kognitiver Aufgaben können sich die Mitarbeiter auf hochwertige strategische Aufgaben und kreative Innovationen konzentrieren.

Im Gesundheitswesen verbessert agentische KI sowohl die betriebliche Effizienz als auch die klinische Entscheidungsfindung. Agenten, die medizinische Bilder analysieren, Patientenakten abgleichen und aus neuen Fällen lernen, können die Diagnosegenauigkeit im Laufe der Zeit verbessern.

Die Integration agentenbasierter KI in bestehende Unternehmenssysteme stärkt Wettbewerbsvorteile branchenübergreifend.

Plattformen wie InterSystems IRIS Data Platform bilden das Interoperabilitäts-Rückgrat, das diese Akteure im Gesundheitswesen und darüber hinaus benötigen, und verbinden Systeme herstellerunabhängig über Standards wie FHIR und HL7.

Auch Lieferkettenabläufe profitieren in ähnlicher Weise davon. Agenten, die Nachfrageschwankungen erkennen und die Auftragsabwicklung in Echtzeit anpassen, müssen Analysen auf der Grundlage von Live-Transaktionsdaten durchführen und nicht auf der Grundlage von Lagerbestandsdaten vom Vortag. InterSystems IRIS unterstützt dies nativ durch translytische Verarbeitung, bei der sowohl transaktionale als auch analytische Workloads ohne ETL-Verzögerungen auf denselben Daten ausgeführt werden.

Die Implementierung agentischer KI-Systeme erfordert eine sorgfältige Auswahl von Agententypen, Werkzeugen und Frameworks für agentische KI, die auf die spezifischen KI-Fähigkeiten und Geschäftsziele abgestimmt sind. Das Ökosystem hat sich rasch weiterentwickelt.

Agent-Frameworks übernehmen die Agenten-Logik, die Koordination und den Einsatz von Tools:

Framework	Verwaltet von	Vorgehensweise
LangGraph	LangChain	Grafikbasierte Arbeitsabläufe. Agenten als Knoten, Übergänge als Kanten. Maximale Flexibilität, steilere Lernkurve.
CrewAI	Open Source (AI Fund)	Rollenbasierte „Teams“. Weisen Sie den Agenten Rollen, Ziele und Kontext zu. Der schnellste Weg zu Multi-Agenten-Prototypen.
Microsoft Agent Framework	Microsoft	Einheitliches Framework (Zusammenführung von AutoGen und Semantic Kernel). Umfassende Azure-Integration. Auf größere Unternehmen ausgerichtet.
Google ADK	Google	Ein „Code-First“-Toolkit mit integrierten Werkzeugen, Unterstützung für das Model Context Protocol und einer grafischen Debugging-Benutzeroberfläche. Lässt sich in Vertex AI integrieren.

Diese Frameworks übernehmen die Agentenlogik und die Koordination. Agenten benötigen jedoch auch Zugriff auf Unternehmensdaten, die über verschiedene Datenbanken, Interoperabilitäts-Engines und Echtzeit-Analysen verteilt sind. Plattformen wie InterSystems IRIS stellen die Dateninfrastruktur bereit, auf die Agenten zugreifen und auf deren Grundlage sie agieren, sodass Entwickler agentenbasierte KI-Funktionen in bestehende Softwaresysteme integrieren können.

Die Auswahl eines praxistauglichen Frameworks ist für die Entwicklung wartbarer und skalierbarer Systeme von entscheidender Bedeutung. Die richtige Wahl hängt von der Fachkompetenz Ihres Teams, Ihrer Cloud-Umgebung und davon ab, ob Sie vorgefertigte Agent-Muster benötigen oder maximale Anpassungsmöglichkeiten wünschen.

Beginnen Sie hier: Wählen Sie ein Framework aus und wenden Sie das Muster „Entwurf – Prüfung – Überarbeitung“ aus Schritt 1 an. Verwenden Sie ein einziges LLM für alle drei Agenten. Bringen Sie es zum Laufen. Dann erweitern Sie es.

Die Entwicklung agentischer KI-Systeme bringt Kompromisse mit sich, die bei Ansätzen mit einem einzigen Modell vermieden werden. Unternehmen müssen erhebliche technische Herausforderungen bewältigen, um eine erfolgreiche Umsetzung zu gewährleisten.

