Agentic AI Patterns

Vom Chatbot zum Agent

Du hast bisher mit LLMs als Chatbots gearbeitet: Du stellst eine Frage, das Modell antwortet. Ein Hin und Her. Aber was, wenn das Modell selbstständig eine komplexe Aufgabe lösen könnte -- mit mehreren Schritten, Werkzeugen und Entscheidungen?

Genau das ist der Sprung vom Chatbot zum AI Agent. Ein Agent ist kein passiver Antwortgeber mehr. Er ist ein System, das eigenständig plant, handelt und aus Ergebnissen lernt -- in einer Schleife, bis die Aufgabe erledigt ist.

Was macht einen AI Agent aus?

Ein AI Agent hat drei Kern-Fähigkeiten, die ihn vom einfachen Chatbot unterscheiden:

1. Denken (Reasoning)

Der Agent analysiert die Aufgabe und entwickelt einen Plan. Er nutzt das Reasoning des LLMs, um die nächsten Schritte zu bestimmen. Das ist mehr als eine einfache Antwort -- es ist strategisches Denken.

2. Handeln (Acting)

Der Agent kann Tools aufrufen: APIs abfragen, Dateien lesen, Datenbanken durchsuchen, Code ausführen. Er beschränkt sich nicht auf Text, sondern interagiert mit der realen Welt.

3. Beobachten (Observing)

Nach jeder Aktion wertet der Agent das Ergebnis aus. Hat der API-Call funktioniert? Ist die Information korrekt? Muss der Plan angepasst werden? Diese Feedback-Schleife ist das, was einen Agent wirklich intelligent macht.

Warum Agents jetzt relevant sind

Drei Entwicklungen machen Agentic AI 2026 zum Mainstream:

• Bessere Reasoning-Modelle -- Claude Opus 5, GPT-5.6 Sol und Gemini 3.1 Pro können komplexe, mehrstufige Aufgaben zuverlässig planen
• Tool Use / Function Calling -- LLMs können strukturiert externe Tools aufrufen, nicht nur Text generieren
• Größere Context Windows -- Mit 1M+ Tokens können Agents umfangreiche Aufgaben im Kontext behalten

Drei Wege zum Ziel

Wenn du ein Software-Projekt planst, stehst du vor einer grundsätzlichen Entscheidung: Wie viel Rolle soll die KI spielen? Es gibt drei Ansätze — und keiner ist per se besser:

1. Du baust selbst — klassische Entwicklung

Das Team implementiert klassisch: Backend, API, Frontend, Tests, Deployment. KI unterstützt nur punktuell (Copilot, Code-Reviews). Volle Kontrolle, aber der höchste Zeitaufwand.

Wann sinnvoll: Hoch-regulierte Systeme (Medizin, Finanzen), Echtzeit-Anforderungen unter 50ms, deterministische Logik zwingend erforderlich.

2. Ein Agent baut für dich — KI als Entwickler

Du schreibst eine Spezifikation oder agents.md, der Agent baut Code, Tests und Infrastruktur. Du reviewst und deployst. Stunden statt Wochen.

Wann sinnvoll: Klare Anforderungen oder Spec vorhanden, Standard-Patterns (REST-APIs, CRUD), Human-in-the-Loop bei Review und Deploy.

3. Der Agent IST das Produkt — KI als Endprodukt

Der Agent läuft autonom als Teil deines Produkts: Kunden-Chatbot, Support-Agent, Monitoring-System. Hier baust du nicht mit KI, sondern aus KI.

Wann sinnvoll: Konversations-Use-Cases (Support, Beratung), Automatisierungen die 24/7 laufen sollen, Aufgaben die natürliche Sprache erfordern.

Was dich in diesem Modul erwartet

• Das ReAct Pattern -- Die grundlegende Think-Act-Observe-Schleife, die fast alle Agents nutzen
• Tool Use & Function Calling -- Wie Agents konkret mit der Außenwelt interagieren
• Plan-and-Execute -- Wie du mit zwei Modellen 90% Kosten sparen kannst
• Guardrails & Realitätscheck -- Warum Agents schiefgehen können und wie du das verhinderst

Lass uns starten -- mit dem Pattern, das alles zusammenhält: ReAct.

Reflektieren

Agentic AI Patterns geben dir ein Repertoire an Architekturentscheidungen -- von ReAct über Tool Use und Plan-and-Execute bis zu Guardrails. Das richtige Pattern für den richtigen Use Case zu wählen, ist eine Kernkompetenz. Los geht es mit dem ReAct-Pattern.