Track Agentic AILektion 1 von 6

Was ist Agentic AI? Vom einzelnen Prompt zum Workflow

Meine Notizen aus Andrew Ngs Kurs Agentic AI auf DeepLearning.AI und der erste Agent, den ich daraus entworfen habe.

Von Parastoo Mosayebi6 Min. LesezeitBasiert auf dem Kurs Agentic AI (öffnet in einem neuen Tab)

Die kurze Antwort

Agentic AI heißt: Sie bitten ein Sprachmodell nicht mehr, das fertige Ergebnis in einem Zug zu liefern. Stattdessen teilen Sie die Aufgabe in Schritte auf. Das Modell und einige Werkzeuge erledigen jeweils einen Schritt, und das Ergebnis wird zwischendurch geprüft. Diese Schleife aus Planen, Handeln, Prüfen und Verbessern liefert bessere Ergebnisse als ein einzelner Prompt, auch mit demselben Modell.

Warum ein einzelner Prompt oft nicht reicht

Die meisten Menschen nutzen ein LLM in einem Zug: Prompt schreiben, Antwort lesen, kopieren. Bei einer kurzen E-Mail funktioniert das gut. Bei einem Recherchebericht oder einem Stück Code funktioniert es schlechter, weil Sie alles auf einmal verlangen. Das ist, als würden Sie ein langes Dokument tippen, ohne je die Löschtaste zu benutzen.

So arbeiten Menschen nicht. Nehmen wir ein Anschreiben. Sie lesen die Stellenanzeige, notieren, was wichtig ist, schreiben einen Entwurf, lesen ihn noch einmal, streichen die schwachen Stellen und lassen ihn vielleicht von einer Freundin prüfen. Die Endfassung ist besser, weil sie mehrere Schritte durchlaufen hat.

Was ein agentischer Workflow macht

Ein agentischer Workflow übernimmt diese Arbeitsweise. Ein typischer Workflow hat fünf Teile.

  1. 1

    Planen

    Die Aufgabe in Schritte zerlegen oder eine Gliederung schreiben.

  2. 2

    Werkzeuge nutzen

    Im Web suchen, eine Seite abrufen, eine Datenbank abfragen oder Code ausführen.

  3. 3

    Entwerfen

    Das Gefundene an das LLM geben und eine erste Fassung schreiben lassen.

  4. 4

    Reflektieren

    Das LLM oder ein zweites LLM sucht Lücken und Fehler im Entwurf, danach wird überarbeitet.

  5. 5

    Mensch prüft

    Eine Person gibt wichtige Ergebnisse frei, bevor sie weitergegeben werden.

Das dauert länger als ein einzelner Prompt und kostet mehr API-Aufrufe. Dafür bekommen Sie eine bessere Qualität, und Sie können jeden Schritt ansehen, wenn etwas schiefgeht.

Funktioniert das wirklich?

Andrew Ng hat im März 2024 in The Batch ein Beispiel aus dem Programmieren gezeigt. Bei HumanEval, einer Sammlung von Programmieraufgaben, löste GPT-3.5 mit einem einzelnen Prompt 48,1 %. GPT-4 mit einem einzelnen Prompt löste 67,0 %. GPT-3.5 in einem Agenten-Workflow erreichte bis zu 95,1 %. Die Ergebnisse stammen von mehreren Forschungsteams, Ngs Artikel fasst sie zusammen. Ein älteres, kleineres Modell mit einem guten Workflow schlug ein stärkeres Modell, das allein arbeitete.

GPT-3.5, ein Prompt48,1 %GPT-4, ein Prompt67,0 %GPT-3.5 im Agenten-Workflowbis zu 95,1 %
HumanEval, Anteil der gelösten Aufgaben. Quelle: Andrew Ng, The Batch, 20. März 2024 (öffnet in einem neuen Tab).

Das sind Zahlen von 2024 für einen einzigen Benchmark, und neuere Modelle sind inzwischen weiter. Sehen Sie sie als Lektion über Workflow-Design. Sie sagen nichts darüber, welches Modell heute das beste ist.

Workflow oder Agent?