• Latenzzeiten summieren sich. Jeder Agent fügt einen zusätzlichen Verarbeitungsschritt mit Hin- und Rückübertragung der Daten hinzu. Eine Pipeline mit drei Agenten benötigt daher ungefähr dreimal so viel Zeit wie ein einzelner Aufruf. Berücksichtigen Sie akzeptable Antwortzeiten bereits bei der Konzeption, bevor Sie weitere Agenten hinzufügen.
• Fehler weiten sich aus. Eine fehlerhafte Ausgabe des Entwurfs-Agenten wird an den Prüf-Agenten weitergeleitet, der den Fehler möglicherweise nicht erkennt. Führen Sie bei jedem Übergang Validierungsprüfungen durch, damit diese nicht erst ganz am Ende stattfinden.
• Kosten skalieren. Mehr Agenten bedeuten mehr API-Aufrufe, was wiederum höhere Kosten zur Folge hat. Ermitteln Sie die Kosten pro Aufgabe und gleichen Sie diese mit dem Qualitätsgewinn ab. Manchmal ist ein gut durchdachtes Einzelprompt kostengünstiger und qualitativ völlig ausreichend.
• Debuggen wird schwieriger. Wenn ein System mit fünf Agenten ein schlechtes Ergebnis liefert, muss man herausfinden, bei welchem Agenten der Fehler liegt. Eine strukturierte Protokollierung an jeder Schnittstelle zwischen den Agenten ist unerlässlich.
• Der Gesetz der abnehmenden Erträge setzt schnell ein. Das Hinzufügen eines vierten, fünften oder sechsten Agenten bringt selten so viel wie die Optimierung der ersten drei.

Die Skalierbarkeit ist eine der größten Herausforderungen agentischer KI-Architekturen, insbesondere beim Übergang von Ein-Agenten- zu Mehr-Agenten-Systemen. Agentische KI-Systeme erfordern eine robuste Infrastruktur, um höhere Arbeitslasten bewältigen zu können und eine reibungslose Kommunikation zwischen den Agenten zu gewährleisten. Was bei einem Prototyp mit drei Agenten funktioniert, kann bei zwanzig Agenten zusammenbrechen. Nachrichtenwarteschlangen laufen über, Kontextfenster füllen sich, und der Koordinationsaufwand wird zum Engpass.

Um agentische KI zu testen, sind sowohl synthetische als auch reale Datensätze erforderlich, um Robustheit und Zuverlässigkeit zu gewährleisten. Mit synthetischen Daten lassen sich Randfälle und Fehlermodi unter kontrollierten Bedingungen einem Stresstest unterziehen. Daten aus der Praxis zeigen, mit welch unübersichtlichen und unvorhersehbaren Eingaben das System tatsächlich konfrontiert sein wird. Testen Sie zunächst jeden Agenten einzeln und anschließend das gesamte System von Anfang bis Ende. Die Interaktionen zwischen den Agenten fördern Probleme zutage, die bei Tests auf Einzelebene übersehen werden.

Der Entwurfsprozess einer agentischen KI-Architektur verläuft iterativ. Architekturen sollten regelmäßig neu bewertet werden, da sich die Merkmale der Arbeitslasten ändern. Was als einfache Pipeline begann, kann schon bald eine dynamische Orchestrierung erfordern, wenn die Komplexität der Aufgaben zunimmt.

Wie Don es ausdrückt, besteht das Ziel darin, „Workflows zu erstellen, bei denen ein oder mehrere Agenten steuern können, was als Nächstes geschieht, anstatt dass man diesen gesamten Ablauf im Code oder in der Anwendung im Voraus festlegen muss.“ Beginnen Sie mit der einfachsten Architektur, die funktioniert. Lassen Sie die Entwicklung von praktischen Erfahrungswerten leiten.

Die agentische KI-Architektur verwandelt KI von einem Tool, das auf einzelne Prompts reagiert, in ein koordiniertes Team spezialisierter Agenten.

Die zentrale Erkenntnis, wie Don sie formuliert, ist einfach: Betrachten Sie LLMs zunächst als Agenten, erkennen Sie an, dass nicht alle Agenten LLMs sein müssen, und lassen Sie das System seinen eigenen Arbeitsablauf steuern, anstatt jeden Schritt fest zu programmieren. Richten Sie zunächst einen Kreislauf aus „Entwurf – Prüfung – Überarbeitung“ ein. Fügen Sie Tools hinzu. Fügen Sie Orchestrierung hinzu. Die Komplexität des Systems sollte mit Ihren Anforderungen wachsen und diesen nicht vorgreifen.