Was ist ein KI-Agent?

Was dieser Artikel über KI-Agenten behandelt

• Was ein KI-Agent ist und wie er sich von einem normalen Chatbot unterscheidet
• Welche Bausteine einen Agenten ausmachen: Sprachmodell, Tools, Gedächtnis, Planung und menschliche Freigabe
• Welche Arten von Agenten es gibt, von ReAct bis Multi-Agent
• Wie ein konkreter Beispielablauf Schritt für Schritt funktioniert
• Welche Stolpersteine, Kosten und Sicherheitsrisiken Du kennen solltest

Einleitung: KI-Agenten verständlich erklärt

KI-Assistenten wie Chatbots antworten auf Fragen. Du gibst einen Prompt ein, das Modell gibt Text zurück, fertig. Ein KI-Agent geht einen Schritt weiter. Er erhält ein Ziel, sucht selbstständig nach Wegen, um es zu erreichen, nutzt dafür Tools, speichert Zwischenergebnisse und passt seinen Plan an, wenn etwas schiefgeht. Er agiert, statt nur zu antworten.

Dieser Artikel richtet sich an Einsteiger, die verstehen wollen, was einen KI-Agenten ausmacht, wie er funktioniert und wann er sinnvoll ist. Nach dem Lesen kennst Du die wichtigsten Begriffe, die typischen Bausteine, die verschiedenen Agenten-Arten und die Fehler, die Du vermeiden solltest. Du brauchst keine Vorkenntnisse in KI-Entwicklung, nur ein grundlegendes Verständnis davon, was ein Sprachmodell macht.

Warum brauche ich KI-Agenten?

Stell Dir vor, Du leitest ein kleines Unternehmen und willst jeden Morgen wissen, was über Deine Branche geschrieben wird. Ohne Agenten müsstest Du selbst zehn Nachrichtenquellen öffnen, Artikel überfliegen, die wichtigsten Punkte notieren und eine E-Mail an Dein Team schreiben. Das kostet täglich eine Stunde.

Ein Chatbot hilft Dir nur teilweise. Du kannst ihn fragen: “Was gibt es Neues zu Thema X?” Aber er sucht nicht selbst im Web, er liest keine echten Artikel von heute, und er speichert nichts. Du müsstest ihm alle Inhalte manuell in den Chat kopieren.

Ein KI-Agent übernimmt den gesamten Ablauf. Er sucht im Web nach aktuellen Artikeln, liest die wichtigsten, fasst sie zusammen, speichert die Zusammenfassung in einer Datei und schickt sie per E-Mail an Dein Team. Das funktioniert, weil der Agent Tools hat, ein Gedächtnis nutzt und mehrere Schritte selbstständig plant. Ohne Agenten bleibt dieser Workflow manuell, fehleranfällig oder schlichtweg unmöglich, weil kein Chatbot von allein Dateien schreibt oder E-Mails verschickt.

Was ist ein KI-Agent? - In A Nutshell

Ein KI-Agent ist ein System, das ein Sprachmodell mit Zielen, Tools und Gedächtnis verbindet. Er bekommt eine Aufgabe, plant Schritte, führt Aktionen aus und passt sich an Ergebnisse an. Typische Werkzeuge sind Websuche, Dateizugriff, Datenbankabfragen, E-Mail-Clients oder eigene APIs.

Ein Alltagsbeispiel: Stell Dir vor, Du sagst einer Kollegin: “Organisiere mir einen Termin beim Zahnarzt nächste Woche.” Sie schaut in Deinen Kalender, sucht die Telefonnummer, ruft die Praxis an, vereinbart einen Termin und trägt ihn ein. Ein Chatbot wäre wie ein Kollege, der Dir nur sagt, wie man einen Termin macht, aber nichts davon selbst erledigt. Ein Agent ist die Kollegin, die es tatsächlich macht.

