KI-Agenten entwickeln: Eine praktische Anleitung für Einsteiger

Was ist ein KI-Agent und wie unterscheidet er sich von einem Bot?

Was genau ist ein KI-Agent? Und warum ist er nicht einfach nur ein Chatbot?

Ein KI-Agent nimmt seine Umgebung wahr, trifft Entscheidungen und handelt eigenständig, um bestimmte Ziele zu erreichen. Ein einfacher Bot folgt dagegen einem starren Skript. Ein Agent kann eigenständig handeln und sich an neue Situationen anpassen.

Das unterscheidet ihn grundlegend von seinen einfacheren Vorläufern.

Im Kern besteht ein Agent aus vier Komponenten: * Modell: Das „Gehirn“ des Agenten, meist ein LLM. Es ermöglicht ihm, komplexe Aufgaben zu verstehen, durchzudenken und zu planen. * Wahrnehmung: Über Sensoren oder Eingaben sammelt der Agent Informationen aus seiner Umgebung, etwa Text von einer Webseite oder Rohdaten aus einer API.

* Gedächtnis: Damit behält der Agent den Kontext früherer Aktionen und Beobachtungen im Blick. * Tools: Die „Hände“ des Agenten. Mit Funktionen oder externen APIs greift er in seine Umgebung ein und erledigt Aufgaben.

Ein hypothetischer Agent zur Betrugserkennung könnte Transaktionsmuster analysieren, Auffälligkeiten markieren und unklare Fälle zur Prüfung an eine Person weiterleiten. Das Beispiel veranschaulicht den Ablauf eines Agenten. Es beschreibt keinen tatsächlichen Einsatz bei einer Bank und keine Erfahrung von AIGROW mit einem solchen Projekt.

Die verschiedenen Arten von KI-Agenten verstehen

Agent ist nicht gleich Agent.

KI-Agenten lassen sich nach ihren Fähigkeiten in eine Hierarchie einordnen. Je besser sie ihre Umgebung abbilden und Ziele verfolgen können, desto anspruchsvoller sind sie. Diese Unterschiede zu kennen ist wichtig: So entwickeln Sie für eine einfache Aufgabe keine unnötig aufwendige Lösung und wählen für eine komplexe Aufgabe keinen Agenten, der zu wenig kann.

Es gibt fünf Hauptkategorien von KI-Agenten: 1. Einfache Reflexagenten: Die schlichteste Form. Diese Agenten reagieren nach einfachen Wenn-dann-Regeln auf das, was sie gerade wahrnehmen.

An Vergangenes erinnern sie sich nicht. Ein Thermostat ist ein gutes Beispiel: Sinkt die Temperatur unter X, schaltet er die Heizung ein. 2.

Modellbasierte Reflexagenten: Diese Agenten erstellen und pflegen ein internes Modell ihrer Umgebung. Dadurch kommen sie auch mit Situationen zurecht, in denen sie nicht alles direkt beobachten können: Sie merken sich, wie sich ihre Umgebung im Laufe der Zeit verändert. Ein Saugroboter, der sich den Grundriss Ihrer Räume merkt, ist ein modellbasierter Agent.

3. Zielbasierte Agenten: Sie gehen einen Schritt weiter. Statt nur zu reagieren, verfolgen sie ausdrücklich festgelegte Ziele und planen eine Folge von Handlungen, um einen gewünschten Zustand zu erreichen.

Denken Sie an ein GPS, das die beste Route zu Ihrem Ziel berechnet. So arbeitet ein zielbasierter Agent. 4.

Nutzenbasierte Agenten: Führen mehrere Wege zum Ziel, wählen diese Agenten den mit dem höchsten Nutzen. Sie wägen Vor- und Nachteile ab, um eine optimale Entscheidung zu treffen. Das eignet sich besonders für komplexe Entscheidungen.

Ein Agent, der Aktiengeschäfte zur Gewinnmaximierung ausführt, ist ein klassisches Beispiel. 5. Lernende Agenten: Die am weitesten entwickelte Kategorie.

Diese Agenten werten Rückmeldungen zu früheren Handlungen aus und verändern ihre internen Komponenten, um künftig bessere Entscheidungen zu treffen. Fast alle modernen generativen KI-Agenten verfügen bis zu einem gewissen Grad über Lernfähigkeit.

In dieser Anleitung entwickeln wir Agenten, die modellbasierte, zielbasierte und lernende Elemente verbinden, um nützliche Aufgaben zu erledigen.

Schritt 1: Die Aufgabe Ihres Agenten mit dem PEAS-Framework definieren

Halt. Bevor Sie die erste Zeile Code schreiben, brauchen Sie einen Plan.

Agentenprojekte benötigen vor der Umsetzung eine präzise Planung. Das PEAS-Framework erfasst Leistungskennzahlen, Umgebung, Aktoren und Sensoren. Damit können Sie die Aufgabe und die Einsatzbedingungen festlegen, bevor Sie Tools auswählen.

