KI-Agenten mit zusammensetzbaren Mustern entwickeln

Wir haben 3 Tage damit verbracht, mit Workflows und Agent-Pipelines in n8n zu experimentieren und folgten dabei den Anleitungen von Anthropic und OpenAI zum Erstellen effektiver KI-Agenten.

Erkunden Sie die Kern-KI-Agentenkomponenten, wie Sie die richtigen Komponenten und Werkzeuge auswählen, und das Erstellen von Agenten-Workflows basierend auf den von Anthropic entwickelten einfachen, zusammensetzbaren Mustern wie Prompt Chaining, Routing, Parallelisierung, Orchestrator-Worker und Evaluator-Optimierer:

Komponenten von KI-Agenten verstehen

Das Erstellen von Agenten umfasst die Verbindung von Komponenten über mehrere Domänen hinweg, wie Modelle, Werkzeuge, Wissen und Gedächtnis sowie Guardrails. OpenAI stellt für jede davon zusammensetzbare Bausteine bereit:

Quelle: OpenAI¹

Natürlich listet OpenAI hier zuerst seine eigenen Angebote, aber es gibt ein breites Ökosystem an Alternativen. Je nach Ihrem Anwendungsfall können Sie Agenten erstellen mit Frameworks wie LangChain, LlamaIndex, CrewAI oder sogar mit selbst erstellten Orchestrierungsebenen.

Ich werde nun detaillierter auf jede dieser Komponenten eingehen:

Modelle

Zuerst haben Sie die Komponente Modelle. Dies sind Ihre KI-Modelle, große Sprachmodelle, die zentrale Intelligenz darstellen und in der Lage sind, zu logischem Denken, Entscheidungen zu treffen und verschiedene Modalitäten zu verarbeiten. OpenAIs eigene Beispiele verweisen auf seine Modelle der GPT-5-Serie.

Abhängig vom spezifischen Agententyp, den Sie entwickeln, möchten Sie ein anderes Modell innerhalb des OpenAI-Ökosystems wählen. GPT-5.5 ist OpenAIs aktuelles Flaggschiff-Modell. Es plant mehrstufige Aufgaben, verwendet Werkzeuge, überprüft seine eigene Arbeit und macht weiter, bis eine Aufgabe erledigt ist. Für alltägliche Fragen antworten die leichteren GPT-5.5-Modi schneller und zu geringeren Kosten.

Außerhalb des OpenAI-Ökosystems ist Claude Opus 4.7 eine häufige Wahl für umfangreiche Programmier-, Logik- 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 Coding-Modell. Es führt lange Aufgaben aus, die Recherche, Werkzeugnutzung 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 von Benchmarks verglichen, um Ihnen zu helfen zu verstehen, wie jedes in Bezug auf logisches Denken, Geschwindigkeit und Kosten abschneidet, damit Sie dasjenige auswählen können, das Ihren Zielen am besten entspricht.

Werkzeuge

Als Nächstes kommen die Werkzeuge, die Fähigkeiten des Modells erweitern, z. B. um das Web zu durchsuchen oder mit anderen Systemen zu interagieren.

Fast jede App kann zu einem Werkzeug für Ihre KI werden. Sie können es mit Gmail, Kalender, Ihrem Laufwerk oder Apps wie Slack, Discord, YouTube, Salesforce und Zapier verbinden. Sie können sogar Ihre eigenen angepassten Werkzeuge erstellen.

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

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

Wenn Sie nicht programmieren möchten, ermöglichen es Ihnen No-Code-Plattformen wie n8n, Werkzeuge per Drag-and-Drop zu verknüpfen und 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 unerlässlich für Agenten, die richtliniengesteuerte oder unternehmensspezifische Aufgaben ausführen, bei denen Referenzmaterialien konsistent bleiben müssen.
  
• Persistentes Gedächtnis ermöglicht es der KI, sich an vergangene Interaktionen über Sitzungen hinweg zu erinnern. Dies ist entscheidend für Chatbots oder persönliche Assistenten, die sich an frühere Gespräche erinnern müssen.

OpenAI bietet gehostete Dienste wie Vektorspeicher, Dateisuche und Embeddings zur Verwaltung des Gedächtnisses.

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 Gedächtnisverwaltung normalerweise in Plattformen wie n8n und Creatio integriert.

