„Agent“ ist derzeit das überfrachtetste Wort der Softwarewelt. Anbieter verwenden es für Chatbots, für geplante Skripte, für alles, an dem ein API-Schlüssel klebt. Unter all dem Lärm steckt jedoch ein echtes Muster, das zu lernen sich lohnt. Wenn Sie dieses Jahr einen KI-Agenten bauen wollen, besteht die erste Aufgabe darin, dieses Muster vom Marketing zu trennen – auch deshalb, weil sich ein guter Teil der „Agenten“-Projekte, die Leute skizzieren, besser als schlichte Automatisierungen bauen ließe, an einem Nachmittag und zu einem Bruchteil der Kosten.
Dieser Leitfaden tut drei Dinge. Er definiert, was ein Agent tatsächlich ist, in einem Satz, den Sie in einem Planungsmeeting wiederverwenden können. Er legt drei Baupfade dar, die zu Ihren Fähigkeiten passen: No-Code-Plattformen, Entwickler-Frameworks und die ehrliche dritte Option, gar keinen Agenten zu bauen. Und er geht ein konkretes Beispiel durch, einen Posteingangs-Triage-Agenten, vom Ziel bis zu den Leitplanken.
Nichts davon setzt einen Hintergrund im maschinellen Lernen voraus. Alles davon setzt voraus, dass Sie sich im Klaren sind, was das Ding tun soll.
Was ein KI-Agent wirklich ist
Streift man das Branding ab, ist ein Agent drei Teile, die in einer Schleife laufen:
- Ein Modell, das entscheidet, was als Nächstes zu tun ist
- Ein Satz von Werkzeugen, die es aufrufen darf: eine Datenbank durchsuchen, eine E-Mail lesen, ein Label vergeben, eine Nachricht entwerfen
- Ein Ziel mit einer Abbruchbedingung, damit die Schleife weiß, wann sie fertig ist
Ein Agent ist eine Schleife: ein Modell, das entscheidet, Werkzeuge, die handeln, und ein Ziel, das sagt, wann Schluss ist.
Die Schleife ist der Teil, auf den es ankommt. Ein Chatbot beantwortet eine Nachricht und wartet. Ein Workflow führt jedes Mal dieselben festen Schritte aus. Ein Agent liest die Lage, wählt ein Werkzeug, schaut sich das Ergebnis an und entscheidet erneut, und das wiederholt er, bis das Ziel erreicht oder ein Budget aufgebraucht ist. Dieser Entscheidungspunkt in der Mitte der Schleife ist der ganze Unterschied zwischen einem Agenten und allem anderen, das als solcher verkauft wird.
Sie erhalten damit auch einen sauberen Test für Ihr eigenes Projekt. Wenn Sie jeden Schritt als Flussdiagramm zeichnen können, bevor irgendetwas läuft, brauchen Sie keinen Agenten – Sie brauchen einen Workflow, das ist Pfad drei weiter unten, und dafür muss man sich nicht schämen. Agenten verdienen ihre Komplexität erst dann, wenn der nächste Schritt tatsächlich davon abhängt, was im letzten herauskam.
Drei Wege, einen KI-Agenten zu bauen
Welchen Weg Sie einschlagen, hängt weniger vom Ehrgeiz ab als davon, wer baut und welche Form das Problem hat. Das Verzeichnis von ToolPotion listet 700 Werkzeuge zum Bauen von KI-Agenten. Der Sinn dieser drei Wege ist, dass Sie nie mehr als eine Handvoll davon bewerten müssen sollten.
Weg 1: No-Code-Agentenplattformen
Das ist die Route für die Person, der der Prozess gehört (eine Support-Leitung, ein Operations-Manager, ein Product Manager) und nicht für die, die den Code schreibt.