Während ein Chatbot lediglich auf Eingaben reagiert, kann ein Agent aktiv nach Informationen suchen, Entscheidungen treffen und Abläufe über mehrere Schritte hinweg steuern. Mehr dazu im Artikel Chatbot vs. KI-Agent.

Für wen ist das gedacht?

Dieser Artikel ist für Dich, wenn Du Dich fragst, was hinter Begriffen wie “KI-Agent” oder “Agentensystem” steckt. Du musst kein Informatiker sein. Hilfreich ist, wenn Du grob weißt, was ein Sprachmodell wie GPT oder Llama macht, also Text versteht und erzeugt.

Wenn Du bereits Agenten bauen willst, findest Du weiterführende Links am Ende. Wenn Du nur verstehen willst, ob ein Agent für Deinen Anwendungsfall sinnvoll ist, reicht dieser Artikel allein.

Wichtige Begriffe rund um KI-Agenten

Begriff	Bedeutung
Agent	Ein KI-System, das ein Ziel verfolgt und Aktionen ausführt, zum Beispiel ein System, das eine Marktanalyse selbstständig erstellt
Tool	Eine externe Funktion, die der Agent aufrufen kann, zum Beispiel eine Websuche oder ein Dateizugriff
Tool-Calling	Die Fähigkeit des Modells, Funktionen aufzurufen, etwa “suche im Web nach X” statt nur Text auszugeben
Gedächtnis	Speicherung von Informationen über mehrere Schritte, zum Beispiel Zwischenergebnisse oder frühere Gespräche
Planung	Aufteilung eines Ziels in einzelne Arbeitsschritte, etwa: erst suchen, dann lesen, dann zusammenfassen
Autonomie	Der Grad, in dem der Agent ohne menschliches Eingreifen handelt, von “jeden Schritt bestätigen” bis “komplett selbstständig”
MCP	Model Context Protocol, ein Standard, der Agenten den Zugriff auf externe Datenquellen und Tools erleichtert
Multi-Agenten	Ein System aus mehreren Agenten, die zusammenarbeiten, etwa einer für Recherche und einer für das Schreiben
Memory	Dasselbe wie Gedächtnis, der Begriff wird oft englisch verwendet, kurzfristig für den aktuellen Kontext, langfristig für frühere Aufgaben
Reasoning	Das logische Denken des Modells, also Schlussfolgerungen ziehen und Entscheidungen treffen, etwa “Wenn Artikel A aktueller ist als B, nimm A”

Typische Bausteine eines KI-Agenten

Ein KI-Agent besteht aus mehreren Teilen, die zusammenarbeiten. Jeder Baustein hat eine klare Aufgabe.

Sprachmodell

Das Sprachmodell ist das Gehirn des Agenten. Es versteht Deine Anweisung, plant Schritte und entscheidet, welches Tool als nächstes genutzt wird. Beispiele sind Llama 3, Qwen oder Mistral. Bei lokalen Agenten läuft das Modell auf Deiner eigenen Hardware, etwa über Ollama. Das Modell muss gut im Reasoning und im Tool-Calling sein, sonst plant der Agent schlecht oder ruft falsche Funktionen auf.

Tools

Tools sind die Hände des Agenten. Ohne Tools kann ein Modell nur Text erzeugen. Mit Tools kann es die Welt verändern, im kleinen Rahmen. Typische Tools:

• Websuche: Der Agent sucht nach aktuellen Informationen, etwa über eine Such-API.
• Dateizugriff: Der Agent liest und schreibt Dateien, zum Beispiel eine Zusammenfassung in eine Markdown-Datei.
• Datenbankabfrage: Der Agent fragt eine Datenbank ab, etwa “Alle Kunden aus Berlin”.
• E-Mail: Der Agent verschickt E-Mails an feste Empfänger.
• API-Aufrufe: Der Agent ruft externe Dienste auf, etwa eine Wetter-API oder ein CRM-System.