Guardrails

Guardrails stellen sicher, dass sich Ihr Agent wie beabsichtigt verhält und irrelevante, schädliche oder unangemessene Antworten vermeidet. Ein Kundenservice-Bot sollte sich beispielsweise auf servicebezogene Themen konzentrieren und nicht in unzusammenhängende abdriften.

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

Skills

Werkzeuge ermöglichen es einem Agenten, in der Außenwelt zu handeln. Skills lehren den Agenten, wie er eine bestimmte Aufgabe gut ausführt.

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

Anthropic führte Ende 2025 Agent Skills 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: Anstatt jedes Mal denselben langen Prompt neu zu schreiben, definiert ein Team einen Skill einmal und verwendet ihn wieder. Dies ist in der Produktion wichtig, wo Ad-hoc-Prompting dazu neigt, abzudriften.

Wie sich Skills von den anderen Komponenten unterscheiden:

• Werkzeuge verbinden den Agenten mit externen Systemen (E-Mail, Datenbanken, Suche).
• Wissen und Gedächtnis 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 Subagenten zusammenarbeiten, sie in der Produktion einzusetzen und ihre Leistung zu überwachen.

Einmal eingesetzt, benötigen Agenten kontinuierliche Überwachung. Modelle, Daten und Verhaltensweisen ändern sich, daher benötigen Agenten regelmäßige Aktualisierungen.

Mehrere Plattformen und Frameworks unterstützen die Orchestrierung, wie zum Beispiel:

• Low-Code-/No-Code-Plattformen:
  • Stack AI
  • Microsoft Copilot Studio Agent Builder
  • Relevance KI, etc.
• 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 z. B. Forscher, Schreiber und Prüfer. Es ist schnell zu prototypisieren, wenn sich die Arbeit in klare Rollen aufteilt.
  • 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 der jeweiligen Anbieter. 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 z. B. Coding-Agenten wie Cursor oder Windsurf, KI-gestützte Code-Editoren mit „Agentenmodi“, 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 einzusetzen, 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 Subagenten, die jeweils bestimmte Aufgaben ausführen. Together koordinieren diese Subagenten 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 man KI-Agenten einsetzen sollte

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

Eine der klarsten Denkweisen dazu, beschrieben im Blog von Anthropic, ist folgende:

Es gibt jedoch 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 grundlegende Rückerstattungs- oder Passwort-Reset-Anfragen, passen gut in Workflows. Andere erfordern jedoch nuanciertes Urteilsvermögen oder kontextabhängige Entscheidungen, wie personalisierte Empfehlungen, die stark von Kontext und Hin-und-Her-Denken abhängen.

Hochwertige Entscheidungsfindung mit geringem Volumen:

Agenten können teuer im Betrieb sein, aber in einigen Fällen sind die Entscheidungen, die sie unterstützen, bei Fehlern viel kostspieliger.

Zum Beispiel berichtete BCG, dass ein führender Energieversorger in Deutschland ein GenAI-gesteuertes agentisches Tool einsetzte, um Zahlungsüberprüfungen zu automatisieren.⁴

Wenn Sie eine groß angelegte Infrastruktur planen, wie die Optimierung von Konstruktionsentwürfen, sind die Rechenkosten vernachlässigbar. In diesen risikoreichen Fällen bieten Agenten einen Mehrwert, weil die Kosten eines Fehlers die Kosten für den Betrieb des Modells bei weitem übersteigen.

Mehrstufige, unvorhersehbare Workflows:

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

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

Dieser Ansatz eignet sich gut für Diagnosesysteme oder Werkzeuge, die Dutzende von sich ändernden Variablen verarbeiten.

Wann Workflows besser sind

Szenarien mit hoher Frequenz und geringer Komplexität:

Einige Aufgaben hängen mehr von Geschwindigkeit und Umfang als von logischem Denken ab, wie zum Beispiel:

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

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

Einführung in KI-Agenten-Workflows und -Implementierungen

KI-Agenten sind in der Regel keine einzelne Entität. Stattdessen bestehen sie aus verschiedenen Subagenten, 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 Zentrum agentischer Systeme steht das, was Anthropic als augmented LLM bezeichnet. Diese Struktur besteht aus drei Schlüsselelementen:

• der Eingabe,
• dem großen Sprachmodell (LLM),
• und der Ausgabe.

