Von geschwätzigen LLM-Agenten zu regierbaren Systemen: Ein Architektur-Leitfaden

Dieser Artikel ist ein Leitfaden für Entwickler, um agentische Systeme zu verstehen: Er klärt den Unterschied zwischen einem Agenten und einem regulären Workflow und wann man einen oder mehrere Agenten einsetzt. Es wird dargelegt, dass ein Agent als Modell + Arbeitszyklus + Werkzeuge + Zustand + Regeln und Beschränkungen definiert ist. Der Artikel zeichnet die Entwicklung vom ReAct-Ansatz (2022), der den Gedanke-Handlung-Beobachtung-Zyklus einführte, über die konversationelle Architektur, die 2023 durch AutoGen populär wurde, bis hin zu graphbasierten Strukturen wie LangGraph im Jahr 2024 nach. Es wird hervorgehoben, dass ein einzelner Agent oft für viele Anwendungen ausreicht und dass Multi-Agenten-Setups nur dann Vorteile bringen, wenn sich die Rollen tatsächlich in Kontext, Werkzeugen oder Berechtigungen unterscheiden. Der Artikel diskutiert auch verschiedene Strategien (ReAct, Plan-and-Solve, ReWOO, Tree of Thoughts, RAP, LATS, Self-Refine, Reflexion, MRKL) und stellt fest: Je vorbestimmter die Schritte, desto weniger Freiheit benötigt das Modell. Er führt das Konzept eines 'Agententheaters' ein, bei dem identische LLM-Aufrufe so tun, als wären sie ein Team, und betont die Trennung von deterministischer Logik (Code) und probabilistischer Logik (LLM-Entscheidungen). Abschließend präsentiert er einen modernen Agenten-Stack mit Schichten wie Agent-SDKs, Graph-Laufzeitumgebungen, Speicher, Sandboxing und Observability und listet Beispiele wie OpenAI Agents SDK, Google ADK, LangGraph, Mastra und andere auf.