Erstellen von KI-Agenten mit komponierbaren Mustern

Wir haben 3 Tage damit verbracht, Workflows und Agenten-Pipelines in n8n zu testen, basierend auf den Leitfäden von Anthropic und OpenAI zum Erstellen effektiver KI-Agenten.^{1 2}

Entdecken Sie die Kern Komponenten von KI-Agenten, wie Sie die richtigen Komponenten und Tools auswählen, sowie den Aufbau von Agenten-Workflows basierend auf den einfachen, komponierbaren Mustern von Anthropic, wie Prompt-Chaining, Routing, Parallelisierung, Orchestrator-Worker und ein Evaluator-Optimizer:

Verstehen der Komponenten von KI-Agenten

Das Erstellen von Agenten beinhaltet das Verbinden von Komponenten über mehrere Domänen hinweg, wie Modelle, Tools, Wissen und Gedächtnis sowie Sicherheitsvorkehrungen (Guardrails). OpenAI stellt für jede dieser Kategorien komponierbare Grundbausteine bereit:

Quelle: OpenAI³

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

Ich werde im Detail auf jede dieser Komponenten eingehen:

Modelle

Zunächst haben Sie die Komponente Modelle. Dies sind Ihre KI-Modelle, Ihre großen Sprachmodelle (LLMs), die die zentrale Intelligenz darstellen und in der Lage sind, zu reasoningen, Entscheidungen zu treffen und verschiedene Modalitäten zu verarbeiten. Die eigenen Beispiele von OpenAI verweisen auf seine GPT-5-Serienmodelle.

Je nach der spezifischen Art des Agenten, den Sie erstellen, möchten Sie eine andere Art von Modell innerhalb des OpenAI-Ökosystems auswählen. GPT-5.5 ist das aktuelle Flaggschiff-Modell von OpenAI. Es plant mehrstufige Aufgaben, nutzt Tools, überprüft seine eigene Arbeit und bleibt aktiv, bis eine Aufgabe abgeschlossen ist. Für alltägliche Fragen antworten die leichteren GPT-5.5-Modi schneller und kosten weniger.

Außerhalb des OpenAI-Ökosystems ist Claude Opus 4.7 eine gängige Wahl für anspruchsvolle Codierung, Reasoning und STEM-Arbeiten. Google's Gemini 3.1 Pro konkurriert eng mit, mit einem 1-Million-Token-Kontextfenster für große Codebasen und lange Dokumente.

Für Codierungs-Agenten speziell ist OpenAI's GPT-5.3-Codex sein leistungsfähigstes Codierungsmodell. Es führt lange Aufgaben aus, die Forschung, Tool-Nutzung und Ausführung mischen, 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 Top KI-Modelle getestet und verglichen, um Ihnen zu helfen zu verstehen, wie sich jedes in Bezug auf Reasoning, Geschwindigkeit und Kosten verhält, damit Sie dasjenige auswählen können, das Ihren Zielen am besten entspricht.

Tools

Als Nächstes kommen die Tools, die die Fähigkeiten des Modells erweitern, wie z. B. die Möglichkeit, im Internet zu suchen oder mit anderen Systemen zu interagieren.

Praktisch 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 Ihre eigenen benutzerdefinierten Tools erstellen.

Mit OpenAI's Agents SDK (das etwas Codierung erfordert) können Sie Tools definieren oder integrierte Tools wie Websuche, Dateisuche und Computernutzung verwenden.⁴

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

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

Wissen und Gedächtnis

Es gibt zwei Haupttypen von Gedächtnis: Wissensbasis (statisches Gedächtnis) und persistentes Gedächtnis.

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

OpenAI bietet gehostete Dienste wie Vector-Stores, Dateisuche und Embeddings zur Verwaltung des Gedächtnisses an.

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

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

Guardrails

Guardrails stellen sicher, dass Ihr Agent wie beabsichtigt handelt und irrelevante, schädliche oder unangemessene Antworten vermeidet. Zum Beispiel sollte ein Kundenservice-Bot sich auf servicebezogene Themen konzentrieren und nicht in irrelevante abdriften.