Quelle: Anthropic⁵

Das augmented LLM ist in der Lage, eigene Suchanfragen zu generieren, relevante Werkzeuge auszuwählen und zu entscheiden, welche Informationen im Gedächtnis gespeichert werden sollen.

Sie werden einige Ähnlichkeiten mit den Komponenten von OpenAI feststellen (wie unten skizziert). Diese Version ist jedoch vereinfachter und enthält keine Elemente wie Guardrails und Orchestrierung, aber die Kernstruktur bleibt gleich. Das ist völlig akzeptabel. Für Aufgaben wie Testen und Einsatz verweisen Sie am besten auf die Komponenten von OpenAI.

OpenAIs Liste der KI-Agenten-Komponenten¹

Um zu verstehen, wie diese Subagenten 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. In diesem Prozess wird eine Aufgabe in eine Reihe von Schritten zerlegt, wobei jeder Subagent 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 Subagenten verarbeitet, der das Ergebnis an einen anderen Subagenten zur weiteren Verarbeitung weiterleitet, und so weiter, bis die endgültige Ausgabe erzeugt wird. Diese Methode eignet sich besonders für Aufgaben, die sich leicht in kleinere, sequenzielle Teilaufgaben aufteilen lassen.

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 generiert 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 der Benutzer im Chatfenster eingegeben hat.

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

Dann bewertet das folgende LLM die Gliederung anhand wichtiger Kriterien im Systemnachrichtenbereich. 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 einsetzen sollten:

• Aufgaben lassen sich auf natürliche Weise in feste, sequenzielle Teilaufgaben zerlegen
• Jeder Schritt trägt sinnvoll zur endgültigen Ausgabe bei
• Schritt-für-Schritt-Denken verbessert die Genauigkeit im Vergleich zur direkten Verarbeitung
• Qualitätskontrollpunkte werden während des gesamten Prozesses benötigt

2. Routing-Workflow

Routing ist eine weitere Art von Workflow, bei dem eine Eingabe empfangen wird und ein Subagent dafür verantwortlich ist, diese Eingabe an die entsprechende Folgeaufgabe weiterzuleiten. Jede Aufgabe wird dann von einem auf diesen Bereich spezialisierten Subagenten bearbeitet, und sobald die Aufgaben abgeschlossen sind, wird die endgültige Ausgabe generiert.

Ein klassisches Beispiel für Routing findet sich bei Kundenservice-Bots. Der Bot kann verschiedene Arten von Anfragen erhalten, wie allgemeine Anfragen, Rückerstattungsanträge oder technischen Support. Der erste Subagent identifiziert die Art der Anfrage und leitet sie an den Subagenten weiter, der auf die Bearbeitung dieses speziellen Problems spezialisiert ist.

Wenn die Anfrage beispielsweise eine Rückerstattung betrifft, wird sie an den Rückerstattungsspezialisten weitergeleitet, während eine Frage zum technischen Support an den technischen Support-Subagenten geleitet würde.

Ein weiteres Beispiel ist das Routing von Fragen an verschiedene Modelle basierend auf deren 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 es an ein leichteres Modell wie Gemini 3.5 Flash weiterleiten, das auf Geschwindigkeit ausgelegt ist.

Praxisbeispiel:⁷

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

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 ein Meeting mit John nächste Woche.“
  → Weitergeleitet an Meeting-Agent

Wann Sie Routing einsetzen sollten:

• Vielfältige Eingabetypen: Ihr System erhält verschiedene Arten von Anfragen, die von einer spezialisierten Behandlung profitieren
• Ressourcenoptimierung: Sie möchten einfache Anfragen kosteneffizienten Verarbeitern zuweisen, während komplexe Anfragen an fortschrittliche Systeme weitergeleitet werden
• Domänenspezialisierung: Verschiedene Kategorien von Eingaben erfordern domänenspezifisches Fachwissen oder Verarbeitungslogik
• Leistungsoptimierung: Sie müssen die Last ausgleichen und optimale Antwortzeiten über verschiedene Anfragetypen hinweg sicherstellen

3. Parallelisierungs-Workflow

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

• Die erste Variante heißt Sektionierung, 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 Subagenten 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 in einer Google-Tabelle zu speichern. Im ursprünglichen Setup verarbeitet der Workflow jede Aufgabe sequenziell, eine Website nach der anderen:

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

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

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

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

Der erstellte Sub-Workflow

Also hat n8n dies in einen Sub-Workflow umgewandelt, aber Sie haben noch keine Parallelisierung, weil es immer noch alles der Reihe nach durchlaufen würde.