Welche Tools ein Agent braucht, hängt vom Anwendungsfall ab. Ein Recherche-Agent braucht Websuche und Dateizugriff, ein Buchhaltungs-Agent braucht Datenbankzugriff und einen E-Mail-Client. Mehr dazu im Artikel Tool-Calling.

Gedächtnis

Das Gedächtnis speichert Informationen über mehrere Schritte und über mehrere Aufgaben hinweg. Es gibt zwei Arten:

• Kurzfristiges Gedächtnis: Speichert den aktuellen Kontext, also was in dieser Aufgabe schon passiert ist. Beispiel: Der Agent hat bereits drei Artikel gelesen und merkt sich die wichtigsten Punkte.
• Langfristiges Gedächtnis: Speichert Informationen über Aufgaben hinweg. Beispiel: Der Agent merkt sich, welche Quellen Du in der Vergangenheit als vertrauenswürdig eingestuft hast.

Ohne Gedächtnis würde der Agent bei jedem Schritt vergessen, was er vorher getan hat. Er würde im Kreis laufen oder Ergebnisse doppelt sammeln.

Planung

Die Planung teilt ein Ziel in einzelne Schritte auf und passt sich an, wenn etwas schiefgeht. Beispiel: Das Ziel ist “Erstelle eine Marktanalyse zu lokaler KI”. Der Agent plant:

1. Suche nach aktuellen Artikeln.
2. Lese die drei wichtigsten.
3. Fasse sie zusammen.
4. Speichere die Zusammenfassung.

Wenn bei Schritt 1 keine guten Artikel gefunden werden, passt der Plan an: “Suche mit anderen Keywords” oder “Frage den Nutzer nach Quellen.” Diese Anpassung ist entscheidend. Ohne Planung wäre der Agent nur ein Chatbot, der zufällig Tools aufruft.

Menschliche Freigabe

Nicht jede Aktion sollte der Agent selbstständig ausführen. Besonders bei kritischen Schritten, wie dem Versand einer E-Mail oder dem Löschen einer Datei, ist eine menschliche Freigabe sinnvoll. Der Agent führt die Aktion nur aus, wenn Du zustimmst. Das verhindert Fehler und schafft Vertrauen. In den meisten Frameworks kannst Du festlegen, welche Tools automatisch laufen und welche eine Freigabe brauchen.

Beispielablauf: Ein KI-Agent in Aktion

Hier ist ein detaillierter Ablauf für einen Agenten, der eine wöchentliche Marktanalyse zum Thema “lokale KI” erstellt.

Schritt 1: Ziel entgegennehmen. Du sagst dem Agenten: “Erstelle eine Zusammenfassung der wichtigsten Nachrichten zu lokaler KI dieser Woche.” Der Agent versteht das Ziel und legt es als Ausgangspunkt fest.

Schritt 2: Plan erstellen. Der Agent plant die Schritte: erst suchen, dann lesen, dann zusammenfassen, dann speichern, dann benachrichtigen. Er legt die Reihenfolge fest und entscheidet, welche Tools er nutzt.

Schritt 3: Websuche. Der Agent ruft das Websuche-Tool auf mit der Anfrage “lokale KI Nachrichten diese Woche”. Er erhält eine Liste von Artikeln mit Titeln, URLs und kurzen Beschreibungen.

Schritt 4: Artikel auswählen. Der Agent bewertet die Ergebnisse. Er sortiert nach Aktualität und Relevanz. Er wählt die drei vielversprechendsten Artikel aus. Hier nutzt er sein Reasoning, also die Fähigkeit, logisch zu urteilen.

Schritt 5: Artikel lesen. Der Agent ruft für jeden Artikel das Lese-Tool auf, etwa einen Web-Scraper oder eine URL-Fetch-Funktion. Er speichert den Text im Kurzzeitgedächtnis.

