KI-Agenten mit komponierbaren Mustern erstellen

Wir verbrachten 3 Tage damit, mit Workflows und Agenten-Pipelines in n8n zu experimentieren, wobei wir den Leitfäden von Anthropic und OpenAI zum Aufbau effektiver KI-Agenten folgten.

Entdecken Sie die wichtigsten KI-Agenten-Komponenten, wie Sie die richtigen Komponenten und Tools auswählen, sowie den Aufbau von Agenten-Workflows basierend auf Anthropics einfachen, komponierbaren Mustern wie Prompt-Chaining, Routing, Parallelisierung, Orchestrator-Workern und einem Evaluator-Optimierer:

Komponenten von KI-Agenten verstehen

Der Aufbau von Agenten umfasst die Verbindung von Komponenten über mehrere Bereiche wie Modelle, Tools, Wissen und Speicher sowie Leitplanken. OpenAI bietet für jeden Bereich komponierbare Bausteine:

Quelle: OpenAI¹

Offensichtlich listet OpenAI dort zuerst seine eigenen Dinge auf, aber es gibt ein breites Ökosystem an Alternativen. Je nach Anwendungsfall können Sie Agenten erstellen und dabei Frameworks wie LangChain, LlamaIndex, CrewAI oder sogar selbst entwickelte Orchestrierungsschichten verwenden.

Ich werde näher auf jede dieser Komponenten eingehen:

Modelle

Zuerst gibt es die Modell-Komponente. Dies sind Ihre KI-Modelle, Ihre großen Sprachmodelle, die Kernintelligenz darstellen und in der Lage sind, logisch zu denken, Entscheidungen zu treffen und verschiedene Modalitäten zu verarbeiten. OpenAIs eigene Beispiele verweisen auf seine Modellreihe der GPT-5-Serie.

Je nach dem spezifischen Agententyp, den Sie entwickeln, möchten Sie innerhalb des OpenAI-Ökosystems ein anderes Modell wählen. GPT-5.5 ist das aktuelle Flaggschiff-Modell von OpenAI. Es plant mehrstufige Aufgaben, verwendet Tools, überprüft seine eigene Arbeit und macht weiter, bis eine Aufgabe erledigt ist. Für alltägliche Fragen antworten die leichteren GPT-5.5-Modi schneller und kostengünstiger.

Außerhalb des OpenAI-Ökosystems ist Claude Opus 4.7 eine häufige Wahl für intensive Programmier-, Denk- und MINT-Aufgaben. Googles Gemini 3.1 Pro konkurriert eng, mit einem Kontextfenster von 1 Million Tokens für große Codebasen und lange Dokumente.

Speziell für Coding-Agenten ist OpenAIs GPT-5.3-Codex sein leistungsfähigstes Programmiermodell. Es führt lange Aufgaben aus, die Recherche, Tool-Nutzung und Ausführung kombinieren, und Sie können es während der Arbeit steuern. Es führt Benchmarks wie SWE-Bench Pro und Terminal-Bench 2.0 an, die echte Softwareentwicklung und Befehlszeilenarbeit testen.

Wir haben die führenden KI-Modelle in Benchmarks verglichen, um Ihnen zu helfen zu verstehen, wie jedes Modell in Bezug auf logisches Denken, Geschwindigkeit und Kosten abschneidet, damit Sie dasjenige wählen können, das Ihren Zielen am besten entspricht.

Tools

Als Nächstes kommen die Tools, die Fähigkeiten des Modells erweitern, etwa indem sie es ihm ermöglichen, im Web zu suchen oder mit anderen Systemen zu interagieren.

Fast jede App kann zu einem Tool für Ihre KI werden. Sie können sie mit Gmail, Kalender, Ihrem Laufwerk oder Apps wie Slack, Discord, YouTube, Salesforce und Zapier verbinden. Sie können sogar eigene benutzerdefinierte Tools erstellen.

Mit dem OpenAI Agents SDK (das etwas Programmierkenntnisse erfordert) können Sie Tools definieren oder integrierte wie Websuche, Dateisuche und Computernutzung verwenden.²

MCP (Model Context Protocol) von Anthropic vereinfacht auch die Tool-Integration, indem es standardisiert, wie Modelle auf sie zugreifen. Im Jahr 2026 entsteht der Geschäftswert zunehmend aus „digitalen Fließbändern“, menschlich geführten, mehrstufigen Workflows, bei denen mehrere Agenten End-to-End-Prozesse ausführen, ermöglicht durch das Model Context Protocol (MCP).

Wenn Sie nicht programmieren möchten, ermöglichen Ihnen No-Code-Plattformen wie n8n, Tools per Drag-and-Drop mit Ihrem Modell zu verknüpfen.

Wissen und Speicher

Es gibt zwei Hauptarten von Speicher: Wissensbasis (statischer Speicher) und persistenter Speicher.

• Wissensbasis gibt Ihrer KI Zugriff auf statische Fakten, Richtlinien und Dokumente, die relativ unverändert bleiben. Dies ist unerlässlich für Agenten, die richtliniengetriebene oder unternehmensspezifische Aufgaben ausführen, bei denen Referenzmaterialien konsistent bleiben müssen.
  