Um dies tatsächlich parallel auszuführen, sollten alle Elemente als individuelle Ausführungen laufen. Wenn Sie also in den Knoten klicken, können Sie „Einmal für jedes Element ausführen“ wählen, was bedeutet, dass der Sub-Workflow für jedes Element individuell 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 exakt zur gleichen Zeit ausgeführt werden.

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

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 einen eigenen Aufruf erhält. Dies hält jeden Aufruf fokussiert, sodass das 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 zusammensetzbares System kooperierender Agenten.

Auf den ersten Blick mag es der Parallelisierung ähnlich sehen, da mehrere Subagenten aktiv sein können, aber der Hauptunterschied ist die 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 Worker-Agenten zu und verwaltet deren 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 Spezialisten-Agenten weiter.

Der CEO-Agent fungiert als Orchestrator-LLM. Er verarbeitet das Eingabe-Briefing, 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-Agenten-Knotens

Unten führen drei Worker-Agenten, Marketing, Operations und Finance, jeweils ihr eigenes OpenAI Chat-Modell mit separaten Speicher- und Werkzeugkonfigurationen aus. Dies ermöglicht abteilungsspezifische Prompts und JSON-Schemata für strukturierte Ausgaben.

Screenshot der drei Worker-Agenten-Knoten

Sobald der Orchestrator abteilungsspezifische Anweisungen vorbereitet hat, ruft er jeden Worker als Werkzeug auf, um Ausgaben basierend auf den Eingaben zu generieren.

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

KI-Werkzeugknoten (Marketing-Agent)

Nachdem die Worker-Ausgaben generiert wurden, kompiliert und fusioniert der CEO-Agent die Abteilungsantworten zu einem einzigen kohärenten Plan. Der Workflow schreibt den Plan dann in ein Google Doc, fügt Metadaten hinzu, konvertiert es in PDF und lädt es automatisch zur Freigabe oder 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 zeigt so, wie Orchestrator-Worker-Workflows flexible, modulare und zusammensetzbare KI-Systeme ermöglichen.

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

Beispiele, wo der Orchestrator-Worker-Workflow nützlich ist:

• Programmieraufgaben: Beim Entwickeln oder Debuggen 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 Durchsuchen, 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 Subagenten oder KI-Agenten größere Freiheit zu entscheiden, welche Aktionen zu ergreifen sind und wie er seine eigenen Ausgaben verbessern kann.

Sie beginnen mit einer Eingabe, und der erste Subagent generiert eine vorgeschlagene Lösung. Diese Ausgabe wird dann an einen Evaluator-Subagenten weitergeleitet, 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 Feedback zur Verbesserung an den ersten Subagenten zurück.

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

Praxisbeispiel:¹⁰

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

Dies ist kein vollständiger Aufbau. Um den Evaluator-Optimierer-Workflow Ende-zu-Ende auszuführen, benötigen Sie eine ordnungsgemäße Umgebungskonfiguration, Modellinitialisierung und Schema-Einrichtung usw.

Sie können eine Evaluator-Optimierer-Schleife auch mit Workflow-Automatisierungstools implementieren, die Evaluierungsknoten 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 repräsentiert eine automatisierte Inhaltserstellungs- und Evaluierungsschleife, in der zwei Komponenten zusammenarbeiten: eine erstellt und die andere überprüft. Es stellt sicher, dass Ausgaben vor der Finalisierung Qualitätsstandards erfüllen.

Schritt-für-Schritt-Erklärung:

• Eingabe initialisieren: Erstelle initial_state = {“content_topic”: topic}.
• Schleife ausführen: Rufe evaluator_optimizer_workflow.invoke(initial_state) auf, das iterativ:
  • Inhalt generiert/verfeinert,
  • Qualität bewertet,
  • wiederholt, bis genehmigt oder eine maximale Iterationsgrenze erreicht ist.
• Ergebnis protokollieren: Gib 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 nutzt vorheriges Feedback, um den Inhalt zu verbessern. Die Schleife erzeugt schließlich Inhalte, die den Qualitätsstandard erfüllen:

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

Beispiele, wo der Evaluator-Optimierer-Workflow nützlich ist:

• Zum Beispiel könnte bei einer literarischen Übersetzungsaufgabe 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 Forschungsaggregation, bei der Optimierer Informationen sammelt und zusammenfasst, während der Evaluator Tiefe, Vollständigkeit und Genauigkeit überprüft. 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. Implementierung eines wirklich autonomen Agenten

Und schließlich gibt es die Implementierung eines wirklich autonomen Agenten. Diese Art von System ist konzeptionell unkompliziert, kann aber in der Praxis sehr unterschiedliche und komplexe Verhaltensweisen hervorbringen.

