Was ist eigentlich ein AI Agent?

Inhalt

• Die kürzeste Definition, die funktioniert
• Agent = Modell + Harness
• Das Modell: der Motor
• Der Harness: das Gerüst um das Modell
• Der Agent-Loop: so arbeitet ein Agent
• Chatbot oder Agent? Der Unterschied
• Was das für Ihr Projekt bedeutet
• Referenzen

Die kürzeste Definition, die funktioniert

"AI Agent" ist das Schlagwort des Jahres. Jeder Anbieter verkauft plötzlich Agenten, und kaum jemand sagt präzise, was damit gemeint ist. Dabei gibt es eine Definition, die kurz ist und trotzdem trägt. Sie stammt aus der Dokumentation von LangChain, einem der meistgenutzten Frameworks für den Bau von Agenten:

Ein Agent ist ein Modell, das in einer Schleife Werkzeuge aufruft, bis eine Aufgabe erledigt ist.

Jedes Wort in diesem Satz arbeitet. Ein Modell: die AI, die denkt. Werkzeuge: die Verbindungen zur echten Welt, etwa eine Datenbankabfrage oder ein API-Aufruf. In einer Schleife: der Agent macht weiter, schaut sich Ergebnisse an und entscheidet den nächsten Schritt selbst. Bis die Aufgabe erledigt ist: nicht bis eine Antwort generiert wurde, sondern bis das Ziel erreicht ist.

Agent = Modell + Harness

Hinter der kurzen Definition steckt eine Formel, die das Bauprinzip jedes Agenten beschreibt:

Agent = Modell + Harness

Das Modell kennen Sie: GPT, Claude, Gemini. Der Harness ist der Teil, über den selten gesprochen wird. Der Begriff kommt aus dem Englischen und bezeichnet ein Geschirr oder Gestell, also das, was etwas Kraftvolles einspannt und lenkbar macht. Genau das ist seine Rolle: Der Harness ist die Software rund um das Modell, die aus einem Sprachmodell einen einsatzfähigen Agenten macht.

Ein Agent besteht aus dem Modell und dem Harness: dem Software-Gerüst, das das Modell einspannt.

Die Arbeitsteilung ist klar:

• Das Modell ist der Motor. Es liest die Lage, trifft Entscheidungen und fordert Aktionen über Werkzeuge an.
• Der Harness ist das Gerüst darum. Er entscheidet, wann der Agent handelt, worauf er zugreifen darf und was passiert, wenn etwas schiefgeht.

Das Modell: der Motor

Das Sprachmodell ist der Teil, der die eigentliche Denkarbeit leistet. Es bekommt den aktuellen Stand der Aufgabe als Text vorgelegt und antwortet mit einer Entscheidung: eine Frage beantworten, ein Werkzeug aufrufen, das Ergebnis bewerten, den Plan anpassen.

Wichtig zu verstehen: Das Modell selbst kann nichts ausführen. Es kann keine E-Mail versenden, keine Datenbank abfragen, keine Datei ändern. Es kann nur sagen, dass es das gerne tun würde, in einem strukturierten Format, das die Software darum herum versteht. Der Motor liefert Kraft. Fahren kann er allein nicht.

Das erklärt auch, warum dasselbe Modell in einem Produkt beeindruckt und im anderen versagt. Der Unterschied liegt fast nie am Motor. Er liegt am Gerüst.

Der Harness: das Gerüst um das Modell

Der Harness ist gewöhnliche, solide Software. Kein Machine Learning, sondern Engineering. Er lässt sich als Schichtenmodell lesen, von unten nach oben:

Engine. Zuunterst sitzt das Sprachmodell selbst, angebunden über die API des Anbieters. Diese Schicht ist austauschbar: Derselbe Agent kann heute mit Claude und morgen mit Gemini laufen.

Runtime. Die Schicht, die den Betrieb organisiert: der Orchestrierungs-Loop, der das Modell immer wieder aufruft. Die Prompt-Konstruktion, die dem Modell in jeder Runde den richtigen Kontext vorlegt. Das Output-Parsing, das aus der Modellantwort einen konkreten Werkzeugaufruf macht. Und das Error Handling für den Fall, dass ein Aufruf fehlschlägt.

Capabilities. Die Schicht, die den Agenten handlungsfähig macht: die Werkzeuge selbst, ein Gedächtnis über die Sitzung hinaus, Kontext-Management (welche Information gehört in das begrenzte Fenster des Modells?) und State Management, damit eine lange Aufgabe einen definierten Zustand hat.

