KI-Agenten Frameworks
Was dieser Artikel behandelt
- Welche KI-Agenten-Frameworks es gibt und wofür sie geeignet sind.
- Welches Framework für welchen Anwendungsfall sinnvoll ist.
- Welche Frameworks lokal laufen und welche Cloud-APIs brauchen.
- Verweise auf alle Framework-Artikel mit Installation und Beispielen.
Wozu diese AI-Framework-Seite?
Täglich gibt es abgeänderte AI/KI Frameworks und man hat kaum noch eine Übersicht, welche Agenten-Frameworks man benötigt oder ausprobieren sollte. Ich teste täglich Frameworks für Content-Erstellung, Bild- und Video-Produktion und zum Programmieren.
Wer lokal oder cloudbasiert mit Agenten arbeiten will, findet hier praxisnahe Anleitungen, Installationshinweise und Vergleiche für die gängigsten Frameworks der aktuellen KI-Agenten-Landschaft.
Warum brauche ich ein Framework?
Ein Sprachmodell allein kann nur Text erzeugen. Um Ziele zu verfolgen, Werkzeuge zu nutzen und mehrere Schritte zu planen, brauchst Du ein Framework. Es kümmert sich um die Schleife aus Beobachten, Planen und Ausführen. Ohne Framework müsstest Du diese Logik selbst programmieren.
Ein Beispiel: Du willst, dass ein Agent aktuelle Nachrichten sammelt, zusammenfasst und in eine Datei schreibt. Mit einem Framework wie LangGraph oder CrewAI definierst Du das Ziel und die Werkzeuge. Das Framework übernimmt die Schleife, ruft die Werkzeuge auf und speichert Zwischenergebnisse. Ohne Framework müsstest Du jede API, jeden Schleifenschritt und jedes Fehlerhandling selbst coden.
Für wen ist dieser Bereich gedacht?
- Du willst KI-Agenten bauen und suchst das passende Framework.
- Du hast Grundlagen zu Agenten und Tool-Calling gelesen und willst jetzt praktisch starten.
- Du brauchst Python-Grundkenntnisse für die meisten Frameworks. Für Dify und Langflow reicht oft Low-Code.
- Du kannst lokal mit Ollama arbeiten oder Cloud-APIs wie OpenAI nutzen.
Unsere Framework-Artikel im Überblick
| Framework | Fokus | Einstieg | Besonders gut für |
|---|---|---|---|
| LangGraph | Zustände und Entscheidungsgraphen | Mittel | Komplexe Workflows |
| CrewAI | Rollen und Aufgaben | Einfach | Rollenbasierte Teams |
| AutoGen | Gespräche und Coding | Mittel | Programmieren, Debuggen |
| OpenAI Agents SDK | Offizielles SDK von OpenAI | Einfach | Schnelle Prototypen mit OpenAI-API |
| Dify | Visuelle Workflow-Plattform | Einfach | Low-Code Agenten und RAG |
| Langflow | Visuelle LangChain-Oberfläche | Einfach | Drag-and-Drop Prototypen |
| OpenHands | Coding-Agent für Repositories | Mittel | Code bearbeiten, Refactoring |
| AgentVerse | Multi-Agenten-Simulation | Schwer | Forschung und Experimente |
| Camel AI | Rollenbasierte Gespräche | Mittel | Verhandlungen und Rollenspiele |
| Codebase Memory | Wissen aus Code | Mittel | Code-Wissen für Agenten |
| OpenClaw | Agenten-Steuerung | Mittel | Autonome Workflows |
| Agentic AI | Enterprise-Agenten | Einfach | Geschäftsprozesse automatisieren |
Wann welches Framework?
- LangGraph wählen, wenn Du Workflows mit Schleifen, Bedingungen und Zuständen brauchst.
- CrewAI wählen, wenn Du Agenten mit Rollen und klar abgegrenzten Aufgaben aufbauen willst.
- AutoGen wählen, wenn Du Code schreiben, prüfen oder erklären lassen willst.
- OpenAI Agents SDK wählen, wenn Du schnell mit dem offiziellen SDK experimentieren willst.
- Dify wählen, wenn Du lieber klickst als programmierst und Self-Hosting nutzen willst.
- Langflow wählen, wenn Du LangChain-Komponenten visuell verbinden willst.
- OpenHands wählen, wenn Du echte Repositorys automatisiert bearbeiten willst.
- AgentVerse wählen, wenn Du Multi-Agenten-Szenarien und emergentes Verhalten erforschen willst.
- Camel AI wählen, wenn Du rollenbasierte Gespräche und Verhandlungen simulieren willst.
- Codebase Memory wählen, wenn Du ein Langzeitgedächtnis für Code-Agenten aufbauen willst.
- OpenClaw wählen, wenn Du autonome Workflows und Zielverfolgung testen willst.
- Agentic AI wählen, wenn Du KI-Agenten in Geschäftsprozessen einsetzen willst.