• Persistenter Speicher ermöglicht es der KI, sich über Sitzungen hinweg an vergangene Interaktionen zu erinnern. Dies ist entscheidend für Chatbots oder persönliche Assistenten, die sich an frühere Gespräche erinnern müssen.

OpenAI bietet gehostete Dienste wie Vektor-Speicher, Dateisuche und Embeddings für die Speicherverwaltung.

Wenn Sie Open-Source-Lösungen bevorzugen, sind Pinecone (cloud-nativ und für Vektorsuche optimiert) und Weaviate beliebte Optionen.

Für diejenigen, die No-Code-Tools verwenden, ist die Speicherverwaltung in der Regel in Plattformen wie n8n und Creatio integriert.

Leitplanken

Leitplanken stellen sicher, dass sich Ihr Agent wie beabsichtigt verhält und irrelevante, schädliche oder unangemessene Antworten vermeidet. Beispielsweise sollte ein Kundenservice-Bot auf servicebezogene Themen fokussiert bleiben und nicht in unzusammenhängende Themen abgleiten.

Außerhalb des OpenAI-Ökosystems gehören Guardrails KI und LangChain Guardrails zu den beliebten Tools. Viele No-Code-Plattformen verfügen über integrierte Leitplanken-Funktionen, aber es ist dennoch wichtig zu verstehen, wie sie funktionieren, um Kontrolle und Compliance bei Ihren Agenten zu gewährleisten.

Skills

Tools ermöglichen es einem Agenten, auf die Außenwelt einzuwirken. Skills bringen dem Agenten bei, eine bestimmte Aufgabe gut zu erledigen.

Ein Skill ist ein kleiner Ordner mit Anweisungen und Dateien. Er enthält die Schritte, Regeln und Beispiele für eine Aufgabe, etwa das Ausfüllen einer Berichtsvorlage oder das Befolgen eines Styleguides eines Unternehmens. Der Agent lädt einen Skill, wenn die Aufgabe es erfordert, sodass das Kontextfenster nicht überladen wird.

Anthropic führte Agent Skills Ende 2025 ein und öffnete das Format im März 2026 als gemeinsamen Standard.³ Skills funktionieren über Claude.ai, Claude Code und die API hinweg. Der Hauptvorteil ist Konsistenz: Statt jedes Mal denselben langen Prompt neu zu schreiben, definiert ein Team einen Skill einmal und verwendet ihn wieder. Das ist in der Produktion wichtig, wo Ad-hoc-Prompting dazu neigt, abzudriften.

Wie sich Skills von den anderen Komponenten unterscheiden:

• Tools verbinden den Agenten mit externen Systemen (E-Mail, Datenbanken, Suche).
• Wissen und Speicher geben dem Agenten Fakten zum Lesen.
• Skills geben dem Agenten eine wiederholbare Methode für eine Aufgabe.

Orchestrierung

Die letzte Komponente ist die Orchestrierung. Dabei geht es darum zu verwalten, wie mehrere Sub-Agenten zusammenarbeiten, sie in Produktion zu bringen und ihre Leistung zu überwachen.

Nach der Bereitstellung benötigen Agenten eine kontinuierliche Überwachung. Modelle, Daten und Verhaltensweisen ändern sich, daher benötigen Agenten regelmäßige Aktualisierungen.

Mehrere Plattformen und Frameworks unterstützen die Orchestrierung, wie etwa:

• Low-Code-/No-Code-Plattformen:
  • Stack AI
  • Microsoft Copilot Studio Agent Builder
  • Relevance KI usw.
• Open-Source-Frameworks:
  • LangGraph (Teil von LangChain): modelliert einen Agenten als Graphen von Schritten mit expliziter Kontrolle über Verzweigungen, Wiederholungen und menschliche Überprüfungen.
  • CrewAI: organisiert Agenten als „Crew“ von Rollen wie Researcher, Writer und Reviewer. Es ist schnell zu prototypisieren, wenn sich die Arbeit in klare Rollen aufteilen lässt.
  • LlamaIndex: am stärksten für Agenten, die Dokumente und interne Wissensdatenbanken durchsuchen.
  • Anbieter-SDKs: OpenAIs Agents SDK und Anthropics Claude Agent SDK sind offizielle Toolkits zum Erstellen von Agenten auf den Modellen des jeweiligen Anbieters. Das Claude Agent SDK ist dieselbe Architektur, die Claude Code antreibt.

Bausteine der Automatisierung: Workflows vs. Agenten

Ein KI-Agent ist ein System, das seine Umgebung wahrnimmt, Informationen verarbeitet und autonom Maßnahmen ergreift, um bestimmte Ziele zu erreichen, wie etwa Coding-Agenten wie Cursor oder Windsurf, KI-gestützte Code-Editoren mit „Agent-Modi“, die autonom Programmieraufgaben mit Modellen wie Claude Opus 4.7 ausführen können. Ein weiteres häufiges Beispiel sind Kundenservice-Agenten, mit denen viele Unternehmen Anfragen bearbeiten.

Es gibt viele verschiedene Möglichkeiten, diese Agenten zu entwerfen und bereitzustellen, abhängig von der Komplexität des Workflows und dem erforderlichen Grad an Autonomie.