PEAS gliedert die Aufgabe in vier klar definierte Komponenten: * P - Leistungskennzahl: Woran erkennen Sie den Erfolg? Dafür brauchen Sie eine Zahl. „Kundenzufriedenheit verbessern“ ist als Kennzahl unbrauchbar.

„Die durchschnittliche Antwortzeit auf Supportanfragen um 30% senken“ ist besser: konkret, messbar und mit einem Geschäftsziel verknüpft. * E - Umgebung: Wo arbeitet der Agent? Dazu gehören die Software und Hardware, auf der er läuft, die Daten, auf die er zugreifen kann, und die Regeln, die er befolgen muss.

Bei einem Support-Agenten könnten das eine Helpdesk-Plattform, eine Wissensdatenbank und interne Unternehmens-APIs sein. * A - Aktoren: Wie handelt der Agent? Aktoren sind die Tools, mit denen er seine Umgebung beeinflusst.

Er könnte beispielsweise eine E-Mail senden, einen Datenbankeintrag aktualisieren oder eine externe API aufrufen. * S - Sensoren: Wie nimmt der Agent seine Umgebung wahr? Sensoren liefern seine Eingaben.

Das können eine eingehende E-Mail, eine Chatnachricht oder aktuelle Daten aus einem Monitoring-Tool sein.

Machen wir das an einem Agenten fest, der Besprechungsräume bucht. * Leistung: Innerhalb von weniger als 60 Sekunden einen Raum buchen, der alle Anforderungen an Uhrzeit, Kapazität und AV-Ausstattung erfüllt, und Buchungskonflikte minimieren. * Umgebung: Google Calendar des Unternehmens, eine API zur Raumbuchung und eine Slack-Oberfläche für die Nutzer.

* Aktoren: Die Calendar API zum Anlegen von Terminen und die Slack API zum Senden von Bestätigungen. * Sensoren: Nachrichten von Nutzern in Slack und die Calendar API zur Prüfung freier Zeitfenster.

Mit dem PEAS-Framework legen Sie einen klaren Umfang und ein messbares Ziel fest. Dieser Schritt ist nicht optional, sondern die Grundlage jedes ernsthaften Projekts.

Schritt 2: Die Grundlage Ihres Agenten mit Python und einem Framework entwickeln

Der Bauplan steht. Jetzt geht es an die Entwicklung.

Das ist keine theoretische Übung: Wir schreiben Code für Ihren ersten Agenten. Dafür verwenden wir Python, die führende Sprache für die KI-Entwicklung, und CrewAI, das wir für die meisten Projekte zur Workflow-Automatisierung bevorzugen.

Warum CrewAI?

Für Einsteiger ist CrewAI eine gute Wahl, weil sein Aufbau leicht zu verstehen ist. Das Framework beruht auf einer „Crew“ aus Agenten: Jeder hat eine bestimmte Rolle, und gemeinsam arbeiten sie auf ein Ziel hin. So bleibt Ihr Projekt von Anfang an übersichtlich.

Wir entwickeln einen einfachen Recherche-Agenten. Ein Nutzer gibt ein Thema vor, die Crew recherchiert dazu und schreibt einen kurzen Bericht. Unterschätzen Sie diesen Ansatz nicht: Aktuellen Daten zufolge nutzen bereits 85% der Entwickler Coding-Agenten, und diese schreiben 46% des Codes für ihre Nutzer.

Dieses Potenzial können Sie nutzen.

Projekt einrichten 1. Bibliotheken installieren: Sie benötigen `crewai`, `crewai-tools` und eine Bibliothek für das gewählte LLM. Wir verwenden OpenAI.

pip install crewai crewai-tools 'crewai[openai]'

1. API-Schlüssel hinterlegen: Legen Sie in Ihrem Projektordner eine Datei namens `.env` an und tragen Sie Ihren OpenAI-API-Schlüssel ein.

OPENAI_API_KEY="your-api-key-here"

Code schreiben Erstellen Sie nun eine Python-Datei, zum Beispiel `main.py`. Der vollständige Agent benötigt weniger als 40 Zeilen Code.

import os
from crewai import Agent, Task, Crew
from crewai_tools import SerperDevTool


# Load environment variables
from dotenv import load_dotenv
load_dotenv()


# Set the model you want to use
os.environ["OPENAI_MODEL_NAME"] = "gpt-4o-mini"


# 1. Define Tools
# We'll use a search tool for our researcher
search_tool = SerperDevTool()


# 2. Create Agents
# First, a researcher agent
researcher = Agent(
 role='Senior Research Analyst',
 goal='Uncover groundbreaking technologies and trends',
 backstory='You are a master of sniffing out emerging tech and analyzing its impact.',
 verbose=True,
 tools=[search_tool]
)


