KI-Agentenarchitektur

Was ist KI-Agentenarchitektur?

KI-Agentenarchitektur ist der strukturelle Aufbau eines Agentensystems: das Sprachmodell als Kern, die Tool-Schicht, über die es handelt, das Gedächtnis, das es dauerhaft speichert, die Schleife, die Planung und Ausführung antreibt, die Guardrails, die sein Verhalten begrenzen, sowie die Verbindungen, die aus diesen Teilen ein funktionierendes Gesamtsystem machen. Genau in diesem strukturellen Feinschliff liegt der Fortschritt des Feldes: Stanfords AI Index 2025 verzeichnete einen Anstieg der SWE-bench-Werte um 67,3 Prozentpunkte innerhalb eines einzigen Jahres, während agentische Systeme reiften [1].

Die wichtigsten Punkte

• Fünf Komponenten tauchen in jedem ernsthaften Design auf: Modell, Tools, Gedächtnis, Kontrollschleife und Guardrails. Architektur ist die Disziplin, sie für eine bestimmte Aufgabe auszuwählen und zu verbinden.
• Das Modell ist der am wenigsten differenzierte Teil. Konkurrierende Teams rufen dieselben Frontier-Modelle auf; das Tool-Design, das Context Management und die Verifikation drumherum entscheiden, ob Systeme gewinnen oder verlieren.
• Die Architektur sollte dem Risikoprofil der Aufgabe folgen. Ein reiner Lese-Rechercheagent und ein Agent, der Geld bewegen kann, brauchen sehr unterschiedliche Berechtigungsebenen – weit mehr als unterschiedliche Prompts.
• Beginnen Sie mit der einfachsten Form, die funktioniert. Ein einzelner Agent mit gut gestalteten Tools schlägt ein schlecht koordiniertes Komitee, und man kann später auf Basis von Evidenz weiter zerlegen.

So funktioniert es

Im Zentrum steht das Modell, aufgerufen in einer Schleife. Die Kontrollschleife ist das, was es zu einem Agenten statt zu einem Chatbot macht: Das Modell denkt nach (Reasoning), wählt eine Aktion, die Laufzeitumgebung führt sie aus, und die Beobachtung fließt in die nächste Iteration ein – die Form, die durch das ReAct-Agentenmuster populär wurde. Zu den Entscheidungen beim Schleifendesign gehören, ob im Voraus oder Schritt für Schritt geplant wird, wann gestoppt wird und wie viele Iterationen erlaubt sind.

Die Tool-Schicht definiert, was der Agent tatsächlich tun kann. Jedes Tool ist eine beschriebene Funktion, die das Modell per Tool Calling aufrufen kann: Dateioperationen, Shell-Befehle, Datenbankabfragen, APIs, Browser. Die Qualität des Tool-Designs, also klare Beschreibungen, sinnvolle Granularität und aussagekräftige Fehlermeldungen, verbessert die Erfolgsquote von Agenten stärker als die meiste Prompt-Arbeit. Die Aktionsschicht ist auch der Bereich, in dem Agenten noch am weitesten zurückliegen: Im OSWorld-Benchmark mit 369 realen Computeraufgaben erreichte der beste Agent in der Studie von 2024 eine Erfolgsquote von 12,24 % gegenüber 72,36 % bei Menschen, wobei GUI Grounding ein zentraler Engpass ist [2]. Standards wie MCP erlauben es einem Agenten, sich mit vielen Tool-Anbietern zu verbinden, ohne für jeden eine eigene Integration zu bauen.

Das Gedächtnis umfasst das Context Window für die aktuelle Aufgabe und dauerhaftes Agentengedächtnis für alles, was die Session überdauern muss. Eng damit verbunden ist Context Management: die Entscheidung, was bei jedem Turn ins Fenster gelangt, wann komprimiert wird, wenn es voll ist, und wann unübersichtliche Arbeit an einen Subagenten ausgelagert wird. Guardrails umschließen das Ganze: Berechtigungsbereiche, sandboxed ausgeführte Prozesse, Output-Validierung, Ausgabenobergrenzen und Human-in-the-Loop-Gates vor irreversiblen Aktionen. In größeren Systemen wiederholen sich dieselben fünf Komponenten auf einer höheren Ebene, wobei Agent Orchestration mehrere Einzelagenten-Zellen zu Pipelines oder Hierarchien zusammensetzt.