Außerhalb des Ökosystems von OpenAI sind beliebte Tools Guardrails AI und LangChain Guardrails. Viele No-Code-Plattformen haben bereits Guardrail-Funktionen integriert, aber es ist immer noch wichtig zu verstehen, wie sie funktionieren, um Kontrolle und Compliance in Ihren Agenten aufrechtzuerhalten.

Fähigkeiten (Skills)

Tools ermöglichen es einem Agenten, auf die Außenwelt einzuwirken. Fähigkeiten lehren den Agenten, wie man einen bestimmten Job gut macht.

Eine Fähigkeit (Skill) ist ein kleiner Ordner mit Anweisungen und Dateien. Er enthält die Schritte, Regeln und Beispiele für eine Aufgabe, wie das Ausfüllen einer Berichtsvorlage oder das Befolgen des Stilhandbuchs eines Unternehmens. Der Agent lädt eine Fähigkeit nur, wenn die Aufgabe dies erfordert, damit er das Kontextfenster nicht überfüllt.

Anthropic stellte Ende 2025 Agenten-Fähigkeiten vor und öffnete das Format im März 2026 als gemeinsamen Standard.⁵ Fähigkeiten funktionieren über Claude.ai, Claude Code und die API. Der Hauptvorteil ist Konsistenz: Anstatt jedes Mal denselben langen Prompt neu zu schreiben, definiert ein Team eine Fähigkeit einmal und nutzt sie wieder. Dies ist in der Produktion wichtig, wo ad-hoc-Prompts dazu neigen, sich im Laufe der Zeit zu verändern.

Wie sich Fähigkeiten von den anderen Komponenten unterscheiden:

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

Orchestrierung

Die letzte Komponente ist Orchestrierung. Dies beinhaltet das Management, wie mehrere Sub-Agenten zusammenarbeiten, ihre Bereitstellung in der Produktion und die Überwachung ihrer Leistung.

Sobald sie bereitgestellt sind, benötigen Agenten eine laufende Überwachung. Modelle, Daten und Verhaltensweisen ändern sich im Laufe der Zeit, sodass Agenten regelmäßige Updates benötigen.

Mehrere Plattformen und Frameworks unterstützen die Orchestrierung, wie:

• Low-Code/No-Code-Plattformen:
  • Stack AI
  • Microsoft Copilot Studio Agent Builder
  • Relevance AI, etc
• Open-Source-Frameworks:
  • LangGraph (Teil von LangChain): modelliert einen Agenten als Graph von Schritten mit expliziter Kontrolle über Verzweigungen, Wiederholungen und menschliche Eingriffe.
  • CrewAI: organisiert Agenten als „Crew" von Rollen, wie Forscher, Autor und Prüfer. Es ist schnell zu prototypisieren, wenn die Arbeit in klare Rollen aufgeteilt wird.
  • LlamaIndex: am stärksten für Agenten, die Dokumente und interne Wissensdatenbanken durchsuchen.
  • Vendor SDKs: OpenAI's Agents SDK und Anthropic's Claude Agent SDK sind offizielle Toolkits zum Erstellen von Agenten auf den Modellen jedes 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 spezifische Ziele zu erreichen, wie z. B. Codierungs-Agenten wie Cursor oder Windsurf, KI-gestützte Code-Editoren mit „Agenten-Modi", die autonom Codierungsaufgaben mit Modellen wie Claude Opus 4.7 ausführen können. Ein weiteres häufiges Beispiel sind Kundenservice-Agenten, die viele Unternehmen zur Bearbeitung von Anfragen einsetzen.

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

Zur kurzen Vorschau: Ein KI-Agent ist oft eine Sammlung von Sub-Agenten, die jeweils spezifische Aufgaben ausführen. Zusammen koordinieren diese Sub-Agenten 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 Sequenzen vordefinierter Schritte, wie ein Rezept, das immer derselben Reihenfolge folgt:

Wann KI-Agenten zu verwenden sind

Bevor wir zu den Workflow-Beispielen kommen, hier 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 arbeiten könnte. Viele Teams stellen immer noch fest, dass traditionelle Workflows gut funktionieren, selbst in Szenarien, in denen Agenten theoretisch angewendet werden könnten.