Highlights einzelner Frameworks
LangGraph, CrewAI und AutoGen
Diese drei Frameworks sind unser Einstieg in lokale KI-Agenten. Sie laufen mit Ollama und decken die meisten Anwendungsfälle ab:
- LangGraph - Zustandsbasierte Workflows mit Entscheidungskanten.
- CrewAI - Agenten-Teams mit Rollen und Aufgaben.
- AutoGen - Coding und Multi-Turn-Gespräche.
Visuelle und Low-Code-Optionen
Wer lieber mit einer Oberfläche arbeitet, findet bei Dify und Langflow passende Werkzeuge. Beide lassen sich lokal installieren und mit Ollama verbinden:
Spezialisierte und experimentelle Frameworks
Für fortgeschrittene oder spezifische Einsatzgebiete eignen sich diese Frameworks:
- OpenHands - Bearbeitet echte Repositories und führt Code aus.
- AgentVerse - Simuliert Multi-Agenten-Szenarien.
- Camel AI - Rollenbasierte Gespräche.
- Codebase Memory - Wissensaufbau aus Code.
- OpenClaw - Offene Steuerung autonomer Workflows.
- Agentic AI - Enterprise-Ansatz für Geschäftsprozesse.
Grundlagen vor dem Framework
Wer mit KI-Agenten startet, sollte zuerst verstehen, wie Tool-Calling funktioniert und worin sich Agenten von Chatbots unterscheiden.
FAQ - Häufige Fragen
Welches Framework ist für Einsteiger am besten?
CrewAI ist sehr einsteigerfreundlich. Wer es technischer und zustandsbasiert mag, startet mit LangGraph. Für grafische Oberflächen eignen sich Dify oder Langflow.
Laufen alle Frameworks lokal?
Viele Open-Source-Frameworks wie LangGraph, CrewAI, AutoGen, Dify, Langflow, OpenHands und Camel AI lassen sich lokal mit Ollama betreiben. OpenAI Agents SDK, Agentic AI und einige Enterprise-Optionen nutzen meist Cloud-APIs.
Was brauche ich für den Einstieg?
Python-Grundkenntnisse, ein lokales Modell über Ollama oder LM Studio, etwas Geduld und je nach Framework Docker.
Wann lohnt sich OpenHands?
OpenHands ist ideal, wenn Du konkret Code in einem Repository verändern, Tests ausführen oder Pull-Requests vorbereiten willst.
Was ist der Unterschied zwischen LangGraph und CrewAI?
LangGraph modelliert Agenten als Graphen mit Zuständen und Entscheidungskanten. CrewAI arbeitet mit Rollen und Aufgaben, die Agenten übernehmen. LangGraph ist flexibler, CrewAI ist einfacher zu starten.
Was ist der Unterschied zwischen Dify und Langflow?
Beide sind visuelle Plattformen. Dify ist eine umfassende Plattform für Chatbots, RAG und Agenten mit eigener Infrastruktur. Langflow ist eine Drag-and-Drop-Oberfläche für LangChain-Komponenten. Dify ist mehr All-in-One, Langflow mehr Baukasten.
Brauche ich eine GPU für KI-Agenten?
Nicht zwingend. Wenn Du Cloud-APIs nutzt, reicht ein normaler Rechner. Für lokale Modelle über Ollama beschleunigt eine GPU die Inferenz deutlich. Agenten brauchen oft viele Token, daher ist eine GPU empfohlen.
Welches Modell brauche ich für KI-Agenten?
Für Tool-Calling und mehrschrittige Workflows brauchst Du ein starkes Modell. Llama 3.1 8B ist ein guter Einstieg. Für komplexere Agenten sind 13B oder größere Modelle empfohlen. In der Cloud sind GPT-4o oder Claude geeignet.
Kann ich mehrere Frameworks gleichzeitig nutzen?
Ja. Du kannst beispielsweise CrewAI für Rollen-Workflows und LangGraph für zustandsbasierte Workflows parallel einsetzen. Achte darauf, dass beide auf dieselbe Ollama-Instanz zugreifen können.
Was ist Multi-Agenten?
Multi-Agenten bedeutet, dass mehrere Agenten mit unterschiedlichen Rollen zusammenarbeiten. CrewAI und AutoGen sind Beispiele dafür. Ein Agent schreibt Code, ein anderer prüft ihn, ein dritter dokumentiert.
Was kostet der Betrieb eines Frameworks?
Open-Source-Frameworks sind kostenlos. Kosten entstehen für Hardware, Strom und optional Cloud-APIs. Mit Ollama und lokalen Modellen betragen die laufenden Kosten nur Strom.
Kann ich Frameworks in Docker betreiben?
Ja. Dify, Langflow, OpenHands und viele andere Frameworks bieten offizielle Docker-Images. Das ist besonders sinnvoll, wenn Du mehrere Dienste isoliert laufen lassen willst.
Wo finde ich die Grundlagen zu KI-Agenten?
In der Übersicht KI-Agenten Grundlagen findest Du Artikel zu Was ist ein KI-Agent, Chatbot vs. KI-Agent und Tool-Calling.