Microsoft Copilot Studio lässt Sie Agenten bauen, die sich mit Ihren Geschäftsdaten verbinden, auf Eingaben in natürlicher Sprache reagieren und in Microsoft-365-Apps oder auf einer Website bereitgestellt werden. Wenn Ihr Unternehmen ohnehin auf Microsoft läuft, ist das die kürzeste Strecke zwischen einer Idee und einem ausgerollten Agenten: der Modellzugang, die Datenverbindungen und die Kanäle sind bereits dort, wo Ihre Kolleginnen und Kollegen arbeiten. Je weiter Ihr Stack von dem von Microsoft entfernt liegt, desto weniger rechnet es sich.
Voiceflow geht das Problem von der Gesprächsseite an: Sie entwerfen Chat- und Sprach-Agentenabläufe visuell, starten sie über verschiedene Kanäle hinweg und iterieren anhand echter Gesprächsprotokolle. Es passt hervorragend für kundenseitige Support-Agenten. Es hat die falsche Form, wenn Ihr Agent nie mit einem Menschen spricht.
Der gemeinsame Kompromiss auf diesem Weg: Sie mieten die Schleife. Wenn sich der Agent danebenbenimmt, heißt Debuggen, sich durch die Oberfläche eines Anbieters zu klicken, statt Ihre eigenen Protokolle zu lesen, und ein späterer Wechsel auf eine andere Plattform bedeutet Neuaufbau. Seien Sie außerdem ehrlich, ob Sie überhaupt einen Agenten bauen: Viele Projekte auf dieser Ebene sind in Wahrheit Chatbots, und wenn das auf Ihres zutrifft, ist das Verzeichnis der Werkzeuge zum Bauen von Chatbots der passendere Ort zum Stöbern.
Weg 2: Frameworks und Code, für Entwickler
Entwickler bekommen mehr Kontrolle und mehr Hausaufgaben. Die Schleife schreiben Sie selbst: ein Modell wählen, jedes Werkzeug als Funktion definieren, das Ziel in einem System-Prompt ausdrücken und harte Obergrenzen für Iterationen und Ausgaben setzen.
Die Modellwahl zählt hier mehr als irgendwo sonst. Claude Opus ist genau für diese Arbeit gebaut: ein Reasoning-Modell für Programmierung und Agenten, mit einem Kontextfenster von 1 Million Token, das über eine langlaufende Aufgabe hinweg den Kontext eines ganzen Postfachs oder einer ganzen Codebasis fassen kann. Der Vorbehalt ist die Kostendisziplin: Ein Spitzenmodell in jeder Runde der Schleife summiert sich, also leiten Sie die billigen Schritte (Klassifizieren, Formatieren) an kleinere Modelle und heben sich das große für die Entscheidungen auf.
Für einen ersten Bau schlägt ein enges Framework ein allgemeines. Vanna 2.0 ist ein gutes Beispiel: ein Open-Source-Framework für Agenten, die Unternehmensdatenbanken in Alltagssprache abfragen, mit Unterstützung für mehrere LLM-Anbieter und Datenbanken sowie Zugriffssteuerung und Agentengedächtnis für den Produktivbetrieb. Wenn Ihr erster Agent lautet „Fragen aus unseren Daten beantworten“, ist damit der Großteil des Gerüsts schon geschrieben. Wie bei jedem Open-Source-Framework liegen Bereitstellung und Pflege bei Ihnen.
Weitere Optionen, von Orchestrierungsbibliotheken bis zu Eval-Harnischen, finden sich im KI-Framework-Verzeichnis.
Weg 3: Sie brauchen keinen Agenten – Sie brauchen einen Workflow
Das ist das häufigste ehrliche Ergebnis des Flussdiagramm-Tests, und es verdient, als echter Weg behandelt zu werden und nicht als Trostpreis.