Einer der klarsten Wege, dies zu betrachten, wie in Anthropic's Blog beschrieben, ist wie folgt:

Trotzdem gibt es reale Situationen, in denen Agenten traditionelle Workflows in Aufgaben übertreffen, die Flexibilität, Reasoning und Anpassungsfähigkeit erfordern:

Dynamische Gespräche, die Anpassungen erfordern:

Einige Interaktionen, wie einfache Rückerstattungs- oder Passwort-Reset-Anfragen, passen gut in Workflows. Andere erfordern jedoch nuanciertes Urteilsvermögen oder kontextsensitive Entscheidungen, wie personalisierte Empfehlungen, die stark vom Kontext und Hin-und-Her-Reasoning abhängen.

Hoher Wert, geringes Volumen bei Entscheidungsfindung:

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

Beispielsweise berichtete BCG, dass ein führender Energieversorger in Deutschland ein GenAI-getriebenes Agenten-Tool zur Automatisierung von Zahlungsüberprüfungen einsetzte.⁶

Wenn Sie eine groß angelegte Infrastruktur planen, wie die Optimierung von Konstruktionsentwürfen, sind die Kosten für die Berechnung vernachlässigbar. In diesen hochriskanten Fällen fügen Agenten einen Mehrwert hinzu, da die Kosten eines Fehlers die Kosten für den Betrieb des Modells bei weitem übersteigen.

Mehrstufige, unvorhersehbare Workflows:

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

In diesen Fällen vereinfachen agentische Schleifen das Chaos. Anstatt jeden möglichen Pfad hart zu codieren, entscheidet das Modell dynamisch den nächsten Schritt basierend auf Echtzeit-Kontext und Reasoning.

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

Wann Workflows besser sind

Häufige, geringkomplexe Szenarien:

Einige Aufgaben hängen mehr von Geschwindigkeit und Skalierung ab als von Reasoning, wie:

• Abfragen von Informationen aus einer Datenbank
• Analysieren strukturierter Nachrichten oder E-Mails
• Antworten auf FAQ-ähnliche Anfragen

Ein Workflow könnte Tausende dieser Anfragen mit vorhersehbareren Kosten und Latenzzeiten verarbeiten als ein Agent.

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

Einführung in KI-Agenten-Workflows und Implementierungen

KI-Agenten sind typischerweise keine einzelne Entität. 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.⁷

Im Herzen von agentischen Systemen steht das, was Anthropic den augmentierten LLM nennt. Diese Struktur besteht aus drei Schlüsselelementen:

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

Quelle: Anthropic⁸

Der augmentierte LLM ist in der Lage, eigene Suchanfragen zu generieren, relevante Tools auszuwählen und zu entscheiden, welche Informationen im Gedächtnis gespeichert werden sollen.

Vielleicht bemerken Sie einige Ähnlichkeiten mit den Komponenten von OpenAI (wie unten dargelegt). Diese Version ist jedoch vereinfachter und fehlt Elemente wie Guardrails und Orchestrierung, aber die Kernstruktur bleibt gleich. Dies ist völlig in Ordnung. Für Aufgaben wie Testen und Bereitstellung ist es am besten, sich auf die Komponenten von OpenAI zu beziehen.

OpenAI's Liste der KI-Agenten-Komponenten⁹

Um zu verstehen, wie diese Sub-Agenten zusammenpassen und interagieren, um einen größeren KI-Agenten zu bilden, beginne ich mit den einfacheren Workflows und bewege mich allmählich zu komplexeren, vollautonomen Systemen:

1. Einfache agentische Workflows (Prompt-Chaining)

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

In seiner Kernfunktion funktioniert es wie eine Montagelinie, 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 an einen anderen Sub-Agenten zur weiteren Verarbeitung weitergibt, und so weiter, bis die endgültige Ausgabe produziert wird. Diese Methode ist besonders nützlich für Aufgaben, die leicht in kleinere, sequenzielle Teilaufgaben unterteilt werden können.

Der Prompt-Chaining-Workflow¹⁰

Beispiel aus der Praxis:¹¹

Prompt-Chaining in n8n (Gliederung, bewerten & veröffentlichen in Sheets)

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

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

Screenshot des Prompts für den Outline-Generator LLM

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

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

Dann wird der folgende LLM die Gliederung basierend auf Schlüsselkriterien im Systemnachrichtenteil bewerten. Der Prompt finden Sie unten:

Der finale Blog Writer LLM wird eine Zeile in einem Sheet zum Thema basierend auf der von dem vorherigen LLM erstellten Gliederung anfügen.