Hier werden zwei Begriffe oft vermischt. Anthropic hat sie im Dezember 2024 im Leitfaden „Building effective agents“ getrennt. Beides sind agentische Systeme. In einem Workflow legt Ihr Code die Reihenfolge der Schritte fest, und das LLM erledigt die Arbeit innerhalb jedes Schritts. Bei einem Agenten entscheidet das LLM selbst über die Schritte und wählt die Werkzeuge aus.

Ng sieht das lieber als Skala statt als Ja-oder-Nein-Frage:

  • Wenig autonom: Der Entwickler legt Schritte und Werkzeuge fest, das LLM schreibt nur Text.
  • Teilautonom: Die Werkzeuge stehen fest, und das LLM wählt, welches es aufruft.
  • Hochautonom: Das LLM plant die Schritte, wählt Werkzeuge und kann sogar neue schreiben.

Anthropic rät, mit der einfachsten Lösung zu beginnen, die funktioniert, und Komplexität erst hinzuzufügen, wenn sie nötig ist. Workflows passen zu klar definierten Aufgaben, bei denen Sie vorhersehbare Ergebnisse wollen. Die nächste Lektion in diesem Track geht tiefer in diese Skala.

Die vier Entwurfsmuster

Ng ordnet die Bausteine agentischer Systeme in vier Muster: Reflexion, Werkzeugnutzung, Planung und Zusammenarbeit mehrerer Agenten. Sie bekommen in diesem Track eine eigene Lektion.

Mein erstes Beispiel: der Job-Match-Agent

Ich suche Stellen als AI Engineer oder im Bereich AI Automation in der DACH-Region. Deshalb ist mein erster Agent ein Job-Matcher. Ich habe den Workflow gezeichnet. Gebaut habe ich ihn noch nicht.

rosa = Eingabegrau = LLMgrün = Werkzeug

Der Workflow des Job-Match-Agenten der Reihe nach:

  1. Eingabe: der Lebenslauf.
  2. LLM: Fähigkeiten, Schlüsselwörter und Berufsbezeichnungen aus dem Lebenslauf herausziehen.
  3. LLM: 3 bis 5 Suchanfragen für Stellen schreiben.
  4. Werkzeug Websuche: Links zu Stellenanzeigen finden.
  5. Werkzeug Seitenabruf: die vollständigen Stellenbeschreibungen holen.
  6. LLM: die Fähigkeiten aus dem Lebenslauf mit jeder Stelle vergleichen und einen Passungswert von 0 bis 100 vergeben, mit Gründen und Lücken.
  7. Code-Filter: nur Stellen mit einem Wert von 70 oder höher behalten.
  8. Ausgabe: passende Stellen als JSON mit Wert, Gründen und Fähigkeitslücken.
Der Job-Match-Agent: Ein Lebenslauf geht hinein, sechs Schritte laufen in fester Reihenfolge ab, und eine JSON-Liste passender Stellen kommt heraus.

Er beginnt mit meinem Lebenslauf und läuft in sechs Schritten ab:

  1. LLM: Fähigkeiten, Schlüsselwörter und Berufsbezeichnungen aus dem Lebenslauf herausziehen.
  2. LLM: 3 bis 5 Suchanfragen für Stellen schreiben.
  3. Websuche (Werkzeug): Links zu Stellenanzeigen finden.
  4. Seitenabruf (Werkzeug): die vollständigen Stellenbeschreibungen holen.
  5. LLM: die Fähigkeiten aus dem Lebenslauf mit jeder Stelle vergleichen und einen Passungswert von 0 bis 100 vergeben, mit Gründen und Lücken.
  6. Code-Filter: nur Stellen mit einem Wert von 70 oder höher behalten.

Das Ergebnis ist eine JSON-Liste passender Stellen mit Wert, Gründen und Fähigkeitslücken.

Drei der sechs Schritte sind LLM-Aufrufe, drei sind Werkzeuge oder einfacher Code. Die Reihenfolge steht im Code fest, und das LLM liest und schreibt nur Text. Darum liegt dieser Agent am wenig autonomen Ende der Skala. Der letzte Schritt ist einfacher Code, denn „70 oder höher“ ist eine Regel, und Code wendet eine Regel jedes Mal gleich an.