Um einen kurzen Vorgeschmack zu geben: Ein KI-Agent ist oft eine Sammlung von Sub-Agenten, die jeweils bestimmte Aufgaben ausführen. Together, diese Sub-Agenten koordinieren sich innerhalb von Multi-Agenten-Systemen, um das zu liefern, was wir als einen einzigen KI-Agenten wahrnehmen.

Diese unterscheiden sich grundlegend von Workflows. Workflows sind orchestrierte Abfolgen vordefinierter Schritte, wie ein Rezept, das immer derselben Reihenfolge folgt:

Wann KI-Agenten eingesetzt werden sollten

Vor den Workflow-Beispielen ein kurzer Realitätscheck. Agenten sind nicht immer die Antwort. Viele Teams erzielen immer noch gute Ergebnisse mit einfachen Workflows, selbst bei Aufgaben, bei denen ein Agent theoretisch funktionieren könnte. Viele Teams stellen weiterhin fest, dass traditionelle Workflows gut funktionieren, selbst in Szenarien, in denen Agenten theoretisch eingesetzt werden könnten.

Eine der klarsten Möglichkeiten, darüber nachzudenken, beschrieben in Anthropics Blog, ist folgende:

Dennoch gibt es reale Situationen, in denen Agenten traditionelle Workflows bei Aufgaben übertreffen, die Flexibilität, logisches Denken und Anpassungsfähigkeit erfordern:

Dynamische Gespräche, die Anpassungen erfordern:

Einige Interaktionen, wie einfache Rückerstattungs- oder Passwort-Reset-Anfragen, passen gut in Workflows. Andere erfordern jedoch ein nuanciertes Urteilsvermögen oder kontextabhängige Entscheidungen, wie personalisierte Empfehlungen, die stark von Kontext und hin- und hergehendem Denken abhängen.

Hochwertige Entscheidungsfindung mit geringem Volumen:

Agenten können teuer im Betrieb sein, aber in manchen Fällen sind die Entscheidungen, die sie unterstützen, weitaus kostspieliger, wenn sie falsch getroffen werden.

So berichtete BCG, dass ein führender Energieversorger in Deutschland ein GenAI-gesteuertes agentisches Tool zur Automatisierung von Zahlungsprüfungen einsetzte.⁴

Wenn Sie große Infrastrukturen planen, etwa die Optimierung von Engineering-Entwürfen, sind die Kosten für die Berechnung vernachlässigbar. In diesen risikoreichen Fällen schaffen Agenten Mehrwert, weil die Kosten eines Fehlers die Kosten für den Betrieb des Modells bei Weitem übersteigen.

Mehrstufige, unvorhersehbare Workflows:

Einige Workflows sind zu komplex, sodass das Schreiben endloser „Wenn-dann“-Regeln zu einem eigenen Projekt wird.

In diesen Fällen vereinfachen agentische Schleifen das Chaos. Statt jeden möglichen Pfad fest zu codieren, entscheidet das Modell dynamisch über den nächsten Schritt auf der Grundlage von Echtzeit-Kontext und logischem Denken.

Dieser Ansatz eignet sich gut für Diagnosesysteme oder Tools, die Dutzende sich ändernder Variablen verarbeiten.

Wann Workflows besser sind

Szenarien mit hoher Frequenz und geringer Komplexität:

Einige Aufgaben hängen mehr von Geschwindigkeit und Skalierung ab als von logischem Denken, wie etwa:

• Abrufen von Informationen aus einer Datenbank
• Parsen strukturierter Nachrichten oder E-Mails
• Beantworten von FAQ-ähnlichen Anfragen

Ein Workflow könnte Tausende dieser Anfragen verarbeiten, mit vorhersehbareren Kosten und Latenzen, als es ein Agent tun würde.

Einführung in KI-Agenten-Workflows und Implementierungen

KI-Agenten sind in der Regel keine einzelne Einheit. Stattdessen bestehen sie aus verschiedenen Sub-Agenten, die miteinander interagieren. Eine der besten Ressourcen, die ich zu gängigen Workflows und Agentensystemen gefunden habe, ist der Leitfaden Building Effective Agents von Anthropic.⁵

Im Herzen agentischer Systeme steht das, was Anthropic als das erweiterte LLM bezeichnet. Diese Struktur besteht aus drei Schlüsselelementen:

• die Eingabe,
• das große Sprachmodell (LLM),
• und die Ausgabe.

Quelle: Anthropic⁵

Das erweiterte LLM ist in der Lage, eigene Suchanfragen zu generieren, relevante Tools auszuwählen und zu entscheiden, welche Informationen im Speicher abgelegt werden sollen.

Möglicherweise bemerken Sie einige Ähnlichkeiten mit den Komponenten von OpenAI (wie unten dargestellt). Diese Version ist jedoch stärker vereinfacht und enthält keine Elemente wie Leitplanken und Orchestrierung, aber die Kernstruktur bleibt gleich. Das ist völlig in Ordnung. Für Aufgaben wie Tests und Bereitstellung ist es am besten, sich auf die Komponenten von OpenAI zu beziehen.

