KI-Agent
Kurz gesagtEin KI-Agent ist ein System, in dem ein Modell in einer Schleife plant, Werkzeuge nutzt und Ergebnisse prüft, um mit wenig Führung ein Ziel zu erreichen.
Einfach erklärt
Ein Chatbot beantwortet eine Nachricht und hält an. Ein Agent arbeitet über viele Schritte auf ein Ziel hin. Der Leitfaden von Anthropic zum Bau von Agenten zieht eine Linie: Workflows folgen Wegen, die im Code festgelegt sind, Agenten lassen das Modell seinen Ablauf und seine Werkzeugnutzung selbst steuern. Eine Arbeit von 2022, ReAct, zeigte das Muster: Das Modell wechselt zwischen Überlegen über den nächsten Schritt und Handeln, etwa mit dem Aufruf eines Suchwerkzeugs.
Die Schleife in einfachen Schritten: Ziel verstehen, einen Schritt wählen, ein Werkzeug nutzen, das Ergebnis lesen, entscheiden, was folgt, und anhalten, wenn das Ziel erreicht ist, das Modell feststeckt oder ein Limit greift. Standards wie MCP verbinden Agenten mit Werkzeugen. Ein Coding-Agent ist ein Agent, der auf Softwarearbeit spezialisiert ist.
Warum es wichtig ist
- Mehr erledigt, weniger getippt: Ein Agent kann Schritte verketten, die du von Hand tätest, etwa nachschlagen, vergleichen, entwerfen und ablegen.
- Kosten: Jede Runde der Schleife ist ein neuer Modellaufruf mit wachsendem Kontext. Viele Schritte heissen viele Token. Setze Schritt- und Ausgabelimits.
- Fehler summieren sich: Ein früher Fehltritt kann sich durch spätere Schritte ziehen. Verlange bei wichtiger Arbeit Zwischenstopps.
- Sicherheit: Ein Agent, der fremde Inhalte liest, kann durch versteckte Anweisungen gelenkt werden (Prompt Injection). OWASP rät zu minimalen Rechten, gib dem Agenten also nur den nötigen Zugriff, und zu menschlicher Freigabe bei riskanten Aktionen.
- Erst einfach: Anthropic rät, mit der einfachsten Lösung zu beginnen und Agentenverhalten nur zu ergänzen, wenn die Aufgabe es verlangt.
Beispiel
Ein Support-Agent erhält: «Kunde 4711 sagt, das Paket sei nie angekommen.» Er sucht die Bestellung mit einem Werkzeug, liest den Status des Transporteurs, prüft die Rückerstattungsregel und entwirft ein Erstattungsangebot. Er hält an und bittet eine Person um Freigabe, bevor etwas gesendet oder bezahlt wird. Jeder Schritt nutzte ein Werkzeug; der letzte Geldschritt blieb unter menschlicher Kontrolle.
Häufige Irrtümer
- «Ein Agent ist ein Chatbot mit neuem Namen.» Der Unterschied sind die Schleife und die Werkzeuge, nicht das Chatfenster.
- «Agenten laufen von selbst sicher.» Sie brauchen Limits, Protokolle und Freigabe für riskante Schritte.
- «Mehr Autonomie ist immer besser.» Für viele Aufgaben ist ein fester Workflow billiger, schneller und leichter zu testen.
Fragen und Antworten
Was ist der Unterschied zwischen KI-Agent und Chatbot?
Ein Chatbot antwortet auf eine Nachricht. Ein Agent plant mehrere Schritte, nutzt Werkzeuge und prüft Ergebnisse in einer Schleife, bis das Ziel erreicht ist oder ein Limit ihn stoppt.
Was kann bei KI-Agenten schiefgehen?
Falsche Schritte, die sich summieren, hohe Token-Kosten durch lange Schleifen und versteckte Anweisungen in fremden Inhalten. Nutze Schritt- und Ausgabelimits, minimale Rechte und menschliche Freigabe.
Brauche ich für meine Aufgabe einen Agenten?
Oft nicht. Ein einzelner Prompt oder ein fester Workflow ist einfacher. Nimm einen Agenten, wenn sich die Schritte nicht im Voraus kennen lassen.
Weiterlesen
- Werkzeugnutzung (Function Calling)
Werkzeugnutzung, auch Function Calling genannt, lässt ein Modell eine externe Aktion anfordern, etwa Suche oder Rechnung, die eine App ausführt und zurückgibt.
- Coding-Agent
Ein Coding-Agent ist ein KI-Werkzeug, das einen Code-Bestand liest, Dateien ändert und Befehle und Tests in einer Schleife ausführt, um eine Programmieraufgabe zu lösen.
- MCP (Model Context Protocol)
MCP (Model Context Protocol) ist ein offener Standard, der KI-Anwendungen über eine gemeinsame Schnittstelle mit externen Daten, Werkzeugen und Abläufen verbindet.
- Prompt Injection
Prompt Injection ist ein Angriff, bei dem Text, den ein Modell liest, etwa eine Webseite oder Datei, Anweisungen enthält, die es gegen seinen Nutzer handeln lassen.
- Reasoning-Modell
Ein Reasoning-Modell verbraucht vor der Antwort zusätzliche Token für verdecktes Denken in Schritten, was bei schweren Aufgaben hilft, aber mehr kostet.