Einige Fragen kann ich noch nicht beantworten. Ist 70 die richtige Grenze? Gibt das Modell derselben Stelle bei zwei Durchläufen denselben Wert? Stimmen die herausgezogenen Fähigkeiten? Das sind Fragen der Bewertung, und sie bekommen eine eigene Lektion.

Was in diesem Track als Nächstes kommt

Die Skala der Autonomie, die vier Entwurfsmuster, das Zerlegen von Aufgaben (wie aus „Finde mir einen Job“ sechs Schritte wie die oben werden) und die Bewertung. Danach baue ich den Job-Match-Agenten Schritt für Schritt und schreibe auf, was schiefgeht.

Testen Sie sich selbst

Überlegen Sie bei jeder Frage kurz, wie die Antwort lauten könnte. Öffnen Sie dann die richtige Antwort und vergleichen Sie.

Frage 1 von 5

Was ist Agentic AI in einfachen Worten?

Richtige Antwort anzeigen

Richtige Antwort. Agentic AI ist eine Art, Sprachmodelle zu nutzen: Die Arbeit wird in mehrere Schritte geteilt, mit Werkzeugen und Prüfungen dazwischen, statt in einem Prompt mit einer Antwort. Das Modell kann planen, suchen, entwerfen und die eigene Arbeit prüfen, bevor ein Ergebnis bei Ihnen ankommt.

Frage 2 von 5

Was ist der Unterschied zwischen einem agentischen Workflow und einem KI-Agenten?

Richtige Antwort anzeigen

Richtige Antwort. In einem agentischen Workflow legt der Code des Entwicklers die Reihenfolge der Schritte fest. Bei einem KI-Agenten entscheidet das LLM selbst über die Reihenfolge und wählt die Werkzeuge. Anthropic nennt beides agentische Systeme und empfiehlt, mit dem einfacheren, besser vorhersehbaren Workflow zu beginnen.

Frage 3 von 5

Ist ein agentischer Workflow immer besser als ein einzelner Prompt?

Richtige Antwort anzeigen

Richtige Antwort. Nein. Die Qualität ist meistens höher, aber es dauert länger und kostet mehr. Im HumanEval-Beispiel erreichte GPT-3.5 im Agenten-Workflow bis zu 95,1 %, GPT-4 mit einem Prompt dagegen 67,0 %. Anthropic weist außerdem darauf hin, dass für viele Anwendungen ein gut gebauter LLM-Aufruf mit Retrieval und Beispielen genügt.

Frage 4 von 5

Braucht man ein Framework, um einen agentischen Workflow zu bauen?

Richtige Antwort anzeigen

Richtige Antwort. Nein. In Andrew Ngs Kurs Agentic AI auf DeepLearning.AI wird jedes Muster zuerst in reinem Python gebaut, danach folgen die Frameworks. Mit reinem Code haben Sie die volle Kontrolle über Schritte, Werkzeuge und Bewertung.

Frage 5 von 5

Sehen Sie sich den Job-Match-Agenten an. Welcher der sechs Schritte ist einfacher Code, und warum?

Richtige Antwort anzeigen

Richtige Antwort. Schritt 6, der Code-Filter. „70 oder höher“ ist eine Regel, und Code wendet eine Regel jedes Mal gleich an. Die Schritte 1, 2 und 5 sind LLM-Aufrufe, die Schritte 3 und 4 sind Werkzeuge, die suchen und abrufen.

Quellen

Aktualisiert am 17. Oktober 2026

Änderungsprotokoll

  • : Link zu Lektion 2 ergänzt, die die Autonomie-Skala vertieft.
  • : Erstveröffentlichung.

Als Nächstes im Track

Lektion 2: Workflow oder Agent? Die Skala der Autonomie

Diese Lektion lesen →

Alle Lektionen in diesem Track →

Kommentare

Noch keine Kommentare — schreiben Sie den ersten.

Kommentare werden vor der Veröffentlichung geprüft.