Schritt 6: Zusammenfassen. Der Agent fasst die drei Artikel zusammen. Er achtet auf die wichtigsten Punkte, neue Entwicklungen und wiederkehrende Themen. Das Sprachmodell erzeugt die Zusammenfassung.

Schritt 7: Speichern. Der Agent schreibt die Zusammenfassung in eine Datei, etwa marktanalyse-2026-08-23.md. Er nutzt dafür das Dateizugriffs-Tool.

Schritt 8: Benachrichtigen. Der Agent verschickt eine E-Mail an Dein Team mit dem Hinweis, dass die neue Analyse verfügbar ist. Hier könnte eine menschliche Freigabe eingeschaltet sein, bevor die E-Mail wirklich rausgeht.

Schritt 9: Bericht erstatten. Der Agent meldet zurück: “Aufgabe erledigt, Zusammenfassung gespeichert unter Pfad X, E-Mail verschickt an Team.”

Dieser Ablauf wäre mit einem reinen Chatbot nicht möglich, weil der Chatbot nicht selbst recherchiert, keine Dateien speichert und keine E-Mails verschickt. Der Agent nutzt Tools, Gedächtnis und Planung, um das Ziel zu erreichen.

Arten von KI-Agenten

Es gibt verschiedene Architekturen, wie ein Agent arbeiten kann. Die wichtigsten Arten:

ReAct (Reasoning and Acting)

Der Agent denkt, handelt, beobachtet das Ergebnis und denkt weiter. Er wechselt zwischen Reasoning und Aktion. Beispiel: Der Agent überlegt “Ich brauche aktuelle Daten”, ruft die Websuche auf, liest das Ergebnis, überlegt “Das reicht noch nicht, suche genauer”, und sucht erneut. ReAct ist die häufigste Architektur für einfache Agenten.

Plan-and-Execute

Der Agent erstellt zuerst einen vollständigen Plan und führt ihn dann Schritt für Schritt aus. Beispiel: Der Agent plant “1. Suchen, 2. Lesen, 3. Zusammenfassen, 4. Speichern” und arbeitet die Liste ab. Vorteil: Der Plan ist strukturiert. Nachteil: Wenn sich Bedingungen ändern, muss der Plan angepasst werden, was aufwendig sein kann.

Multi-Agent

Mehrere Agenten arbeiten zusammen, jeder mit einer Rolle. Beispiel: Ein Recherche-Agent sucht Artikel, ein Schreib-Agent fasst sie zusammen, ein Review-Agent prüft die Zusammenfassung auf Fehler. Multi-Agent-Systeme sind flexibler bei komplexen Aufgaben, aber schwerer zu koordinieren.

Autonomous

Der Agent arbeitet weitgehend ohne menschliches Eingreifen. Er trifft Entscheidungen selbst, nutzt Tools ohne Freigabe und passt Pläne eigenständig an. Beispiel: Ein Agent, der jeden Morgen automatisch eine Analyse erstellt und verschickt, ohne dass Du ihn startest. Autonomie ist mächtig, aber riskant, weil Fehler unentdeckt bleiben können.

Praxisrelevanz: Wann ist ein KI-Agent nützlich?

Agenten eignen sich für Aufgaben, die mehrere Schritte und Entscheidungen erfordern. Konkrete Beispiele:

• Recherche: Der Agent sucht mehrere Quellen, liest, vergleicht und fasst zusammen. Beispiel: “Finde die drei aktuellsten Artikel zu Thema X und vergleiche die Aussagen.”
• Datenverarbeitung: Der Agent fragt eine Datenbank ab, berechnet Kennzahlen und erstellt einen Bericht. Beispiel: “Erstelle einen Umsatzbericht für Q3 aus der Datenbank.”
• E-Mail-Automatisierung: Der Agent liest eingehende E-Mails, sortiert nach Wichtigkeit und entwirft Antworten. Beispiel: “Sortiere die Support-Mails und entwirf Antworten für einfache Anfragen.”
• Programmierhilfe mit Dateizugriff: Der Agent liest Deinen Code, findet Fehler und schreibt Fixes. Beispiel: “Durchsuche das Projekt nach ungenutzten Imports und entferne sie.”
• Workflow-Verwaltung: Der Agent koordiniert mehrere Schritte über Systeme hinweg. Beispiel: “Wenn ein neues Ticket im System landet, weise es dem richtigen Mitarbeiter zu und benachrichtige ihn.”

