LLM-Agenten für Anfänger — Multi-Agent Systems verstehen

ChatGPT ist ein Chatbot. Du stellst eine Frage, du bekommst eine Antwort. Fertig. Ein LLM-Agent ist etwas fundamental anderes: Er bekommt ein Ziel, plant eigenständig die Schritte dorthin, nutzt Werkzeuge und arbeitet so lange, bis das Ziel erreicht ist — oder er feststellt, dass er Hilfe braucht.

Der Unterschied klingt subtil, ist aber enorm. Ein Chatbot reagiert. Ein Agent agiert.

Was ist ein LLM-Agent?

Ein LLM-Agent besteht aus drei Kernkomponenten:

1. LLM als "Gehirn": Ein Sprachmodell (GPT-4, Claude, Llama) das Kontext versteht, plant und Entscheidungen trifft
2. Tools als "Hände": Zugriff auf externe Systeme — APIs, Datenbanken, Dateien, andere Services
3. Memory als "Gedächtnis": Kontext über einzelne Interaktionen hinaus — was wurde besprochen, was wurde bereits erledigt, welche Präferenzen hat der Nutzer

Ein einzelner Agent kann bereits mächtig sein: Ein Sales-Agent, der Leads recherchiert, CRM-Daten abfragt und personalisierte E-Mails formuliert. Oder ein Code-Review-Agent, der Pull Requests liest, Fehler identifiziert und Verbesserungsvorschläge schreibt.

Was sind Multi-Agent Systems?

Wenn ein einzelner Agent nicht reicht — weil der Prozess zu komplex ist oder unterschiedliche Expertisen erfordert — kommen Multi-Agent Systems ins Spiel.

Stell dir ein Team vor:

• Recherche-Agent: Sammelt Informationen aus verschiedenen Quellen
• Analyse-Agent: Bewertet und strukturiert die gesammelten Daten
• Schreib-Agent: Formuliert den finalen Output
• Quality-Agent: Prüft das Ergebnis auf Fehler und Konsistenz

Jeder Agent hat seine Stärke, seine eigenen Tools und seinen eigenen Kontext. Ein Orchestrator koordiniert, wer wann dran ist.

3 Patterns, die du kennen solltest

1. Sequential (Kette)

Agent A arbeitet, gibt sein Ergebnis an Agent B weiter, der gibt es an Agent C weiter. Einfach, vorhersagbar, gut für lineare Prozesse.

Beispiel: Recherche → Zusammenfassung → Übersetzung

2. Parallel (Gleichzeitig)

Mehrere Agenten arbeiten gleichzeitig an verschiedenen Teilaufgaben. Ein Aggregator fügt die Ergebnisse zusammen.

Beispiel: 5 Agenten recherchieren jeweils einen Wettbewerber, ein 6. Agent erstellt die Vergleichsmatrix.

3. Hierarchisch (Manager + Worker)

Ein Manager-Agent verteilt Aufgaben an spezialisierte Worker-Agenten und sammelt deren Ergebnisse ein.

Beispiel: Ein Projektmanager-Agent delegiert an Code-Agent, Test-Agent und Dokumentations-Agent.

Wann brauche ich einen Agent vs. einen Chatbot?

Faustregel: Wenn du heute mehr als 3 Klicks oder Tabs brauchst, um eine Aufgabe zu erledigen, ist sie ein Agent-Kandidat.

Worauf achten im Enterprise-Kontext?

LLM-Agenten im Unternehmen sind kein Spielzeug. Drei Themen sind kritisch:

Sicherheit: Agenten haben Zugriff auf Tools und Daten. Jeder Agent braucht klare Berechtigungen — nicht mehr, nicht weniger. Principle of Least Privilege gilt hier genauso wie für menschliche Mitarbeitende.

Kosten: Jeder Agent-Schritt ist ein LLM-Call. Ein Multi-Agent-Workflow mit 20 Schritten kann schnell teuer werden. Token-Optimierung ist Pflicht.

Zuverlässigkeit: Agenten können halluzinieren, sich in Loops verfangen oder falsche Tools aufrufen. Monitoring, Guardrails und Human-in-the-Loop sind nicht optional.

Nächste Schritte

• Agentic Workflows verstehen: Agentic Workflows 2026
• Multi-Agent Architektur tiefer: Multi-Agent Systeme in der Claude-Architektur