OpenAIs Liste der KI-Agenten-Komponenten¹

Um zu verstehen, wie diese Sub-Agenten zusammenpassen und interagieren, um einen größeren KI-Agenten zu bilden, beginne ich mit den einfacheren Workflows und gehe allmählich zu komplexeren, vollständig autonomen Systemen über:

1. Einfache agentische Workflows (Prompt-Chaining)

Der einfachste agentische Workflow wird Prompt-Chaining genannt. Bei diesem Prozess wird eine Aufgabe in eine Reihe von Schritten zerlegt, wobei jeder Sub-Agent die Ausgabe des vorherigen verarbeitet.

Im Kern funktioniert es wie ein Fließband, aber Sie können Entscheidungspunkte einführen, um den Fluss bei Bedarf umzuleiten. Das allgemeine Muster bleibt gleich: Eine Eingabe wird von einem Sub-Agenten verarbeitet, der das Ergebnis zur weiteren Verarbeitung an einen anderen Sub-Agenten weitergibt, und so weiter, bis die endgültige Ausgabe erzeugt wird. Diese Methode eignet sich besonders für Aufgaben, die leicht in kleinere, sequenzielle Teilaufgaben zerlegt werden können.

Der Prompt-Chaining-Workflow⁵

Praxisbeispiel:⁶

Prompt-Chaining in n8n (Gliederung, Bewertung & Veröffentlichung in Tabellen)

Im obigen Beispiel gibt der Benutzer ein Thema im n8n-Chatfenster ein. Jeder LLM-Knoten verwendet das Azure OpenAI-Modell.

Das erste LLM erstellt eine strukturierte Gliederung für einen Blogbeitrag. Der Prompt für den Outline Writer lautet wie folgt:

Screenshot des Prompts für das Gliederungsgenerator-LLM

Wobei {{ $json.chatInput }} sich auf das Thema bezieht, das vom Benutzer im Chatfenster eingegeben wurde.

Die Variable {{ $json.chatInput }} ist grau, weil der Workflow noch nicht ausgeführt wurde. Wenn wir den Knoten ausgeführt oder getestet hätten, wäre er grün oder rot, je nach Gültigkeit der Variable.

Dann bewertet das folgende LLM die Gliederung anhand von Schlüsselkriterien im Abschnitt Systemmeldung. Der Prompt ist unten zu finden:

Das abschließende Blog Writer-LLM fügt eine Zeile in einer Tabelle zum Thema hinzu, basierend auf der vom vorherigen LLM erstellten Gliederung.

Screenshot des Prompts für das Blog-Writer-LLM

Wann Sie Prompt-Chaining verwenden sollten:

• Aufgaben lassen sich natürlich in feste, sequenzielle Teilaufgaben zerlegen
• Jeder Schritt trägt sinnvoll zum Endergebnis bei
• Schrittweises Denken erhöht die Genauigkeit gegenüber der direkten Verarbeitung
• Qualitätskontrollpunkte sind während des gesamten Prozesses erforderlich

2. Routing-Workflow

Routing ist eine weitere Art von Workflow, bei der eine Eingabe empfangen wird und ein Sub-Agent dafür verantwortlich ist, diese Eingabe an die entsprechende Folgeaufgabe weiterzuleiten. Jede Aufgabe wird dann von einem auf diesen Bereich spezialisierten Sub-Agenten bearbeitet, und sobald die Aufgaben abgeschlossen sind, wird die endgültige Ausgabe erzeugt.

Ein klassisches Beispiel für Routing findet sich bei Kundenservice-Bots. Der Bot kann verschiedene Arten von Anfragen erhalten, z. B. allgemeine Anfragen, Rückerstattungsanträge oder technische Support-Probleme. Der erste Sub-Agent identifiziert die Art der Anfrage und leitet sie an den Sub-Agenten weiter, der auf die Bearbeitung dieses bestimmten Problems spezialisiert ist.

Wenn sich die Anfrage beispielsweise um eine Rückerstattung dreht, würde sie an den Sub-Agenten für Rückerstattungen weitergeleitet, während eine Frage zum technischen Support an den Sub-Agenten für technischen Support gerichtet würde.

Ein weiteres Beispiel ist das Routing von Fragen an verschiedene Modelle auf der Grundlage ihrer Stärken. Bei komplexeren MINT-Fragen können Sie die Eingabe an ein starkes Denkmodell wie Claude Opus 4.7 weiterleiten. Für einfache, schnelle Anfragen können Sie an ein leichteres Modell wie Gemini 3.5 Flash weiterleiten, das auf Geschwindigkeit ausgelegt ist.

Praxisbeispiel:⁷

Im obigen Beispiel leitet der Agent Benutzereingaben mithilfe einer strukturierten Ausgabe eines Sprachmodells an spezialisierte Agenten weiter (z. B. Erinnerungsagent, E-Mail-Agent usw.).