Screenshot des Prompts für den Blog Writer LLM

Wann Prompt-Chaining zu verwenden ist:

• Aufgaben können natürlich in feste, sequenzielle Teilaufgaben zerlegt werden
• Jeder Schritt trägt wesentlich zur endgültigen Ausgabe bei
• Schritt-für-Schritt-Reasoning verbessert die Genauigkeit im Vergleich zur direkten Verarbeitung
• Qualitätskontroll-Checkpoints sind während des gesamten Prozesses erforderlich

2. Routing-Workflow

Routing ist ein weiterer Workflow-Typ, bei dem eine Eingabe empfangen wird und ein Sub-Agent dafür verantwortlich ist, diese Eingabe an die entsprechende Folgetaufgabe weiterzuleiten. Jede Aufgabe wird dann von einem Sub-Agenten bearbeitet, der auf diesem Gebiet spezialisiert ist, und sobald die Aufgaben abgeschlossen sind, wird die endgültige Ausgabe generiert.

Ein klassisches Beispiel für Routing ist bei Kundenservice-Bots zu sehen. Der Bot kann verschiedene Arten von Anfragen erhalten, wie allgemeine Anfragen, Rückerstattungsanfragen 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 speziellen Problems spezialisiert ist.

Beispielsweise würde eine Anfrage bezüglich einer Rückerstattung an den Sub-Agenten für Rückerstattungen weitergeleitet, während eine technische Support-Frage an den Sub-Agenten für technischen Support geleitet würde.

Ein weiteres Beispiel ist das Leiten von Fragen an verschiedene Modelle basierend auf ihren Stärken. Für komplexere STEM-Fragen können Sie die Eingabe an ein starkes Reasoning-Modell wie Claude Opus 4.7 weiterleiten. Für einfache, schnelle Anfragen können Sie sie an ein leichteres Modell wie Gemini 3.5 Flash weiterleiten, das für Geschwindigkeit gebaut ist.

Beispiel aus der Praxis:¹²

Im obigen Beispiel leitet der Agent Benutzereingaben an spezialisierte Agenten weiter (wie einen Reminder-Agenten, E-Mail-Agenten usw.) unter Verwendung einer strukturierten Ausgabe eines Sprachmodells.

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

Screenshot der Parameter des KI-Agenten-Knotens

Beispiele für Anwendungsfälle:

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

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

Wann Routing zu verwenden ist:

• Verschiedene Eingabetypen: Ihr System erhält verschiedene Arten von Anfragen, die von einer spezialisierten Behandlung profitieren
• Ressourcenoptimierung: Sie möchten einfache Anfragen kosteneffektiven Prozessoren zuweisen, während komplexe Anfragen an fortschrittliche Systeme weitergeleitet werden
• Domänenspezialisierung: Verschiedene Kategorien von Eingaben erfordern domänenspezifisches Fachwissen oder Verarbeitungslogik
• Leistungsoptimierung: Sie müssen die Last ausbalancieren und optimale Antwortzeiten für verschiedene Anfragearten sicherstellen

3. Parallelisierungs-Workflow

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

• Die erste Variante heißt Sektierung (Sectioning), bei der eine Aufgabe in unabhängige Teilaufgaben zerlegt wird, die parallel ausgeführt werden.
• Die zweite Variante ist Voting, bei der dieselbe Aufgabe mehrfach von verschiedenen Sub-Agenten ausgeführt wird, um diverse Ausgaben zu produzieren, die dann aggregiert werden.

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

Sequenzieller Workflow vs. paralleler Workflow: ein Zeitvergleich¹³

Beispiel aus der Praxis:¹⁴

Screenshot des Parallelisierungs-Workflow-Beispiels in n8n

Die parallele Ausführung im n8n-Beispiel demonstriert eine Aufgabe, bei der der Workflow Google Search unter Verwendung der SERP API abfragt, um LinkedIn-URLs abzurufen und sie in einem Google Sheet zu speichern. In der initialen Einrichtung 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 nutzt die SERP API, um Google zu durchsuchen und die LinkedIn-URL abzurufen.
4. Die LinkedIn-URL wird dann im Google Sheet aktualisiert.