Safety und Scale. Zuoberst die Schicht, die den Agenten vertrauenswürdig macht: Guardrails, die verbieten, was nie passieren darf. Verification Loops, die Ergebnisse prüfen, bevor sie gelten. Tool Scoping, das den Zugriff auf das Nötige begrenzt. Und Subagenten-Orchestrierung, wenn ein Agent Teilaufgaben an spezialisierte Kollegen delegiert.

Dazu kommt der System Prompt: die schriftliche Arbeitsanweisung, die dem Modell Rolle und Regeln vorgibt. In LangChain und ähnlichen Frameworks ist all das konfigurierbar und über sogenannte Middleware erweiterbar, vom Genehmigungsschritt durch einen Menschen bis zur automatischen Zusammenfassung langer Verläufe.

Der Agent-Loop: so arbeitet ein Agent

Setzt man beide Teile zusammen, entsteht der Kreislauf, der jeden Agenten antreibt. Ein Beispiel: "Prüfe, ob unsere Website heute Fehler geworfen hat, und fasse sie zusammen."

1. Das Modell denkt. Es sieht die Aufgabe und entscheidet: Ich brauche die Server-Logs. Es fordert das Log-Werkzeug an.
2. Der Harness handelt. Er führt den Aufruf aus, holt die Logs und legt das Ergebnis dem Modell wieder vor.
3. Das Modell bewertet. Es findet drei Fehlermeldungen, will zu einer davon Details und fordert den nächsten Aufruf an.
4. Die Schleife läuft weiter, bis das Modell entscheidet: Aufgabe erledigt. Dann formuliert es die Zusammenfassung.

Der Unterschied zu einem klassischen Programm: Die Reihenfolge der Schritte stand nirgends im Code. Das Modell hat sie zur Laufzeit selbst bestimmt. Der Harness hat dafür gesorgt, dass jeder Schritt kontrolliert ablief.

Chatbot oder Agent? Der Unterschied

Die Begriffe werden oft vermischt. Die Abgrenzung ist mit der Formel einfach:

• Ein Chatbot ist ein Modell mit Gesprächsoberfläche. Es antwortet. Eine Runde Frage, eine Runde Antwort.
• Ein AI-Workflow ist eine fest programmierte Kette von Modell-Aufrufen. Nützlich, aber die Software bestimmt den Ablauf, nicht das Modell.
• Ein Agent bestimmt den Ablauf selbst. Er ruft Werkzeuge in einer Schleife auf, reagiert auf Zwischenergebnisse und hört erst auf, wenn die Aufgabe erledigt ist.

Faustregel: Wenn das System nur redet, ist es ein Chatbot. Wenn es Dinge tut und dabei selbst entscheidet, welchen Schritt es als nächstes braucht, ist es ein Agent.

Was das für Ihr Projekt bedeutet

Aus der Formel folgen drei praktische Konsequenzen:

Die Modellwahl ist die kleinste Entscheidung. Modelle werden alle paar Monate besser und lassen sich im Harness austauschen. Wer heute einen Agenten baut, investiert vor allem in das Gerüst, also in Werkzeuge, Datenzugriff und Prüfschritte. Diese Arbeit bleibt, auch wenn das Modell wechselt.

Qualität ist eine Harness-Frage. Ob ein Agent zuverlässig arbeitet, entscheidet sich an den Werkzeugen, die er bekommt, und am Kontext, den er sieht. Und an den Prüfschritten, die seine Ergebnisse kontrollieren. Ein mittelmässiges Modell in einem guten Harness schlägt ein Spitzenmodell ohne Gerüst.

Ihre Systeme werden zum Werkzeugkasten. Damit ein Agent in Ihrem Unternehmen etwas erledigen kann, braucht er Zugänge, etwa zum CMS oder zum Ticketsystem. Saubere Schnittstellen sind die Voraussetzung. Wie Agenten solche Werkzeuge finden und wie sie Firmenwissen lesen, haben wir in zwei eigenen Artikeln beschrieben: Agentic Resource Discovery (ARD) für das Finden von Fähigkeiten und das Open Knowledge Format (OKF) für das Lesen von Wissen.

Bei NETNODE bauen wir Agenten nach genau diesem Prinzip, etwa für Redaktionsprozesse und fürs Server-Monitoring. Die Erfahrung daraus: Der Motor ist gekauft. Das Gerüst ist das Projekt.

Referenzen

• LangChain Dokumentation: Agents
• NETNODE Blog: Agentic Resource Discovery (ARD)
• NETNODE Blog: Knowledge Bundles und das Open Knowledge Format

Lassen Sie uns darüber sprechen

Sie überlegen, wo ein AI Agent in Ihrem Unternehmen Arbeit übernehmen könnte? Wir zeigen Ihnen an konkreten Beispielen, was heute funktioniert. Das erste Gespräch ist immer kostenlos.

Jetzt Kontakt aufnehmen