Was ist ein agentischer Workflow? Wie man einen baut, der plant, handelt und bewertet

Ein agentischer Workflow ist ein mehrstufiges System, bei dem ein Sprachmodell mehr tut als nur einmal zu antworten: Es plant, wählt Werkzeuge aus, führt Aktionen aus, überprüft das Ergebnis und entscheidet, was als Nächstes zu tun ist, bis die Aufgabe abgeschlossen ist. In der Praxis bedeutet das, eine LLM-Argumentationsebene mit Tool-Aufrufen, einer echten Ausführungsumgebung und einer Evaluationsschleife zu kombinieren. Wenn Sie Coding-Agents, Recherche-Agents oder interne Automatisierungen entwickeln, die sich während der Aufgabe anpassen müssen, ist dies in der Regel die Architektur, die Sie tatsächlich aufbauen.

Was ist ein agentischer Workflow?

Ein agentischer Workflow ist das Muster hinter KI-Systemen, die sich durch eine Aufgabe bewegen können, anstatt bei der Textgenerierung stehen zu bleiben. Anstatt das Modell nach einer Antwort zu fragen und diese an den Benutzer zurückzugeben, lassen Sie das Modell innerhalb einer kontrollierten Schleife operieren:

1. Das Ziel und den aktuellen Zustand lesen.
2. Den nächsten Schritt planen.
3. Ein Tool aufrufen oder Code ausführen.
4. Das Ergebnis beobachten.
5. Bewerten, ob die Aufgabe abgeschlossen ist.
6. Bei Bedarf wiederholen.

Dies unterscheidet sich von einem festen Workflow, bei dem jeder Schritt im Voraus im Code festgelegt ist. In einem festen Workflow legen Sie den Pfad im Voraus fest. In einem agentischen Workflow entscheidet das Modell, welche Aktion als Nächstes ausgeführt wird, innerhalb der von Ihnen vorgegebenen Grenzen.

Diese Unterscheidung ist wichtig, weil viele reale Entwickleraufgaben nicht linear sind. Ein Coding-Agent muss möglicherweise Dateien überprüfen, bevor er weiß, welchen Test er ausführen soll. Ein Recherche-Agent muss möglicherweise zweimal suchen, weil die erste Quelle unvollständig war. Ein Browser-Agent muss sich möglicherweise von einem fehlgeschlagenen Login oder einer geänderten Seitenstruktur erholen. Das sind Workflow-Probleme, die jedoch Anpassung erfordern.

Wie unterscheidet sich ein agentischer Workflow von einem KI-Agent?

Oft werden die beiden Begriffe synonym verwendet, aber es ist nützlicher, sie zu trennen:

• Ein agentischer Workflow ist das Ausführungsmuster.
• Ein KI-Agent ist das Produkt oder System, das auf diesem Muster aufbaut.

Sie können einen eng abgegrenzten agentischen Workflow haben, der nur Support-Tickets bearbeitet, oder einen breiteren KI-Agenten, der Planung, Tool-Nutzung, Speicher und Genehmigungsprüfpunkte über viele Aufgaben hinweg koordiniert.

Wenn Sie eine praktische Regel wollen: Verwenden Sie Workflow, wenn Sie über Architektur und Kontrollfluss sprechen, und Agent, wenn Sie über das benutzerorientierte System sprechen.

Was sind die Kernbestandteile eines agentischen Workflows?

Die meisten Produktionssysteme enden mit denselben fünf Teilen.

1. Planer

Der Planer verwandelt eine breite Anweisung in die nächste konkrete Aktion. Manchmal ist dies ein expliziter Planungsschritt, der eine Aufgabenliste ausgibt. Manchmal ist er implizit und findet innerhalb jedes Tool-Aufruf-Durchlaufs statt. In jedem Fall benötigt das Modell genügend Kontext, um zu entscheiden, ob es lesen, schreiben, suchen, ausführen oder anhalten soll.

Gute Planung bedeutet nicht, für jede Anfrage eine lange Gliederung zu erstellen. Es bedeutet, den nächsten Schritt nachvollziehbar zu halten. Für kurze Aufgaben reicht eine einstufige Planung. Für längere Aufgaben wie Repositoriums-Refactorings, Browser-Automation oder Dokumentenprüfung reduziert eine explizite Planung unnötiges Hin und Her.

