Agentischer Workflow
Ein agentischer Workflow (Agentic Workflow) ist ein mehrstufiger Prozess, in dem ein Large Language Model selbst plant, Tools aufruft, Ergebnisse prüft und den nächsten Schritt festlegt, statt einem festen Skript zu folgen oder auf einen einzelnen Prompt zu antworten.
Was ist ein agentischer Workflow?
Der Unterschied zur gewöhnlichen Automatisierung liegt darin, wer über den nächsten Schritt entscheidet: In einem agentischen Workflow tut das das Modell. Ein Zapier-Zap durchläuft jedes Mal denselben Pfad; ein agentisches System erfasst die Situation, wählt ein Tool, prüft das Ergebnis und wiederholt dies, bis ein Ziel erreicht oder ein Limit erreicht ist.
Die meisten agentischen Workflows kombinieren fünf Bestandteile:
Ein Ziel: „Gleiche diese Lieferantenrechnung mit der Bestellung ab.“
Ein Modell: ein Large Language Model, das schlussfolgert und plant.
Tools: APIs, Datenbankabfragen, Suche oder Codeausführung, die das Modell aufrufen kann.
Gedächtnis und Zustand: was bereits versucht und was dabei gelernt wurde.
Guardrails: Schrittlimits, Berechtigungen und Freigabeschritte.
Welche gängigen Muster für agentische Workflows gibt es?
Die meisten produktiven Systeme nutzen einige gut verstandene Muster statt eines vollständig autonomen Agenten.
Prompt Chaining: feste Schritte, die jeweils von einem Modellaufruf übernommen werden, mit Prüfungen dazwischen.
Routing: Ein Modell klassifiziert die Eingabe und leitet sie an den passenden Spezialpfad weiter.
Tool-Use-Schleife: Das Modell ruft wiederholt Tools auf (oft ReAct genannt: Reason, Act, Observe), bis es eine Antwort hat.
Orchestrator und Worker: Ein Modell zerlegt eine Aufgabe und delegiert Teile an Sub-Agenten.
Evaluator und Optimizer: Ein Modell erstellt einen Entwurf, ein anderes kritisiert ihn anhand von Kriterien, und der Entwurf wird überarbeitet.
Beginnen Sie mit dem einfachsten Muster, das funktioniert; jede zusätzliche Autonomieebene bringt mehr Kosten, Latenz und neue Fehlerquellen.
Wie sieht ein agentischer Workflow in der Praxis aus?
Ein guter erster agentischer Workflow übernimmt eine unübersichtliche, repetitive Aufgabe, bei der heute ein Mensch Daten zwischen Systemen kopiert. Nehmen Sie einen Spediteur mit 60 Mitarbeitenden, dessen Kundenservice den ganzen Tag „Wo ist meine Sendung?“-E-Mails beantwortet.
Angenommen, das Team baut einen Agenten mit der OpenAI API und LangGraph. Für jede E-Mail extrahiert er die Referenznummer, fragt das Transportmanagementsystem ab, prüft bei veraltetem Status die Tracking-API des Frachtführers und entwirft eine Antwort. Ist die Sendung über den zugesagten Termin hinaus verspätet, leitet er den Entwurf mit den angehängten Belegen an einen Menschen weiter, statt ihn zu versenden.
Jeder Tool-Aufruf wird protokolliert. Das Team prüft wöchentlich eine Stichprobe von 50 Konversationen, misst, wie viele Entwürfe ohne Änderungen versendet wurden, und schärft Prompts oder Tools dort nach, wo der Agent falsch lag.
Welche Risiken gibt es, und wann sollten Sie auf agentische Workflows verzichten?
Jeder zusätzliche Schritt eines Agenten ist eine weitere Gelegenheit, dass sich Fehler aufaddieren – die Zuverlässigkeit sinkt also mit wachsender Autonomie. Wenn jeder Schritt in 95 % der Fälle korrekt ist, ist eine Kette aus zehn Schritten nur in etwa 60 % der Fälle vollständig korrekt (0,95¹⁰ ≈ 0,60).