Der Router ist mit GPT 4o mini verbunden. Der Prompt und die Kategorien lauten wie folgt:

Screenshot der Parameter des KI-Agenten-Knotens

Anwendungsbeispiele:

Sie können eine Anfrage im n8n-Chatfenster eingeben. Zum Beispiel:

• Benutzer sagt: „Erinnere mich daran, morgen meine Mutter anzurufen.“
  → Weitergeleitet an Erinnerungsagent
• Benutzer sagt: „Sende eine E-Mail an das HR-Team.“
  → Weitergeleitet an E-Mail-Agent
• Benutzer sagt: „Plane nächste Woche ein Meeting mit John.“
  → Weitergeleitet an Meeting-Agent

Wann Sie Routing verwenden sollten:

• Vielfältige Eingabetypen: Ihr System empfängt verschiedene Arten von Anfragen, die von einer spezialisierten Bearbeitung profitieren
• Ressourcenoptimierung: Sie möchten einfache Anfragen kostengünstigen Prozessoren zuweisen und komplexe Anfragen an fortschrittliche Systeme weiterleiten
• Domänenspezialisierung: Verschiedene Eingabekategorien erfordern domänenspezifisches Fachwissen oder Verarbeitungslogik
• Leistungsoptimierung: Sie müssen die Last ausgleichen und optimale Antwortzeiten über verschiedene Anfragetypen hinweg sicherstellen

3. Parallelisierung-Workflow

Der nächste Workflow ist die Parallelisierung. Dieser spezielle agentische Workflow hat typischerweise zwei Hauptvarianten. Bei der Parallelisierung arbeiten mehrere Sub-Agenten gleichzeitig an einer Aufgabe, und ihre Ausgaben werden anschließend zusammengeführt.

• Die erste Variante wird als Abschnittsbildung bezeichnet, bei der eine Aufgabe in unabhängige Teilaufgaben zerlegt wird, die parallel ablaufen.
• Die zweite Variante ist die Abstimmung, bei der dieselbe Aufgabe mehrfach von verschiedenen Sub-Agenten ausgeführt wird, um unterschiedliche Ausgaben zu erzeugen, die dann aggregiert werden.

Dies beschleunigt große Workflows, indem unabhängige Aufgaben gleichzeitig ausgeführt werden.

Sequenzieller Workflow vs. paralleler Workflow: ein Zeitvergleich⁸

Praxisbeispiel:⁸

Screenshot des Parallelisierungs-Workflow-Beispiels in n8n

Das Beispiel für parallele Ausführung in n8n demonstriert eine Aufgabe, bei der Workflow die Google-Suche über die SERP-API abfragt, um LinkedIn-URLs abzurufen und sie in einem Google-Sheet zu speichern. In der anfänglichen Konfiguration verarbeitet der Workflow jede Aufgabe sequenziell, eine Website nach der anderen:

1. Der Workflow wird ausgelöst.
2. Das Get-Tool ruft die Website aus dem Google-Sheet ab.
3. Der KI-Agent verwendet die SERP-API, um Google zu durchsuchen und die LinkedIn-URL abzurufen.
4. Die LinkedIn-URL wird anschließend im Google-Sheet aktualisiert.

An diesem Punkt werden die Aufgaben nacheinander verarbeitet, was bei großen Datensätzen langsam sein kann.

n8n verfügt über eine Funktion, mit der Sie Knoten auswählen, klicken und dann angeben können, dass Sie diese ausgewählten Knoten in einen Sub-Workflow umwandeln möchten.

Und was passiert, ist: Wenn Sie auf diese Schaltfläche klicken, wird mein Workflow benannt. Wenn Sie bestätigen, wird all das in einen Sub-Workflow umgewandelt, und er wird genau hier verknüpft und von diesem Element aufgerufen.

Der erstellte Sub-Workflow

n8n hat dies also in einen Sub-Workflow umgewandelt, aber Sie haben noch keine Parallelisierung, weil er immer noch alles hier durchlaufen würde.

Damit dies tatsächlich parallel ausgeführt wird, sollten alle Elemente als einzelne Ausführungen laufen. Wenn Sie also in den Knoten klicken, können Sie „Einmal pro Element ausführen“ wählen, was bedeutet, dass der Sub-Workflow für jedes Element einzeln aufgerufen wird.

Und sobald Sie das geändert haben, können Sie in den Sub-Workflow gehen und auf Ausführungen klicken. Und Sie werden sehen, dass alle drei Elemente genau zur gleichen Zeit ausgeführt werden.

Wann Sie Parallelisierung verwenden sollten: Parallelisierung ist am effektivsten, wenn Aufgaben in kleinere, unabhängige Teilaufgaben zerlegt werden können, die gleichzeitig ausgeführt werden können, wodurch sowohl Geschwindigkeit als auch Effizienz verbessert werden.

Sie ist auch wertvoll, wenn mehrere Perspektiven oder wiederholte Versuche erforderlich sind, um Vertrauen in die Ergebnisse aufzubauen. Bei Problemen mit mehreren Teilen oder Bewertungskriterien schneiden Modelle oft besser ab, wenn jeder Teil seinen eigenen Aufruf erhält. Dadurch bleibt jeder Aufruf fokussiert, sodass das logische Denken genauer ist.

4. Orchestrator-Worker-Workflow

Der nächste Workflow, der komplexer wird, ist das Orchestrator-Worker-Muster.

Die Orchestrator-Worker-Architektur macht Ihre n8n-Workflows modular, skalierbar und anpassungsfähig und verwandelt eine einzelne starre Automatisierung in ein komponierbares System kooperierender Agenten.