2. Tool-Schicht

Tools sind die Schnittstelle des Workflows zur Außenwelt. Eine starke Tool-Schicht ist in der Regel eng und vorhersagbar. Zum Beispiel:

• read_file(path)
• write_file(path, content)
• search_files(query)
• run_command(cmd)
• fetch_url(url)

Kleine Tools sind für das Modell einfacher korrekt aufzurufen, einfacher zu protokollieren und einfacher zu sichern. Große „Alles-in-einem"-Tools wirken zunächst bequem, werden aber schwer zu debuggen, da Sie nicht unterscheiden können, ob Fehler von der Modellentscheidung, der Tool-Implementierung oder dem dahinterliegenden externen System herrühren.

3. Ausführungslaufzeit

Sobald das Modell entscheidet zu handeln, muss etwas die Aktion ausführen. Für jeden Workflow, der Dateien schreibt, Pakete installiert, Code ausführt oder Browsersitzungen öffnet, benötigt diese Laufzeit Isolierung.

Hier kommt eine Sandbox ins Spiel. Novita Agent Sandbox ist für diese Ausführungsebene konzipiert: eine separate Umgebung, in der Agent-Aktionen ausgeführt werden können, ohne das Host-System direkt zu berühren. Dies ist der Unterschied zwischen „das Modell hat einen Befehl vorgeschlagen" und „der Workflow hat diesen Befehl sicher ausgeführt".

4. Zustand und Speicher

Ein agentischer Workflow benötigt einen Arbeitsspeicher über Schritte hinweg. Dazu gehören in der Regel:

• Gesprächsverlauf
• Tool-Ergebnisse
• Zwischendateien
• Ausführungsprotokolle
• ein Notizblock oder kurzer Plan

Ohne Zustand wird jeder Schritt zu einer zustandslosen Prompt-Entwicklung, und das System bricht zusammen, sobald die Aufgabe mehr als eine Aktion umfasst.

5. Evaluationsschleife

Dies ist der Teil, den viele Teams zu spät hinzufügen. Der Workflow benötigt eine Möglichkeit, zu beurteilen, ob ein Schritt erfolgreich war und ob die Aufgabe erledigt ist. In einem Coding-Workflow könnte dies bedeuten, dass Tests bestehen. In einem Recherche-Workflow könnte es bedeuten, dass die Antwort genügend zuverlässige Quellen zitiert. In einem Browser-Workflow könnte es bedeuten, dass der erwartete UI-Zustand sichtbar ist.

Ohne Evaluierung wird „agentisch" oft zu „ruft weiterhin Tools auf, bis das Zeitlimit erreicht ist".

Warum Planung beim Aufbau agentischer Workflows wichtig ist

Der größte Fehler beim Aufbau agentischer Workflows ist die Annahme, dass das Modell alles bei jedem Durchlauf spontan improvisieren sollte.

Dies erzeugt in der Regel drei Probleme:

• Das Modell greift wiederholt auf dieselben Dateien oder URLs zu.
• Die Tool-Nutzung wird verrauscht und teuer.
• Der Workflow verliert eine klare Abbruchbedingung.

Ein besseres Muster ist eine leichtgewichtige Planung plus fundierte Ausführung. Lassen Sie das Modell die nächste Aktion entscheiden, aber es soll dies mit einer expliziten Aufgabe, einem sichtbaren aktuellen Zustand und einem kleinen Satz erlaubter Tools tun. Dies bewahrt die Flexibilität dort, wo sie hilft, und entfernt sie dort, wo sie es nicht tut.

In Coding-Workflows sieht die Planung oft so aus:

1. Identifizieren der beteiligten Dateien.
2. Lesen der aktuellen Implementierung.
3. Entscheiden der minimalen Änderung.
4. Durchführen der Bearbeitung.
5. Ausführen der Verifizierung.
6. Entweder anhalten oder reparieren.

Dies ist immer noch agentisch, da das Modell abzweigen kann, wenn das Repositorium es überrascht. Aber es wandert nicht umher.

Wie sollte die Tool-Nutzung in einem agentischen Workflow funktionieren?

Die Tool-Nutzung sollte explizit, typisiert und beobachtbar sein.