Ein einfacher Chatbot reicht, um eine Frage zu beantworten. Ein Agent ist sinnvoll, wenn Du möchtest, dass er eigenständig recherchiert, Ergebnisse prüft und Dich über Zwischenschritte informiert. Wenn Deine Aufgabe in einem Schritt erledigt ist, brauchst Du keinen Agenten.

Typische Stolpersteine bei KI-Agenten

Agenten sind mächtig, aber fehleranfällig. Hier sind die häufigsten Probleme und wie Du sie vermeidest.

1. Halluzinationen bei Tool-Aufrufen. Das Modell erfindet Tool-Namen oder Parameter. Beispiel: Der Agent ruft ein Tool send_email auf, das gar nicht existiert, oder übergibt eine erfundene E-Mail-Adresse. Abhilfe: Begrenze die Tools auf eine klare Liste und validiere alle Parameter, bevor das Tool läuft.

2. Endlosschleifen. Der Agent ruft dasselbe Tool immer wieder auf, weil er denkt, das Ergebnis sei noch nicht gut genug. Beispiel: Er sucht zehnmal nach demselben Thema, ohne neue Keywords zu probieren. Abhilfe: Setze ein Limit für Tool-Aufrufe und eine maximale Anzahl von Schritten.

3. Ungeprüfte kritische Aktionen. Der Agent verschickt E-Mails oder löscht Dateien ohne Freigabe. Beispiel: Er löscht eine Datei, weil er denkt, sie sei obsolet, aber sie war wichtig. Abhilfe: Aktiviere menschliche Freigaben für alle zerstörerischen oder nach außen wirkenden Aktionen.

4. Zu viele Tools auf einmal. Wenn ein Agent 20 Tools hat, verliert er den Überblick und wählt falsche. Beispiel: Er nutzt die Datenbankabfrage, wenn eigentlich die Websuche gemeint war. Abhilfe: Starte mit drei bis fünf Tools und erweitere schrittweise.

5. Fehlendes Gedächtnis. Ohne Gedächtnis vergisst der Agent Zwischenergebnisse und fängt bei jedem Schritt von vorne an. Beispiel: Er liest denselben Artikel zweimal. Abhilfe: Nutze ein Kurzzeitgedächtnis für die aktuelle Aufgabe und prüfe, ob ein Ergebnis schon vorhanden ist.

6. Sicherheitsrisiken durch Netzwerkzugriff. Ein Agent mit Websuche und API-Zugriff kann auf schädliche Seiten zugreifen oder sensible Daten nach außen senden. Beispiel: Er liest eine bösartige Seite, die ihn anweist, Daten an eine fremde URL zu schicken. Abhilfe: Nutze Sandboxing, beschränke Netzwerkzugriffe und filtere Quellen.

7. Unklare Ziele. Wenn die Aufgabe vage ist, plant der Agent schlecht. Beispiel: “Mach was mit den Daten” führt zu keinem sinnvollen Ergebnis. Abhilfe: Formuliere Ziele so konkret wie möglich, mit klaren Erfolgskriterien.

Hardware, Kosten und Sicherheit bei KI-Agenten

Hardware

Agenten können auf lokaler Hardware laufen, wenn das Modell und die Tools lokal verfügbar sind. Das erfordert einen Rechner mit ausreichend RAM und einer GPU, wenn Du größere Modelle nutzt. Für kleine Modelle wie Llama 3 8B reicht ein moderner Laptop, für größere Modelle brauchst Du dedizierte Hardware. Mehr dazu in KI-Hardware Grundlagen und im Artikel Was ist lokale KI?.