An diesem Punkt werden Aufgaben nacheinander verarbeitet, was langsam sein kann, wenn man mit großen Datensätzen arbeitet.

n8n hat diese Funktion, bei der Sie Knoten auswählen, klicken und dann sagen können, dass Sie diese ausgewählten Knoten in einen Sub-Workflow umwandeln möchten.

Und was passiert, ist, dass, wenn Sie auf diesen Button klicken, er meinen Workflow benennen wird. Wenn Sie auf Bestätigen klicken, verwandelt er all das in einen Sub-Workflow, und er ist bereits hier verknüpft und wird von diesem Typen aufgerufen.

Der erstellte Sub-Workflow

Also hat n8n dies in einen Sub-Workflow verwandelt, aber Sie haben noch keine Parallelisierung, da es immer noch alles hier durchlaufen würde.

Um dies tatsächlich parallel auszuführen, sollten alle Elemente als einzelne Ausführungen laufen. Wenn Sie also in den Knoten klicken, können Sie wählen „Einmal für jedes Element ausführen", was bedeutet, dass er den Sub-Workflow individuell für jedes Element aufrufen 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 laufen.

Wann Parallelisierung zu verwenden ist: Parallelisierung ist am effektivsten, wenn Aufgaben in kleinere, unabhängige Teilaufgaben unterteilt werden können, die gleichzeitig ausgeführt werden können, was sowohl die Geschwindigkeit als auch die Effizienz verbessert.

Es ist auch wertvoll, wenn mehrere Perspektiven oder wiederholte Versuche benötigt werden, um Vertrauen in die Ergebnisse aufzubauen. Bei Problemen mit mehreren Teilen oder Bewertungskriterien funktionieren Modelle oft besser, wenn jeder Teil seinen eigenen Aufruf erhält. Dies hält jeden Aufruf fokussiert, sodass das Reasoning 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 Hauptunterschied liegt in der Flexibilität. Im Gegensatz zur Parallelisierung verlässt sich das Orchestrator-Worker-Setup nicht auf eine feste Liste von Teilaufgaben. Stattdessen entscheidet der Orchestrator dynamisch, welche Aufgaben ausgeführt werden müssen, weist sie an Worker-Agenten zu und verwaltet ihre Koordination während des gesamten Prozesses.

Beispiel aus der Praxis:¹⁵

Screenshot des Orchestrator-Worker-Workflow-Beispiels in n8n

Im obigen Beispiel wird die Zusammenfassung einmal gesammelt und ein Orchestrator leitet Arbeit an mehrere spezialisierte Agenten weiter.

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

Screenshot des CEO-Agent-Knotens

Unten laufen drei Worker-Agenten, Marketing, Operations und Finance, jeweils mit ihrem eigenen OpenAI Chat Model mit separaten Speicher- und Tool-Konfigurationen. Dies ermöglicht abteilungsspezifische Prompts und JSON-Schemata 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 basierend auf Eingaben zu generieren.

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

AI-Tool-Knoten (Marketing-Agent)

Nachdem die Worker-Ausgaben generiert wurden, kompiliert und fusioniert der CEO-Agent die Abteilungsantworten zu einem einzigen kohärenten Plan. Der Workflow schreibt dann den Plan in ein Google Doc, fügt Metadaten hinzu, konvertiert es in PDF und lädt es automatisch zum Teilen oder zur Überprüfung hoch.

Screenshot der Knoten für Dokumentenerstellung, Konvertierung und Upload

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

Wann Orchestrator-Worker-Workflow zu verwenden ist: 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, bei denen der Orchestrator-Worker-Workflow nützlich ist:

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

5. Evaluator-Optimizer-Workflow

Noch komplexer ist der Evaluator-Optimizer-Workflow. Dieses Setup bewegt sich hin zu autonomerem Verhalten und gibt dem Sub-Agenten oder KI-Agenten größere Freiheit zu entscheiden, welche Aktionen er ergreifen soll und wie er seine eigenen Ausgaben verbessern kann.