Wenn die Schritte bekannt sind, liefert Ihnen ein Workflow-Werkzeug mit einem einzigen Modellschritt für den unscharfen Teil den Großteil des Nutzens ohne jegliche Unberechenbarkeit der Schleife. Zapier baut KI-Workflows und Agenten über mehr als 9.000 Apps hinweg, mit Leitplanken und Zugriffssteuerungen für Teams, auch wenn sein Preismodell pro Aufgabe brennt, sobald das Volumen wächst. Make gibt Ihnen eine visuelle Drag-and-drop-Leinwand, über 3.000 Integrationen und einen kostenlosen Tarif zum Prototypen. Große Szenarien neigen dazu, auf dieser Leinwand zu Spaghetti zu werden. n8n passt am besten zu technischen Teams (Code, wo Sie ihn brauchen, No-Code, wo nicht, und Sie können es selbst hosten), setzt aber jemanden im Team voraus, der es gewohnt ist, JSON zu lesen.
Ein Workflow mit einem gut formulierten LLM-Schritt ist kein minderwertiger Agent. Er ist das richtige Werkzeug, früher fertig, und er versagt auf Weisen, die Sie vorhersehen können.
| Weg | Am besten für | Einstiegsdauer | Der Haken |
|---|---|---|---|
| No-Code-Agentenplattform | Prozessverantwortliche ohne Entwickler | Tage | Gemietete Schleife: undurchsichtiges Debugging, Anbieterbindung |
| Framework und Code | Entwickler | Ein bis zwei Wochen | Evals, Überwachung und Pflege liegen bei Ihnen |
| Workflow plus ein LLM-Schritt | Alle mit einem definierten Prozess | Stunden | Kommt mit offenen Aufgaben nicht zurecht |
Ein durchgerechnetes Beispiel: der Posteingangs-Triage-Agent
Nehmen wir an, Sie betreiben einen gemeinsam genutzten Support-Posteingang, und das Ziel lautet: Jede eingehende Nachricht wird nach Typ und Dringlichkeit gelabelt, an den richtigen Zuständigen weitergeleitet und, wo es sicher ist, mit einem Entwurf beantwortet. So sieht das als Agent aus, ganz gleich, auf welchem Weg Sie ihn bauen.
- Das Ziel, aufgeschrieben. „Triagiere jede neue Nachricht; höre auf, wenn sie gelabelt, zugewiesen und entweder mit einem Entwurf versehen oder eskaliert ist.“ Die Abbruchbedingung ist keine Zierde: Sie ist es, die die Schleife davon abhält, abzuschweifen.
- Die Werkzeuge. Die Nachricht lesen. Frühere Threads und das CRM nach diesem Absender durchsuchen. Ein Label vergeben. Einen Zuständigen zuweisen. Eine Antwort entwerfen. Beachten Sie, was fehlt: senden. Das ist Absicht.
- Die Schleife an einer Nachricht. Eine Rückerstattungsanfrage trifft ein. Das Modell liest sie, durchsucht die Historie des Kunden, findet ein Jahresabo und eine Beschwerde aus dem März, labelt sie als Abrechnung/hoch, weist sie dem Abrechnungszuständigen zu, entwirft eine Antwort, die auf die frühere Beschwerde Bezug nimmt, und hält an.
- Die Leitplanken. Eine Obergrenze für die Schleifeniterationen, eine Ausgabenobergrenze pro Nachricht und ein „an Menschen eskalieren“-Label, das der Agent verwenden muss, wann immer er unsicher ist.
Jetzt der ehrliche Teil. Der Großteil dieser Pipeline ist kein Agent. Labeln und Weiterleiten ist ein Klassifikator plus Regeln, bequemes Terrain für Make oder n8n. Die Schleife rechnet sich erst in Schritt drei, wo die Suchergebnisse entscheiden, was der Entwurf sagen soll. Wenn dieses kontextbewusste Entwerfen für Sie keinen Wert hat, bauen Sie die Workflow-Variante und sind bis Freitag fertig.
Und prüfen Sie die Kaufseite, bevor Sie überhaupt bauen. Für einen persönlichen Posteingang organisiert, entwirft, durchsucht und plant Shortwave E-Mails bereits aus schlichten Eingaben. Etwas Eigenes zu bauen ergibt nur für ein geteiltes Postfach mit Weiterleitungsregeln Sinn, die kein Produkt von der Stange kennen könnte. Zwanzig Minuten im Verzeichnis von 553 fertigen KI-Agenten sind ein billiger Weg herauszufinden, ob Ihr Agent schon existiert.