Der Speicherbedarf steigt, wenn der Agent lange Kontexte verarbeitet oder viele Zwischenergebnisse speichert. Auch mehrere Tools gleichzeitig erhöhen die Last, weil jeder Tool-Aufruf Daten hin und her schiebt.

Kosten

Lokale Agenten verursachen keine pro-Aufruf-Kosten wie Cloud-APIs. Du zahlst einmal für die Hardware und Strom. Cloud-basierte Agenten, die Modelle wie GPT-4 nutzen, rechnen pro Token ab. Bei vielen Schritten und langen Kontexten können die Kosten schnell steigen, besonders wenn der Agent mehrere Tool-Aufrufe mit großen Antworten macht.

Eine Faustregel: Für Experimente und kleine Workflows ist die Cloud einfacher. Für regelmäßige Aufgaben mit vertraulichen Daten lohnt sich lokale Hardware.

Sicherheit

Sicherheit ist besonders wichtig, weil Agenten auf Dateien, APIs und Netzwerk zugreifen. Sie können Daten lesen, verändern und versenden. Das macht sie mächtig, aber auch riskant. Wichtige Maßnahmen:

• Tool-Berechtigungen: Gib jedem Tool nur die Rechte, die es braucht. Ein Lesewerkzeug sollte nicht schreiben können.
• Sandboxing: Lass den Agenten in einer isolierten Umgebung laufen, damit er nicht auf das gesamte System zugreifen kann.
• Menschliche Freigaben: Fordere Bestätigung für kritische Aktionen, wie E-Mail-Versand oder Datei-Löschung.
• Quellenfilter: Beschränke Websuche und API-Zugriffe auf vertrauenswürdige Quellen.
• Protokollierung: Lass jeden Tool-Aufruf mitprotokollieren, damit Du nachvollziehen kannst, was der Agent getan hat.

Diese Maßnahmen solltest Du von Anfang an einplanen, nicht erst nach dem ersten Fehler.

Weiterführende Links und Infos zu KI-Agenten

• Chatbot vs. KI-Agent - Wann ein Chatbot reicht und wann ein Agent sinnvoll ist
• Tool-Calling - Wie Modelle Funktionen aufrufen
• Frameworks - Welche Frameworks sich für Agenten eignen
• KI-Agenten Grundlagen - Übersicht aller Grundlagenartikel
• Was ist lokale KI? - Grundlagen zu lokaler KI
• Ollama - Lokale Modelle einfach ausführen
• KI-Hardware Grundlagen - Welche Hardware Du brauchst

FAQ - Typische Fragen zu KI-Agenten

Kann ein KI-Agent auch ohne Cloud laufen?

Ja. Mit lokalen Modellen über Ollama oder vLLM und lokalen Tools kann der Agent vollständig im eigenen Netzwerk arbeiten. Das ist besonders interessant für vertrauliche Daten.

Brauche ich ein besonderes Modell für Agenten?

Nein, aber Modelle mit gutem Tool-Calling und Reasoning sind besser geeignet. Qwen, Llama 3 und Mistral eignen sich für erste Agenten-Experimente. Wichtig ist, dass das Modell Funktionen zuverlässig aufruft und logisch plant.

Wie viele Tools kann ein Agent gleichzeitig nutzen?

Das hängt vom Modell und der Architektur ab. In der Praxis beginnt man mit drei bis fünf Tools und erweitert schrittweise. Zu viele Tools auf einmal verwirren das Modell und führen zu falschen Aufrufen.

Ist ein Agent gefährlich?

Ein Agent mit Netzwerk- und Dateizugriff kann Fehler oder ungewollte Aktionen ausführen. Deshalb sind Sandbox, Berechtigungen und menschliche Freigaben wichtig. Ein Agent ohne Sicherheitsmaßnahmen kann Daten löschen oder sensible Informationen nach außen senden.

