AI Agents: KI-Systeme, die eigenständig handeln

Ein Chatbot reagiert. Ein AI Agent handelt. Der Unterschied liegt in vier Fähigkeiten:

Ein AI Agent basiert auf einem Large Language Model wie Claude oder GPT, geht aber darüber hinaus: Er nutzt das LLM als "Denkapparat", kombiniert es mit Werkzeugzugriff und einer Planungsschleife.

Das Konzept wird breiter als Agentic AI bezeichnet — AI Agent ist die konkrete Implementierung eines agentenbasierten Systems.

Jeder AI Agent besteht aus vier Komponenten:

1. LLM (Reasoning Engine): Das Sprachmodell, das Aufgaben versteht, Pläne erstellt und Entscheidungen trifft. Claude Sonnet ist ein häufig genutztes Modell für Agent-Anwendungen.

2. Tools: Werkzeuge, die der Agent nutzen kann — APIs, Datenbanken, Dateisysteme, Web-Suche. Über das Model Context Protocol (MCP) werden diese standardisiert bereitgestellt.

3. Memory: Arbeitsgedächtnis für die aktuelle Aufgabe (kurzfristig) und gelerntes Wissen aus früheren Aufgaben (langfristig). Oft realisiert über Vektordatenbanken.

4. Orchestrierung: Die Steuerungslogik, die den Ablauf managed: Aufgabe annehmen → planen → Schritt ausführen → Ergebnis prüfen → nächsten Schritt planen.

Die Architektur folgt einem ReAct-Pattern (Reasoning + Acting): Denken → Handeln → Beobachten → Denken.

LangGraph (LangChain): Der De-facto-Standard für komplexe Agent-Workflows. Graph-basierte Steuerung, große Community, gute Dokumentation. Ideal für Unternehmen, die maximale Kontrolle über den Workflow brauchen.

CrewAI: Spezialisiert auf Multi-Agent-Systeme. Mehrere Agenten mit verschiedenen Rollen arbeiten zusammen — z.B. ein Recherche-Agent, ein Schreib-Agent, ein QA-Agent. Einfacher Einstieg.

Anthropic Agent SDK: Anthropics eigenes SDK für Claude-basierte Agenten. Tiefe Integration mit MCP und Claude-spezifischen Features wie Tool Use und langen Kontextfenstern.

AutoGen (Microsoft): Framework für Multi-Agent- Konversationen. Agenten kommunizieren untereinander und lösen Aufgaben gemeinsam.

Eigenbau mit MCP: Für einfache Agenten reicht oft ein LLM mit MCP-Anbindung — ohne zusätzliches Framework. arocom evaluiert für jedes Projekt, ob ein Framework Mehrwert bietet oder unnötige Komplexität einführt.

1. Content-Pipeline-Agent: Erhält ein Thema, recherchiert Fakten und Wettbewerber, erstellt einen SEO-optimierten Entwurf, prüft interne Verlinkung und bereitet den Text für das CMS vor.

2. Support-Triage-Agent: Analysiert eingehende Support-Tickets, kategorisiert nach Dringlichkeit und Thema, schlägt Lösungen aus der Wissensdatenbank vor und eskaliert bei Bedarf an menschliche Mitarbeiter.

3. SEO-Audit-Agent: Crawlt eure Website, prüft technisches SEO, Content-Qualität und interne Verlinkung. Liefert einen priorisierten Maßnahmenplan mit konkreten Handlungsempfehlungen.

4. Daten-Extraktions-Agent: Verarbeitet unstrukturierte Dokumente (PDFs, E-Mails, Verträge), extrahiert strukturierte Daten und übergibt sie an euer CRM oder ERP.

5. Website-Monitoring-Agent: Prüft regelmäßig Verfügbarkeit, Performance und Inhalt eurer Website. Meldet Probleme proaktiv mit Kontext und Lösungsvorschlag.

Ein guter Einstieg in das Thema:

AI Agents mit Werkzeugzugriff erfordern klare Sicherheitsarchitektur:

Principle of Least Privilege: Ein Agent bekommt nur die Rechte, die er für seine Aufgabe braucht. Ein Content-Agent kann lesen und schreiben, aber keine User-Accounts verwalten.

Human-in-the-Loop: Bei kritischen Aktionen (Daten ändern, E-Mails senden, Veröffentlichungen) muss ein Mensch bestätigen. Der Agent schlägt vor, der Mensch entscheidet.

Audit Trail: Jede Agent-Aktion wird protokolliert: welches Tool, welche Daten, welches Ergebnis. Volle Nachvollziehbarkeit.

Sandbox-Testing: Neue Agents werden in einer Sandbox-Umgebung getestet, bevor sie auf Produktivdaten zugreifen.

Rate Limiting: Begrenzung der API-Aufrufe und Aktionen pro Zeiteinheit. Verhindert, dass ein Agent bei einem Fehler in einer Endlosschleife landet.