Sie beginnen mit einer Eingabe, und der erste Sub-Agent generiert einen vorgeschlagenen Lösungsvorschlag. Diese Ausgabe wird dann an einen Evaluator-Sub-Agenten weitergegeben, der das Ergebnis überprüft. Wenn der Evaluator es als zufriedenstellend erachtet, wird die Ausgabe finalisiert. Wenn er jedoch feststellt, dass das Ergebnis nicht gut genug ist, sendet er es mit spezifischem Feedback zur Verbesserung an den ersten Sub-Agenten zurück.

Dies erzeugt eine kontinuierliche Feedback-Schleife, in der der Optimierer seine Ausgabe iterativ verfeinert, bis der Evaluator feststellt, dass sie die erforderlichen Qualitätsstandards erfüllt.

Beispiel aus der Praxis:¹⁶

Für dieses Beispiel habe ich eine Python-Simulation durchgegangen, anstatt ein No-Code-Tool zu verwenden, um Evaluierungsschemata, benutzerdefinierte Logik und iterative Schleifen direkt zu zeigen.

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

Sie können auch eine Evaluator-Optimizer-Schleife mit Workflow-Automatisierungstools implementieren, die Evaluierungsknoten unterstützen.

Evaluator-Optimizer-Workflow mit Python:

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

Dieser Workflow stellt einen automatisierten Inhaltsgenerierungs- und Evaluierungskreislauf dar, bei dem zwei Komponenten zusammenarbeiten: eine erstellt und die andere überprüft. Es stellt sicher, dass Ausgaben Qualitätsstandards erfüllen, bevor sie finalisiert werden.

Schritt-für-Schritt-Erklärung:

• Initialisiere Eingabe: Erstelle initial_state = {“content_topic”: topic}.
• Führe die Schleife aus: Rufe evaluator_optimizer_workflow.invoke(initial_state) auf, das iterativ:
  • Inhalt generiert/verfeinert,
  • Qualität bewertet,
  • wiederholt, bis genehmigt oder ein maximales Iterationslimit erreicht ist.
• Ergebnis protokollieren: Drucke Abschlussnachricht und den genehmigten generierten Inhalt.
• Ergebnisse zurückgeben: final_state Dict (z. B. content_topic, generated_content, quality_assessment).

Workflow-Visualisierung:

Evaluator-Optimizer-Schleife mit Python-Ergebnissen: Jeder Zyklus nutzt vorheriges Feedback, um den Inhalt zu verbessern. Die Schleife produziert schließlich Inhalt, der dem Qualitätsstandard entspricht:

Wann Evaluator-Optimizer-Workflow zu verwenden ist: Dieser Workflow ist besonders nützlich, wenn es klare Evaluierungskriterien gibt und wenn iterative Verfeinerung zu bedeutenden Verbesserungen der Qualität führen kann.

Beispiele, bei denen der Evaluator-Optimizer-Workflow nützlich ist:

• Beispielsweise kann bei einer literarischen Übersetzungsaufgabe der erste Versuch bestimmte sprachliche Nuancen oder emotionale Töne verpassen. Der Evaluator würde Feedback geben und um Überarbeitungen bitten, bis die Übersetzung die beabsichtigte Bedeutung und die Feinheiten des Originaltextes vollständig einfängt.
• Ein weiteres Beispiel ist in komplexer Forschungsaggregation, wo der Optimierer Informationen sammelt und zusammenfasst, während der Evaluator auf Tiefe, Vollständigkeit und Genauigkeit prüft. Wenn der Evaluator die Forschung als unzureichend erachtet, sendet er sie zur weiteren Arbeit zurück, bis der endgültige Bericht alle Anforderungen erfüllt und die notwendigen Informationen effektiv synthetisiert.

6. Truly autonome Agenten-Implementierung

Und schließlich gibt es die truly autonome Agenten-Implementierung. Diese Art von System ist konzeptionell einfach, kann aber in der Praxis hochdiverse und komplexe Verhaltensweisen produzieren.

Der Agent beginnt seinen Betrieb mit minimalem menschlichen Input; normalerweise eine einzelne Anweisung oder ein Ziel. Sobald die Aufgabe definiert ist, funktioniert er unabhängig, ergreift Maßnahmen und beobachtet deren Auswirkungen auf die Umgebung.