Worin unterscheidet sich ein Agent von einem Chatbot?

Ein Chatbot reagiert auf Eingaben und führt ein Gespräch. Ein Agent verfolgt ein Ziel, plant Schritte, nutzt Tools und speichert Ergebnisse. Der Chatbot antwortet, der Agent handelt. Mehr dazu im Artikel Chatbot vs. KI-Agent.

Was ist Tool-Calling genau?

Tool-Calling ist die Fähigkeit eines Modells, Funktionen aufzurufen statt nur Text auszugeben. Beispiel: Statt “Du solltest im Web suchen” sagt das Modell “Rufe das Tool websuche auf mit dem Parameter X”. Das Tool führt die Aktion aus und gibt das Ergebnis zurück.

Was bedeutet MCP?

MCP steht für Model Context Protocol. Es ist ein Standard, der Agenten den Zugriff auf externe Datenquellen und Tools erleichtert, indem es eine einheitliche Schnittstelle definiert. Dadurch müssen Tools nicht für jeden Agenten neu angebunden werden.

Was ist der Unterschied zwischen kurzfristigem und langfristigem Gedächtnis?

Kurzfristiges Gedächtnis speichert den Kontext der aktuellen Aufgabe, etwa bereits gelesene Artikel. Langfristiges Gedächtnis speichert Informationen über Aufgaben hinweg, etwa welche Quellen in der Vergangenheit nützlich waren. Beide sind wichtig, aber unterschiedlich aufwendig zu implementieren.

Welche Frameworks eignen sich für den Einstieg?

Für den Einstieg eignen sich LangGraph, CrewAI und OpenAI-ähnliche Tool-Calling-Implementierungen. Für lokale Agenten helfen Ollama, n8n und selbstgeschriebene Python-Skripte. Eine Übersicht findest Du im Artikel Frameworks.

Wie verhindere ich Endlosschleifen?

Setze ein Limit für Tool-Aufrufe und eine maximale Anzahl von Schritten. Außerdem sollte der Agent nach jedem Tool-Aufruf prüfen, ob das Ergebnis neu ist oder ob er schon dasselbe versucht hat. Ein gutes Gedächtnis hilft hier.

Kann ein Agent mehrere Sprachen?

Ja, wenn das zugrunde liegende Modell mehrsprachig ist. Die meisten modernen Modelle wie Llama 3 und Qwen beherrschen mehrere Sprachen. Die Tools selbst sind sprachunabhängig, aber die Ausgabe des Agenten folgt der Sprache des Modells.

Wie viel Hardware brauche ich für einen lokalen Agenten?

Für kleine Modelle wie Llama 3 8B reicht ein moderner Laptop mit 16 GB RAM. Für größere Modelle brauchst Du eine dedizierte GPU mit ausreichend VRAM. Mehr dazu in den Artikeln KI-Hardware Grundlagen und Was ist lokale KI.

Was kostet der Betrieb eines Agenten?

Lokale Agenten verursachen keine pro-Aufruf-Kosten, Du zahlst nur Hardware und Strom. Cloud-basierte Agenten rechnen pro Token ab, was bei vielen Schritten und langen Kontexten teuer werden kann. Für regelmäßige Aufgaben lohnt sich oft lokale Hardware.

Muss ich jeden Schritt des Agenten bestätigen?

Nein, das ist optional. Die meisten Frameworks erlauben es Dir festzulegen, welche Tools automatisch laufen und welche eine Freigabe brauchen. Für kritische Aktionen wie E-Mail-Versand oder Datei-Löschung ist eine Freigabe empfehlenswert, für harmlose wie Websuche nicht.

Quellen und weiterführende Literatur

• LangGraph Dokumentation
• CrewAI Projektseite
• Ollama Modellbibliothek
• Anthropic: Building Effective Agents
• OpenAI: Function Calling Guide