Auf den ersten Blick mag es der Parallelisierung ähneln, da mehrere Sub-Agenten aktiv sein können, aber der entscheidende Unterschied ist die Flexibilität. Im Gegensatz zur Parallelisierung stützt sich das Orchestrator-Worker-Setup nicht auf eine feste Liste von Teilaufgaben. Stattdessen entscheidet der Orchestrator dynamisch, welche Aufgaben ausgeführt werden müssen, weist sie Worker-Agenten zu und verwaltet ihre Koordination während des gesamten Prozesses.

Praxisbeispiel:⁹

Screenshot des Orchestrator-Worker-Workflow-Beispiels in n8n

Im obigen Beispiel wird das Briefing einmal erfasst, und ein Orchestrator leitet die Arbeit an mehrere spezialisierte Agenten weiter.

Der CEO-Agent fungiert als Orchestrator-LLM. Er verarbeitet das Eingangsbriefing, verfeinert es für jede Abteilung, wählt aus, welche Worker-Agenten aktiviert werden sollen, und bestimmt, wie ihre Ausgaben integriert werden. Er kann je nach Kontext und Einschränkungen entscheiden, einen, zwei oder alle Worker aufzurufen.

Screenshot des CEO-Agent-Knotens

Unten führen drei Worker-Agenten – Marketing, Operations und Finance – jeweils ihr eigenes OpenAI-Chatmodell mit separaten Speicher- und Tool-Konfigurationen aus. Dies ermöglicht abteilungsspezifische Prompts und JSON-Schemas für strukturierte Ausgaben.

Screenshot der drei Worker-Agent-Knoten

Sobald der Orchestrator abteilungsspezifische Anweisungen vorbereitet hat, ruft er jeden Worker als Tool auf, um Ausgaben auf der Grundlage von Eingaben zu generieren.

Zum Beispiel erstellt der Marketing-Agent Kampagnen (Name, Kanal, KPI).

KI-Tool-Knoten (Marketing-Agent)

Nachdem die Ausgaben der Worker generiert wurden, stellt der CEO-Agent die Antworten der Abteilungen zu einem einzigen kohärenten Plan zusammen und führt sie zusammen. Der Workflow schreibt den Plan dann in ein Google-Doc, fügt Metadaten hinzu, konvertiert es in PDF und lädt es automatisch zum Teilen oder Überprüfen hoch.

Screenshot der Knoten für Dokumentenerstellung, Konvertierung und Upload

Bei der Ausführung bestimmt der Orchestrator, welche Agenten aktiviert werden sollen, koordiniert ihre Zusammenarbeit und führt ihre Ausgaben zu einem umfassenden Bericht zusammen, was zeigt, wie Orchestrator-Worker-Workflows flexible, modulare und komponierbare KI-Systeme ermöglichen.

Wann Sie den Orchestrator-Worker-Workflow verwenden sollten: Dieser Ansatz ist besonders wertvoll für die Lösung offener oder sich entwickelnder Probleme, bei denen die erforderlichen Schritte nicht im Voraus bekannt sein können.

Beispiele, in denen der Orchestrator-Worker-Workflow nützlich ist:

• Programmieraufgaben: Bei der Entwicklung oder Fehlerbehebung komplexer Softwareprodukte, die koordinierte Änderungen über mehrere Dateien hinweg erfordern, wobei die genauen Dateien und Bearbeitungen während der Ausführung bestimmt werden können.
• Recherche und Informationsbeschaffung: Bei Aufgaben, die das Suchen, Sammeln und Analysieren von Daten aus mehreren Quellen umfassen, wobei relevante Informationen nicht vollständig im Voraus identifiziert werden können und dynamisch entdeckt werden müssen.

5. Evaluator-Optimierer-Workflow

Noch komplexer ist der Evaluator-Optimierer-Workflow. Dieses Setup bewegt sich in Richtung autonomeres Verhalten und gibt dem Sub-Agenten bzw. KI-Agenten größere Freiheit, zu entscheiden, welche Maßnahmen ergriffen und wie die eigenen Ausgaben verbessert werden sollen.

Sie beginnen mit einer Eingabe, und der erste Sub-Agent erzeugt eine vorgeschlagene Lösung. Diese Ausgabe wird dann an einen Evaluator-Sub-Agenten weitergegeben, der das Ergebnis überprüft. Wenn der Evaluator es für zufriedenstellend hält, wird die Ausgabe finalisiert. Wenn er jedoch feststellt, dass das Ergebnis nicht gut genug ist, sendet er es mit spezifischem Verbesserungsfeedback an den ersten Sub-Agenten zurück.

Dadurch entsteht eine kontinuierliche Feedbackschleife, in der Optimierer seine Ausgabe iterativ verfeinert, bis der Evaluator feststellt, dass sie den erforderlichen Qualitätsstandards entspricht.

Praxisbeispiel:¹⁰

Für dieses Beispiel bin ich eine Python-Simulation durchgegangen und kein No-Code-Tool, um Bewertungsschemas, benutzerdefinierte Logik und iterative Schleifen direkt zu zeigen.

Dies ist kein vollständiges Setup. Um den Evaluator-Optimierer-Workflow End-to-End auszuführen, benötigen Sie eine ordnungsgemäße Umgebungskonfiguration, Modellinitialisierung und Schemaeinrichtung usw.

Sie können eine Evaluator-Optimierer-Schleife auch mit Workflow-Automatisierungstools implementieren, die Bewertungsknoten unterstützen.

