KI-Agenten: Wenn das Modell selbst entscheidet

Was ist ein KI-Agent – und was unterscheidet ihn vom einfachen LLM-Aufruf?

Ein einzelner LLM-Aufruf nimmt Input, gibt Output. Das war's. Ein KI-Agent hingegen arbeitet in einer Schleife: er plant einen nächsten Schritt, führt ihn aus (z.B. eine Web-Suche, einen API-Aufruf, eine Datenbankabfrage), bewertet das Ergebnis und plant den übernächsten Schritt – bis das Ziel erreicht ist oder er aufgibt.

Die drei definierenden Eigenschaften eines Agenten:

• Planung: Das Modell zerlegt ein Ziel in Teilschritte und priorisiert sie
• Tool Use: Der Agent hat Werkzeuge (Funktionen) die er aufrufen kann – Suche, Code-Ausführung, APIs
• Gedächtnis: Kontext aus vorherigen Schritten bleibt erhalten und beeinflusst Folgeentscheidungen

Das verbreitetste Muster ist ReAct (Reason + Act): Das Modell denkt laut nach, entscheidet welches Tool es braucht, ruft es auf, bewertet das Ergebnis, denkt weiter. Dieser Zyklus wiederholt sich bis zur Antwort.

KI-Agenten in der Praxis: Was funktioniert, was nicht

Agenten klingen mächtiger als sie oft sind. Die ehrliche Wahrheit aus der Praxis: Agenten sind am zuverlässigsten bei Aufgaben mit klarem Endzustand, begrenztem Tool-Set und einem Modell das gut mit Tool-Use umgehen kann.

Wo Agenten wirklich helfen:

• Recherche-Aufgaben: Mehrere Quellen besuchen, Informationen zusammenführen
• Code-Assistenten: Fehler analysieren, Fix schreiben, Test ausführen, iterieren
• Daten-Pipelines: Quellen befragen, Daten transformieren, in Ziel schreiben

Wo man vorsichtig sein sollte:

• Sehr lange Agentic Loops mit vielen Schritten – Fehler pflanzen sich fort
• Aufgaben ohne klares Abbruchkriterium – der Agent dreht sich im Kreis
• Kleine Modelle (7B) als Planer – zu oft halluzinierte Tool-Aufrufe

Mit n8n lassen sich einfache Agenten-Strukturen visuell bauen – der AI-Agent-Node übernimmt die Schleife, die Tools sind andere Nodes. Für komplexere Szenarien bietet sich LangChain oder direktes API-Coding an.

Agenten mit lokalen Modellen und n8n aufbauen

Lokale LLMs via Ollama unterstützen Tool-Use wenn das Modell explizit dafür trainiert wurde. Für Agenten empfehle ich:

• Llama 3.1 8B/70B – hervorragende Tool-Use-Fähigkeiten
• Qwen 2.5 – sehr stark bei strukturierten Tool-Aufrufen
• Mistral Nemo – gut für einfache Agenten

Für gutes Prompt Engineering im Agenten-Kontext: System-Prompt muss das verfügbare Tool-Set klar beschreiben, inkl. wann welches Tool zu benutzen ist. Ohne klare Tool-Beschreibungen halluziniert der Agent Tool-Aufrufe die nicht existieren.

Gut kombiniert mit RAG als zusätzlichem Tool: Der Agent kann sowohl im Web als auch in der eigenen Wissensbasis suchen – und entscheidet selbst welche Quelle für die Frage relevanter ist.