Ein Schlüsselmerkmal dieses Ansatzes ist die Selbstevaluierung: Der Agent muss basierend auf Umgebungsfeedback feststellen, ob seine Aktionen ihn dem Ziel näher bringen. Wenn er beispielsweise Code ausführt oder externe Tools nutzt, muss er bewerten, ob diese Aktionen zum Fortschritt beitragen oder ob Anpassungen erforderlich sind. Dieser feedbackgetriebene Zyklus setzt sich fort, bis der Agent feststellt, dass das Ziel erreicht wurde oder dass kein weiterer Fortschritt möglich ist.

Beispiel aus der Praxis:

In unserem Benchmark von KI-Codierungstools haben wir beobachtet, dass Windsurf und Cursor agentische Fähigkeiten demonstrierten, indem sie autonom Dateistrukturen erstellten, mehrere Dateien bearbeiteten und Terminalbefehle ausführen, um APIs auf Heroku bereitzustellen.

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

Zusammenfassung

Das Erstellen von KI-Agenten geht weniger darum, volle Autonomie zu erreichen, als vielmehr 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 aus Designentscheidungen entstehen.

Bei der Implementierung von Agenten konzentrieren wir uns auf drei leitende Prinzipien:

• Halten Sie die Architektur einfach. Beginnen Sie klein, bauen Sie modular auf und führen Sie Komplexität ein, wenn sie die Leistung oder Flexibilität eindeutig verbessert.
• Machen Sie den Reasoning-Prozess sichtbar. Erlauben Sie Benutzern und Entwicklern zu sehen, wie der Agent plant und Entscheidungen trifft, was die Interpretierbarkeit und Kontrolle verbessert.
• 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},
  title  = {{Erstellen von KI-Agenten mit komponierbaren Mustern}},
  year   = {2026},
  month  = may,
  howpublished    = {\url{https://aimultiple.com/building-ai-agents}},
  note   = {AIMultiple. Abgerufen am 20. Mai 2026}
}

Referenzlinks

1.

Building Effective AI Agents \ Anthropic

2.

OpenAI Platform

3.

OpenAI Platform

4.

OpenAI Agents SDK

5.

PurpleBox Website

PurpleBox Security

6.

How Four Companies Use AI for Cost Transformation | BCG

Boston Consulting Group

7.

Building Effective AI Agents \ Anthropic

8.

Building Effective AI Agents \ Anthropic

9.

OpenAI Platform

10.

Building Effective AI Agents \ Anthropic

11.

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

12.

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

13.

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

14.

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

15.

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

16.

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. AIMultiple informiert monatlich Hunderttausende von Unternehmen (laut similarWeb), darunter 55 % der Fortune 500. Cems Arbeit wurde von führenden globalen Publikationen wie Business Insider, Forbes und der Washington Post, von globalen Unternehmen wie Deloitte und HPE sowie von NGOs wie dem Weltwirtschaftsforum und supranationalen Organisationen wie der Europäischen Kommission zitiert. Weitere namhafte Unternehmen und Ressourcen, die AIMultiple referenziert haben, finden Sie hier. Im Laufe seiner Karriere war Cem als Technologieberater, Technologieeinkäufer und Technologieunternehmer tätig. Über ein Jahrzehnt lang beriet er Unternehmen bei McKinsey & Company und Altman Solon in ihren Technologieentscheidungen. Er veröffentlichte außerdem einen McKinsey-Bericht zur Digitalisierung. Bei einem Telekommunikationsunternehmen leitete er die Technologiestrategie und -beschaffung und berichtete direkt an den CEO. Darüber hinaus verantwortete er das kommerzielle Wachstum des Deep-Tech-Unternehmens Hypatos, das innerhalb von zwei Jahren von null auf einen siebenstelligen jährlichen wiederkehrenden Umsatz und eine neunstellige Unternehmensbewertung kam. Cems Arbeit bei Hypatos wurde von führenden Technologiepublikationen wie TechCrunch und Business Insider gewürdigt. Er ist ein gefragter Redner auf internationalen Technologiekonferenzen. Cem absolvierte sein Studium der Informatik an der Bogazici-Universität und besitzt einen MBA der Columbia Business School.

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