Endlosschleifen: Agenten, die unaufhörlich neu versuchen und API-Budget verbrennen; setzen Sie Obergrenzen für Schritte und Kosten.
Prompt Injection: Text in einer E-Mail oder Webseite, der den Agenten anweist, seine Tools zu missbrauchen.
Zu weit gefasste Berechtigungen: Vergeben Sie nur Lesezugriff, sofern ein Schreibzugriff nicht unverzichtbar ist.
Schwer zu debuggende Fehler: Ohne Traces weiß niemand, warum der Agent einen bestimmten Pfad gewählt hat.
Verzichten Sie auf Agenten, wenn sich die Schritte nie ändern; eine deterministische Workflow-Automatisierung ist günstiger und leichter zu testen.
Welche Tools werden für agentische Workflows eingesetzt?
Der Stack hat drei Ebenen: Modelle, Orchestrierungs-Frameworks und Tool-Konnektoren. Die Auswahl hängt davon ab, wie viel Kontrolle Sie benötigen.
Modelle: OpenAI, Anthropic Claude, Google Gemini oder offene Modelle wie Llama.
Orchestrierung: LangGraph, das OpenAI Agents SDK, CrewAI, Microsoft AutoGen oder LlamaIndex Workflows.
Tool-Zugriff: Das Model Context Protocol standardisiert, wie sich Agenten mit Datenquellen und Anwendungen verbinden.
Low-Code: n8n und Zapier bieten inzwischen KI-Agenten-Schritte für einfachere Fälle.
Observability: LangSmith oder Langfuse für Tracing und Evaluierung.
Kombinieren Sie jedes davon mit KI-Guardrails und einem Human-in-the-Loop-Schritt für Aktionen, die sich nur mit hohem Aufwand rückgängig machen lassen.
Agentischer Workflow vs. regelbasierte Automatisierung
Agentischer Workflow | Regelbasierte Automatisierung | |
|---|---|---|
Wer den nächsten Schritt wählt | Das Modell, zur Laufzeit | Der Designer, im Voraus |
Umgang mit unstrukturierten Eingaben | Ja, in Grenzen | Schlecht |
Vorhersagbarkeit | Variabel; erfordert Evaluierung | Hoch; gleiche Eingabe, gleicher Pfad |
Typische Tools | LangGraph, OpenAI Agents SDK, CrewAI | Zapier, Make, n8n, Power Automate |
Kosten pro Durchlauf | Höher, Modellaufrufe pro Schritt | Niedrig |
Wie baut VIZIO AI agentische Workflows?
VIZIO AI baut Multi-Agenten-Systeme, in denen jeder Agent eine eng umrissene Aufgabe hat und vor dem Launch mit echten Daten getestet wird. Für Auli AI entwickelte unser Venture Studio ein Multi-Agenten-System, das mithilfe von Large Language Models strukturierte Shopdaten analysiert und Empfehlungen zu Preisgestaltung, Lagerbestand und Profitabilität erstellt. Das MVP wird bereits von mehr als 1.000 Nutzern verwendet.
Für ein auf Südostasien fokussiertes Technologieberatungsunternehmen baute unser DX Studio einen KI-Chatbot auf Basis geprüfter Quellen und einer Vektordatenbank, der den Aufwand für Finanzrecherchen um 65 % reduzierte.
Wo Sie anfangen sollten: Skizzieren Sie eine repetitive Aufgabe, die mehrere Systeme umfasst, und automatisieren Sie zunächst nur die Nachschlageschritte, bevor Sie das Modell irgendeine Aktion ausführen lassen.
Agentischer Workflow in Fallstudien von VIZIO AI
- Auli AI ›Ein Multi-Agenten-LLM-System analysiert Händlerdaten für Erkenntnisse zu Preisgestaltung und Lagerbestand; das MVP wird bereits von mehr als 1.000 Nutzern verwendet.
- AI-Driven Financial Insights Platform for SMEs ›Ein KI-Chatbot auf Basis geprüfter Quellen und einer Vektordatenbank reduzierte den Aufwand für Finanzrecherchen um 65 %.