Evaluator-Optimierer-Workflow mit Python:

Ein Beispiel für eine Evaluator-Optimierer-Schleife, ein häufiges Muster in selbstreflektierenden KI-Systemen oder agentischen Workflows

Dieser Workflow stellt eine automatisierte Schleife zur Inhaltserstellung und -bewertung dar, bei der zwei Komponenten zusammenarbeiten: Eine erstellt und die andere überprüft. Er stellt sicher, dass die Ausgaben vor der Finalisierung die Qualitätsstandards erfüllen.

Schritt-für-Schritt-Erklärung:

• Eingabe initialisieren: Erstellen Sie initial_state = {“content_topic”: topic}.
• Schleife ausführen: Rufen Sie evaluator_optimizer_workflow.invoke(initial_state) auf, was iterativ:
  • Inhalte generiert/verfeinert,
  • Qualität bewertet,
  • wiederholt, bis genehmigt oder ein maximales Iterationslimit erreicht ist.
• Ergebnis protokollieren: Geben Sie eine Abschlussmeldung und den genehmigten generated_content aus.
• Ergebnisse zurückgeben: final_state dict (z. B. content_topic, generated_content, quality_assessment).

Workflow-Visualisierung:

Evaluator-Optimierer-Schleife mit Python-Ergebnissen: Jeder Zyklus verwendet das vorherige Feedback, um den Inhalt zu verbessern. Die Schleife erzeugt schließlich Inhalte, die dem Qualitätsstandard entsprechen:

Wann Sie den Evaluator-Optimierer-Workflow verwenden sollten: Dieser Workflow ist besonders nützlich, wenn es klare Bewertungskriterien gibt und wenn iterative Verfeinerung zu sinnvollen Qualitätsverbesserungen führen kann.

Beispiele, in denen der Evaluator-Optimierer-Workflow nützlich ist:

• Bei einer literarischen Übersetzungsaufgabe könnte der erste Versuch bestimmte sprachliche Nuancen oder emotionale Töne verfehlen. Der Evaluator würde Feedback geben und um Überarbeitungen bitten, bis die Übersetzung die beabsichtigte Bedeutung und die Feinheiten des Originaltextes vollständig erfasst.
• Ein weiteres Beispiel ist die komplexe Recherche-Aggregation, bei der Optimierer Informationen sammelt und zusammenfasst, während der Evaluator Tiefe, Vollständigkeit und Genauigkeit prüft. Wenn der Evaluator die Recherche für unzureichend hält, sendet er sie zur weiteren Bearbeitung zurück, bis der Abschlussbericht alle Anforderungen erfüllt und die notwendigen Informationen effektiv synthetisiert.

6. Wirklich autonome Agentenimplementierung

Und schließlich gibt es die wirklich autonome Agentenimplementierung. Diese Art von System ist konzeptionell einfach, kann in der Praxis jedoch höchst vielfältige und komplexe Verhaltensweisen hervorbringen.

Der Agent beginnt seinen Betrieb mit minimalem menschlichem Input, normalerweise einer einzigen Anweisung oder einem Ziel. Sobald die Aufgabe definiert ist, arbeitet er unabhängig, ergreift Maßnahmen und beobachtet deren Auswirkungen auf die Umgebung.

Ein zentrales Merkmal dieses Ansatzes ist die Selbstbewertung: Der Agent muss anhand des Feedbacks aus der Umgebung feststellen, ob seine Aktionen ihn dem Ziel näher bringen. Wenn er beispielsweise Code ausführt oder externe Tools verwendet, muss er beurteilen, ob diese Aktionen zum Fortschritt beitragen oder ob Anpassungen erforderlich sind. Dieser feedbackgesteuerte Zyklus setzt sich fort, bis der Agent feststellt, dass das Ziel erreicht wurde oder dass kein weiterer Fortschritt möglich ist.

Praxisbeispiel:

In unserem Benchmark von KI-Coding-Tools beobachteten wir, dass Windsurf und Cursor agentische Fähigkeiten demonstrierten, indem sie autonom Dateistrukturen erstellten, mehrere Dateien bearbeiteten und Terminalbefehle ausführten, um APIs auf Heroku bereitzustellen.

Windsurf passte sich sogar an kürzliche Plattformänderungen an: Als es feststellte, dass das PostgreSQL Hobby Dev Add-on veraltet war, konfigurierte es die Bereitstellung korrekt neu, um PostgreSQL Essential 0 zu verwenden.

Verpassen Sie nicht unsere Benchmarks und datengestützten Erkenntnisse. Die Schaltfläche öffnet Google; die Auswahl von AIMultiple bestätigt, dass Sie AIMultiple häufiger in den Google-Suchergebnissen sehen möchten.

Als bevorzugte Quelle hinzufügen

Zusammenfassung

Beim Aufbau von KI-Agenten geht es weniger um vollständige Autonomie, sondern mehr darum, Systeme zu schaffen, die zielgerichtet, transparent und zuverlässig sind. Aus unseren Experimenten in n8n und den Erkenntnissen aus den Leitfäden von Anthropic und OpenAI haben wir festgestellt, dass effektive Agenten auf Designentscheidungen beruhen.