Der Agent beginnt seine Arbeit mit minimalem menschlichem Input; normalerweise einer einzigen Anweisung oder einem Ziel. Sobald die Aufgabe definiert ist, funktioniert er unabhängig, indem er Maßnahmen ergreift und deren Auswirkungen auf die Umgebung beobachtet.

Ein wesentliches Merkmal dieses Ansatzes ist die Selbstbewertung: Der Agent muss anhand des Umgebungsfeedbacks feststellen, ob seine Aktionen ihn dem Ziel näher bringen. Wenn er beispielsweise Code ausführt oder externe Werkzeuge verwendet, muss er bewerten, ob diese Aktionen zum Fortschritt beitragen oder ob Anpassungen erforderlich sind. Dieser feedback-gesteuerte Zyklus wird fortgesetzt, bis der Agent feststellt, dass das Ziel erreicht wurde oder dass kein weiterer Fortschritt möglich ist.

Praxisbeispiel:

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

Windsurf passte sich sogar an aktuelle Plattformänderungen an: Als es feststellte, dass das PostgreSQL Hobby Dev Add-on veraltet war, konfigurierte es das Deployment korrekt auf PostgreSQL Essential 0 um.

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

Bei der Entwicklung von KI-Agenten geht es weniger um vollständige Autonomie, 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 resultieren.

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

• Halten Sie die Architektur einfach. Fangen Sie klein an, bauen Sie modular auf und fügen Sie Komplexität nur dann hinzu, wenn sie die Leistung oder Flexibilität deutlich verbessert.
• Machen Sie den Denkprozess 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 Werkzeuginteraktionen. Entwerfen Sie Werkzeuge, die klar abgegrenzt, gut dokumentiert und getestet sind, damit Agenten konsistent in realen Umgebungen 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 zusammensetzbaren Mustern entwickeln}},
  year   = {2026},
  month  = jul,
  howpublished    = {\url{https://aimultiple.com/building-ai-agents}},
  note   = {AIMultiple. Abgerufen am 29. Juli 2026}
}

Referenzlinks

1.

OpenAI Platform

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. AIMultiple informiert monatlich Hunderttausende von Unternehmen (laut similarWeb), darunter 60% der Fortune 500.

Cems Arbeit wurde von führenden globalen Publikationen zitiert, darunter Business Insider, Forbes, Washington Post, globalen Unternehmen wie Deloitte, HPE und NGOs wie dem World Economic Forum sowie supranationalen Organisationen wie der European Commission.

Während seiner Karriere war Cem als Tech-Berater, Tech-Einkäufer und Tech-Unternehmer tätig. Er beriet Unternehmen über ein Jahrzehnt lang bei McKinsey & Company und Altman Solon in Technologieentscheidungen. Er veröffentlichte auch einen McKinsey-Bericht zur Digitalisierung.

Er leitete die Technologiestrategie und Beschaffung eines Telekommunikationsunternehmens und berichtete dabei direkt an den CEO. Zudem führte er das kommerzielle Wachstum des Deep-Tech-Unternehmens Hypatos an, das innerhalb von 2 Jahren von null auf einen siebenstelligen jährlich wiederkehrenden Umsatz und eine neunstellige Bewertung anwuchs. Cems Arbeit bei Hypatos wurde von führenden Technologiepublikationen wie TechCrunch und Business Insider aufgegriffen.

Cem spricht regelmäßig auf internationalen Technologiekonferenzen. Er schloss sein Studium an der Bogazici University als Computer-Ingenieur ab und hat einen MBA von der Columbia Business School.

Vollständiges Profil anzeigen

Recherchiert von

Ezgi Arslan, PhD.

Branchenanalystin

Folgen auf

Ezgi hat einen Doktortitel in Betriebswirtschaftslehre mit Spezialisierung auf Finanzen und arbeitet als Branchenanalystin bei AIMultiple. 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, Antwortmaschinenoptimierung, 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