Beispiel

Ein Fintech-Team entwirft einen Agenten, der markierte Transaktionen untersucht. Sie beginnen beim Risikoprofil. Das Modell ist ein Frontier-Reasoning-Modell, ausgewählt, nachdem Evals gezeigt hatten, dass kleinere Modelle mehrstufige Betrugsmuster übersahen. Die Tools sind bewusst eng gefasst: Nur-Lese-Abfragen gegen eine Replikat-Datenbank, eine Sanktionslisten-API und ein Fallnotizen-Writer, ohne jedes Tool, das Konten verändern könnte. Das Gedächtnis ist eine Fallakte, die der Agent pro Untersuchung anlegt, plus eine kuratierte Playbook-Datei, die das Betrugsteam pflegt. Die Schleife ist ein begrenzter Untersuchen-dann-Berichten-Zyklus mit einer Obergrenze von 25 Schritten. Zu den Guardrails gehören eine sandboxed Laufzeitumgebung ohne Netzwerkzugriff nach außen jenseits der freigegebenen APIs, Schema-Validierung des Abschlussberichts und die feste Regel, dass Kontoaktionen Empfehlungen für einen menschlichen Analysten sind und nie ausgeführt werden. Als später ein zweiter Agent zum Entwerfen von Kundenkommunikation hinzukommt, erweitert sich die Architektur durch Komposition – der Bericht des Untersuchungsagenten wird zur Eingabe des Entwurfsagenten – statt durch Neubau.

Häufige Missverständnisse

Der wiederkehrende Fehler ist, die Architektur um das Modell statt um die Aufgabe herum zu bauen, in der Annahme, ein klügeres Modell mache Struktur überflüssig. In der Produktion gilt das Gegenteil: Mit besseren Modellen werden Tool-Qualität, Context Management, Verifikation und Berechtigungen zu den entscheidenden Ebenen, weil sie bestimmen, ob rohe Fähigkeit in verlässliche Ergebnisse übersetzt wird. Anthropics Erfahrung weist in dieselbe Richtung: Drei architektonische Faktoren – Token-Budget, Anzahl der Tool-Aufrufe und Modellwahl – erklärten 95 % der Leistungsvarianz in ihrem Multi-Agenten-Forschungssystem [3]. Teams, die architektonisches Denken überspringen, liefern Demos, die beeindrucken, und Systeme, die sich nicht debuggen lassen, denn ohne definierte Grenzen zwischen den Komponenten gibt es keinen Ansatzpunkt für Logging, Evals oder Verantwortlichkeit, wenn eine Ausgabe schiefgeht.

FAQ

Was sind die wichtigsten Typen agentischer KI-Architektur? Single-Agent-Designs, ein Modell mit Tools in einer Schleife, decken die meisten Anwendungsfälle ab. Multi-Agenten-Designs verteilen Arbeit auf mehrere Rollen – hierarchisch unter einem Orchestrator-Agenten, als sequenzielle Pipelines oder als lose koordinierte Schwärme. Die ältere akademische Taxonomie von reaktiven versus deliberativen Agenten überlebt in moderner Form als Wahl zwischen Schritt-für-Schritt-Handlungsschleifen und Plan-dann-Ausführen-Designs.

Wie wähle ich eine KI-Agentenarchitektur für ein neues Projekt? Arbeiten Sie rückwärts von den Fehlerkosten und der Form der Aufgabe. Definieren Sie, was der Agent niemals tun darf, und legen Sie danach die Berechtigungs- und Guardrail-Ebene fest. Fragen Sie dann, ob die Aufgabe in ein Context Window passt; falls ja, bauen Sie einen einzelnen Agenten und investieren Sie in Tools und Evals. Zerlegen Sie erst dann in mehrere Agenten, wenn Messungen zeigen, dass ein einzelner Agent an Kontext- oder Fähigkeitsgrenzen stößt.

Legt die Wahl eines Agenten-Frameworks meine Architektur für mich fest? Nur teilweise. Ein KI-Agenten-Framework liefert die Schleifen-Verdrahtung, Tracing und State Management, aber Tool-Granularität, Gedächtnisstrategie, Berechtigungsgrenzen und menschliche Freigabe-Gates bleiben Ihre eigenen Design-Entscheidungen und übertragen sich über Frameworks hinweg. Wer die Architektur versteht, macht das Framework zu einer Erleichterung statt zu einer Einschränkung.

Quellen

1. Stanford HAI. "2025 AI Index: SWE-bench scores rose 67.3 percentage points in one year." https://hai.stanford.edu/ai-index/2025-ai-index-report. Abgerufen im August 2026.
2. Xie et al. (arXiv). "OSWorld: best agent achieves 12.24% success on 369 real computer tasks versus 72.36% for humans." https://arxiv.org/abs/2404.07972. Abgerufen im August 2026.
3. Anthropic. "Token budget, tool call count, and model choice explain 95% of performance variance in its multi-agent research system." https://www.anthropic.com/engineering/built-multi-agent-research-system. Abgerufen im August 2026.