# Second, a writer agent
writer = Agent(
 role='Tech Content Strategist',
 goal='Craft compelling content on tech advancements',
 backstory='You turn complex technical concepts into engaging, easy-to-understand narratives.',
 verbose=True
)


# 3. Define Tasks
# A research task for the researcher agent
research_task = Task(
 description='Identify the top 3 most exciting AI trends in 2026.',
 expected_output='A bullet-point list of the top 3 trends with a brief explanation for each.',
 agent=researcher
)


# A writing task for the writer agent
write_task = Task(
 description='Compose an insightful blog post about the top 3 AI trends identified.',
 expected_output='A well-structured blog post of about 4 paragraphs.',
 agent=writer
)


# 4. Assemble the Crew
# Create the crew with the agents and tasks
tech_crew = Crew(
 agents=[researcher, writer],
 tasks=[research_task, write_task],
 verbose=2 # Verbose output shows the agent's thought process
)


# 5. Kick off the work!
result = tech_crew.kickoff()


print("\n\n########################")
print("## Here is the result:")
print("########################\n")
print(result)

Dieses einfache Skript erstellt ein Team aus zwei Agenten, die zusammenarbeiten. Der `researcher` sucht Informationen, und der `writer` erstellt daraus den abschließenden Bericht. Wenn Sie das Skript ausführen, sehen Sie die Grundlagen der Agentenentwicklung in Aktion.

Darauf können Sie bei komplexeren Projekten aufbauen.

Schritt 3: Ihren KI-Agenten evaluieren, absichern und bereitstellen (AgentOps)

Ein Agent auf Ihrem Laptop ist ein Prototyp. Mehr nicht.

Damit er im Produktivbetrieb echten Nutzen bringt, brauchen Sie einen klaren Prozess. Wir nennen ihn AgentOps. Dieser Lebenszyklus umfasst drei unverzichtbare Phasen: Evaluation, Sicherheit und Bereitstellung.

Gerade Einsteiger lassen diese Schritte fast immer aus. Deshalb erzielen ihre Projekte nie eine echte Wirkung.

1. Evaluation Wie weisen Sie nach, dass Ihr Agent funktioniert? Indem Sie seine Leistung systematisch messen.

• Erfolgskriterien festlegen: Definieren Sie zunächst klare Leistungskennzahlen (KPIs), die sich aus Ihrem PEAS-Modell ableiten. Soll die Bearbeitungszeit von Supportanfragen sinken, die Abschlussquote steigen oder ein bestimmter Workflow abgeschlossen werden? Was Sie nicht messen können, können Sie auch nicht verbessern.
• Einen Testsatz erstellen: Stellen Sie einen „Golden Set“ aus unterschiedlichen, anspruchsvollen Eingaben zusammen. Er muss typische Fälle, ungewöhnliche Grenzfälle und gezielte Angriffe enthalten, die Ihren Agenten aus dem Tritt bringen sollen.
• Evaluation automatisieren: Prüfen Sie Ihren Agenten nach jeder einzelnen Änderung automatisch anhand dieses Testsatzes. Vergleichen Sie die Ergebnisse mit einer bewährten Referenz. So erkennen Sie Verschlechterungen sofort und verhindern, dass die Leistung Ihres Agenten mit der Zeit unbemerkt nachlässt.

2. Unverzichtbare Sicherheitsvorkehrungen Ein autonomer Agent mit Zugriff auf Tools kann erheblichen Schaden anrichten.

Wird er kompromittiert, könnte er Datenbanken löschen, Bankkonten leerräumen oder vertrauliche Daten preisgeben. Sie müssen ihn absichern.

• Prinzip der geringsten Berechtigung: Geben Sie dem Agenten nur die Berechtigungen, die er für seine Aufgabe unbedingt braucht. Nicht mehr. Muss er Daten aus einer Datenbank lediglich lesen, darf er keinen Schreibzugriff erhalten.
• Menschliche Freigabe: Verlangen Sie bei jeder folgenreichen Aktion eine Freigabe durch einen Menschen, etwa bei einer Rückerstattung über $100 oder beim Löschen eines Nutzers. Der Agent kann alles vorbereiten und die abschließende Aktion zur Bestätigung durch eine Person vormerken.
• Eingaben und Ausgaben bereinigen: Behandeln Sie jede Eingabe als potenziell gefährlich. Bereinigen Sie eingehende Daten, um sich gegen Prompt Injection zu schützen. Dabei versucht ein Angreifer, Ihren Agenten dazu zu bringen, seinen schädlichen Anweisungen statt Ihren zu folgen.

3. Bereitstellung im Produktivbetrieb Für die Bereitstellung eines Agenten reicht es nicht, `python main.py` auf einem Server auszuführen.