Bei der Implementierung von Agenten konzentrieren wir uns auf drei Leitprinzipien:

• Halten Sie die Architektur einfach. Fangen Sie klein an, bauen Sie modular und führen Sie Komplexität ein, wenn sie die Leistung oder Flexibilität eindeutig verbessert.
• Machen Sie den Denkprozess sichtbar. Ermöglichen Sie Benutzern und Entwicklern zu sehen, wie der Agent plant und Entscheidungen trifft, um Interpretierbarkeit und Kontrolle zu verbessern.
• Sorgen Sie für zuverlässige Tool-Interaktionen. Entwerfen Sie Tools, die klar abgegrenzt, gut dokumentiert und getestet sind, damit Agenten in realen Umgebungen konsistent handeln können.

Diese Forschung zitieren

Wählen Sie das Format, das zu Ihrem Veröffentlichungsort passt. Wenn Sie die Link-Version in Ihr CMS einfügen, bleibt der Backlink erhalten.

@misc{dilmegani2026,
  author = {Dilmegani, Cem and PhD., Ezgi Arslan,},
  title  = {{KI-Agenten mit komponierbaren Mustern erstellen}},
  year   = {2026},
  month  = jul,
  howpublished    = {\url{https://aimultiple.com/building-ai-agents}},
  note   = {AIMultiple. Abgerufen am 29. Juli 2026}
}

Änderungsprotokoll

3 Aktualisierungen

1. 20266. Feb

   Der Abschnitt „Bausteine der Automatisierung: Workflows vs. Agenten“ wurde entfernt.

2. 5. Feb

   Das Modell wurde in der Einleitung auf Claude Sonnet 4.5 aktualisiert.

3. 202524. Okt

   Die Beschreibung des Orchestrator-Worker-Workflows im Abschnitt „Orchestrator workers workflow“ wurde ersetzt.

Referenzlinks

1.

Agents SDK | OpenAI API

2.

OpenAI Agents SDK

3.

PurpleBox Website

PurpleBox Security

4.

How Four Companies Use AI for Cost Transformation | BCG

Boston Consulting Group

5.

Building Effective AI Agents \ Anthropic

6.

Generate blogs with GPT-4o prompt chaining: outline, evaluate & publish to Sheets | n8n workflow template

7.

Route user requests to specialized agents with GPT-4o Mini | n8n workflow template

8.

n8n Parallel Execution and Sub Workflows for Faster Modular Automation - YouTube

9.

Collaborative sales planning with multi-agent AI, Google Docs, and Slack | n8n workflow template

10.

Agentic AI Workflow Patterns: Evaluator-Optimizer (4/4) | by Piyush Agnihotri | The Advanced School of AI | Medium

The Advanced School of AI

Cem Dilmegani

Leitender Analyst

Folgen auf

Cem ist seit 2017 leitender Analyst bei AIMultiple.

Cems Arbeit bei AIMultiple wurde von führenden globalen Publikationen wie Business Insider, Forbes, Morning Brew und Washington Post, von globalen Unternehmen wie Deloitte und HPE, von NGOs wie dem World Economic Forum und von supranationalen Organisationen wie der European Commission zitiert. [1], [2], [3], [4], [5]

Im Laufe seiner Karriere war Cem als Tech-Berater, Tech-Einkäufer und Tech-Unternehmer tätig. Er beriet Unternehmen bei ihren Technologieentscheidungen bei McKinsey & Company und Altman Solon über mehr als ein Jahrzehnt. Er veröffentlichte außerdem einen McKinsey-Bericht zur Digitalisierung.

Er leitete Technologiestrategie und -beschaffung eines Telekommunikationsunternehmens und berichtete dabei direkt an den CEO. Außerdem verantwortete er das kommerzielle Wachstum des Deep-Tech-Unternehmens Hypatos, das innerhalb von zwei Jahren von 0 einen siebenstelligen jährlich wiederkehrenden Umsatz und eine neunstellige Bewertung erreichte. Cems Arbeit bei Hypatos wurde von führenden Technologiepublikationen wie TechCrunch und Business Insider aufgegriffen.

Cem spricht regelmäßig auf internationalen Technologiekonferenzen. Er absolvierte die Bogazici University als Computeringenieur und hat einen MBA von der Columbia Business School.

Vollständiges Profil anzeigen

Recherchiert von

Ezgi Arslan, PhD.

Industrieanalystin

Folgen auf

Ezgi hat einen Doktortitel in Betriebswirtschaftslehre mit Spezialisierung auf Finanzen und ist als Industrieanalystin bei AIMultiple tätig. Sie treibt Forschung und Erkenntnisse an der Schnittstelle von Technologie und Wirtschaft voran, mit Fachkenntnissen in den Bereichen Nachhaltigkeit, Umfrage- und Sentimentanalyse, KI-Agenten-Anwendungen im Finanzwesen, Answer-Engine-Optimierung, Firewall-Management und Beschaffungstechnologien.

Vollständiges Profil anzeigen

Seien Sie der Erste, der kommentiert

Ihre E-Mail-Adresse wird nicht veröffentlicht. Alle Felder sind erforderlich. Kommentare werden in ihrer Originalsprache belassen.

Name

E-Mail-Adresse

Kommentar

0/450

Kommentar posten