Wann es kaputtgeht, und woran Sie es merken
Agenten scheitern höflich. Es gibt keinen Stacktrace, wenn das Modell das falsche Label vergibt oder selbstbewusst Unsinn entwirft: Die Schleife läuft zu Ende, meldet Erfolg, und der Schaden taucht Tage später in einem verwirrten Kunden-Thread auf.
Deshalb ist Beobachtbarkeit Teil des Baus und keine Beigabe für später. LangSmith zeichnet eine Spur jedes Schritts auf, den ein Agent macht, kennzeichnet Fehler und verfolgt Kosten und Latenz, mit SDKs für Python, TypeScript, Go und Java. Es funktioniert, ob Sie seine Schwester-Frameworks nutzen oder nicht. Langfuse ist das Open-Source-Gegenstück, das Tracing, Prompt-Verwaltung und Evaluierung bündelt, und Sie können es selbst hosten. Beide sind ein weiteres Stück Infrastruktur, das man betreiben oder bezahlen muss. Einen Agenten blind laufen zu lassen, kostet zuverlässig mehr.
Ihre erste Woche sieht demnach so aus: Schreiben Sie den Zielsatz mit seiner Abbruchbedingung, listen Sie die Werkzeuge auf, die der Agent anfassen darf, führen Sie den Flussdiagramm-Test durch und wählen Sie den Weg, auf den der Test zeigt. Der Bau ist die leichte Hälfte. Genug Vertrauen zu gewinnen, um den Menschen aus der Schleife zu nehmen, das ist das eigentliche Projekt.
Häufig gestellte Fragen
Kann ich einen KI-Agenten ohne Programmieren bauen?
Ja. Plattformen wie Microsoft Copilot Studio und Voiceflow lassen Sie das Ziel eines Agenten, seine Datenverbindungen und seine Kanäle über eine visuelle Oberfläche festlegen. No-Code ist allerdings nicht No-Work: Sie müssen weiterhin das Ziel festlegen, die Werkzeuge auswählen, Leitplanken setzen und Gesprächsprotokolle durchsehen, also rechnen Sie mit Konfiguration und Tests, die sich in Tagen bemessen.
Was ist der Unterschied zwischen einem KI-Agenten und einem Chatbot?
Ein Chatbot antwortet auf eine Nachricht und wartet auf die nächste. Ein Agent arbeitet auf ein Ziel hin, indem er in einer Schleife Werkzeuge aufruft und seinen nächsten Schritt selbst entscheidet, basierend darauf, was der letzte Schritt zurückgab. Etliche als Agenten vermarktete Produkte sind Chatbots mit einem einzigen angehängten API-Aufruf. Der Test ist, ob das System seine nächste Aktion selbst wählt.
Brauche ich Kenntnisse im maschinellen Lernen, um einen KI-Agenten zu bauen?
Nein. Sie rufen Modelle über APIs oder Plattformen auf, statt sie zu trainieren. Eine klare Prozessdefinition, ordentliche Prompts und die Kenntnis Ihrer eigenen Daten und Werkzeuge zählen für einen ersten Agenten weit mehr als die Theorie des maschinellen Lernens.
Wie lange dauert es, den ersten KI-Agenten zu bauen?
Ein Workflow mit einem LLM-Schritt kann noch am selben Tag laufen. Ein Agent auf einer No-Code-Plattform braucht typischerweise Tage an Konfiguration und Tests. Ein codierter Prototyp auf einem Framework braucht ein bis zwei Wochen. Der lange Schwanz ist in jedem Fall das Vertrauen: Die Ausgabe zu bewerten und die Leitplanken enger zu ziehen, bevor Sie die menschliche Prüfung entfernen, dauert meist länger als der Bau selbst.