• Eine Cloud-Umgebung nutzen: Plattformen wie AWS, Google Cloud oder Azure bieten die skalierbare Infrastruktur, die Sie für Wachstum brauchen.
• Die Anwendung containerisieren: Verpacken Sie Ihren Agenten samt allen Abhängigkeiten in einen Docker-Container. So ist er portabel und läuft überall unter denselben Bedingungen.
• Protokollierung und Monitoring einrichten: Protokollieren Sie jede Entscheidung, jeden Tool-Aufruf und jede Ausgabe. Ohne Tools zur Überwachung des Dienstes, mit denen Sie Leistung, Kosten und Fehlerraten in Echtzeit verfolgen, fehlt Ihnen der Überblick.

Ein strukturierter AgentOps-Lebenszyklus ist mehr als eine gute Vorgehensweise. Er macht den Unterschied zwischen einem Hobbyprojekt und einem zuverlässigen System für den Produktivbetrieb.

Warum die meisten Agentenprojekte von Einsteigern scheitern (und wie Ihres gelingt)

Die unbequeme Wahrheit: Die meisten Agentenprojekte von Einsteigern scheitern.

Viele Projekte kommen nicht voran, weil Workflow, Berechtigungen, Evaluationsfälle und die verantwortliche Person für den Betrieb nie festgelegt wurden. Die Wahl des Modells kann einen fehlenden Projektumfang oder Abnahmetest nicht ausgleichen.

Ein sinnvoll abgegrenztes Projekt benennt den Workflow, das Erfolgskriterium, zulässige Aktionen, den Eskalationsweg und die tolerierbare Fehlerquote. Ein Ziel wie die Bearbeitung von Anfragen zum Bestellstatus innerhalb eines definierten Servicelevels lässt sich testen. „Einen Kundenservice-Agenten entwickeln“ ist dagegen zu allgemein.

Das ist eine entscheidende Vorgabe für die Entwicklung, kein nachträglicher Gedanke.

1. Kein Evaluationsverfahren: Woher wissen Sie, ob Ihre Änderungen helfen oder schaden? Ohne standardisierte Testsuite (einen „Golden Set“) können Sie nur raten. Jede Anpassung an einem Prompt oder Tool kann unbemerkte Fehler verursachen, die Sie womöglich erst Wochen später entdecken. Für einen ernsthaften Produktivbetrieb ist eine gründliche, automatisierte Evaluation unverzichtbar.
2. Zu früh auf vollständige Autonomie setzen: Viele Einsteiger stellen sich einen vollständig autonomen Agenten ohne menschliche Aufsicht vor. Das kann gefährlich werden. Sicherer ist ein schrittweiser Start, bei dem der Agent Aufgaben zur Freigabe durch Menschen vorbereitet. Erweitern Sie seine Eigenständigkeit erst, wenn repräsentative Tests und die Überwachung im Produktivbetrieb dies rechtfertigen. Dieser Ansatz mit menschlicher Freigabe schafft Vertrauen und bietet vor allem eine wichtige Absicherung.

Erfolgreiche Agenten entstehen nicht durch den perfekten Prompt, sondern durch sorgfältige Entwicklung, klare Ziele und einen realistischen Umgang mit Automatisierung.

Wie wählen Sie das passende Framework für KI-Agenten?

Die Wahl des Frameworks hat weitreichende Folgen.

Sie beeinflusst, wie schnell Sie entwickeln, was Ihr Agent leisten kann und wie aufwendig die Wartung wird. Bei so vielen Möglichkeiten fällt die Entscheidung schwer. Vergleichen wir deshalb drei bekannte Optionen: LangChain, AutoGen und CrewAI.

Welches Framework passt, hängt vom Workflow ab und sollte anhand eines repräsentativen Prototyps geprüft werden. Vergleichen Sie Zustandsverwaltung, Tool-Integration, Beobachtbarkeit, Bereitstellungsmodell, Wartungsaufwand und Lizenzbedingungen anhand derselben Abnahmetests, bevor Sie sich festlegen.

Welches Framework sollten Einsteiger wählen? Wenn Sie dieser Anleitung folgen, empfehlen wir Ihnen: Beginnen Sie mit CrewAI.

Das rollenbasierte Konzept ist leicht zu verstehen. Damit können Sie mit erstaunlich wenig Code ein leistungsfähiges System aus mehreren Agenten entwickeln. Außerdem gibt es Ihrem Projekt eine klare Struktur und hilft Ihnen, häufige Entwicklungsfehler zu vermeiden.

Mit mehr Erfahrung können Sie zu LangChain (insbesondere LangGraph) wechseln, wenn Sie komplexe Ausführungsabläufe genauer steuern möchten, oder AutoGen für fortgeschrittene Forschung erkunden. Wenn Sie schnell einen funktionierenden Agenten entwickeln möchten, ist CrewAI jedoch die naheliegende Wahl.