Wenn Ihr Modell Funktionsaufrufe unterstützt, nutzen Sie diese. Novitas LLM-API stellt einen OpenAI-kompatiblen Endpunkt bereit und dokumentiert Funktionsaufrufe direkt, was der sauberste Weg ist, dem Modell die Wahl zwischen Tools zu ermöglichen, ohne sich auf sprödes String-Parsing zu verlassen.

Einige Regeln machen die Tool-Nutzung wesentlich zuverlässiger:

• Halten Sie Tool-Namen konkret.
• Verwenden Sie Schemas mit erforderlichen Feldern.
• Geben Sie vollständige Ergebnisse zurück, einschließlich Fehlern.
• Protokollieren Sie jeden Aufruf, jedes Argument und jedes Ergebnis.
• Machen Sie destruktive Aktionen selten und leicht zu kontrollieren.

Die Tool-Schicht sollte auch reale Grenzen widerspiegeln. Geben Sie einem Coding-Agenten zum Beispiel kein Mega-Tool namens edit_repo_and_run_tests. Teilen Sie die Lese-, Schreib- und Ausführungsschritte auf, damit das Modell sich erholen kann, wenn etwas fehlschlägt.

Warum benötigt die Code-Ausführung eine Sandbox?

Ein agentischer Workflow, der niemals etwas ausführt, kann oft innerhalb eines gewöhnlichen App-Servers bleiben. Sobald er jedoch Shell-Befehle ausführt, Abhängigkeiten installiert, heruntergeladene Dateien verarbeitet oder das offene Web durchsucht, benötigen Sie Isolierung.

Sandboxing löst zwei verschiedene Probleme:

• Sicherheit: generierter Code und Tool-Ergebnisse können falsch, feindselig oder einfach unvorhersehbar sein.
• Zustandsbehaftetheit: mehrstufige Aufgaben benötigen einen persistenten Arbeitsbereich, in dem Dateien, Pakete und Ausführungsverlauf über mehrere Durchläufe hinweg erhalten bleiben.

Für viele Teams ist der zweite Punkt genauso wichtig wie der erste. Ein Workflow, der Code bearbeitet, Tests ausführt, den Fehler behebt und die Verifizierung erneut durchführt, ist nicht möglich, wenn jeder Schritt mit einem sauberen Rechner beginnt.

Deshalb ist die praktische Architektur in der Regel:

• LLM-API für Planung und Tool-Auswahl
• Sandbox-Laufzeit für Ausführung und Persistenz

Novita passt zu dieser Aufteilung: Die LLM-API fungiert als Planungs- und Tool-Aufruf-Schicht, während Agent Sandbox die eigentliche Ausführungsumgebung bereitstellt.

Wie bewertet man einen agentischen Workflow?

Die Evaluierung muss auf zwei Ebenen erfolgen.

Schritt-Evaluierung

Hat die letzte Aktion funktioniert?

Beispiele:

• Wurde der Befehl erfolgreich beendet?
• Hat die API gültiges JSON zurückgegeben?
• Wurde die erwartete Datei erstellt?
• Enthielt die Browserseite das Zielelement?

Aufgaben-Evaluierung

Hat der Workflow das Problem des Benutzers gelöst?

Beispiele:

• Bestehen die Tests nach der Code-Änderung?
• Beantwortet die Zusammenfassung die Recherchefrage mit Belegen?
• Hat die Automatisierung die Transaktion ohne manuelle Bereinigung abgeschlossen?

Starke Workflows verwenden beide. Wenn Sie nur das Endergebnis auswerten, übersehen Sie offensichtliche Fehlersignale während der Ausführung. Wenn Sie nur Schritte bewerten, kann der Workflow eine lange Reihe lokal gültiger Aktionen ausführen und dennoch die eigentliche Aufgabe nicht erfüllen.

Eine praktische Architektur für den Aufbau agentischer Workflows

Hier ist die Architektur, mit der die meisten Teams beginnen sollten:

1. Eine Benutzeranfrage gelangt in Ihre App.
2. Ihr Controller sendet das Ziel, den Zustand und die verfügbaren Tools an ein LLM.
3. Das LLM gibt entweder eine direkte Antwort oder einen Tool-Aufruf zurück.
4. Ihr Controller führt das Tool innerhalb einer Sandbox oder einer anderen kontrollierten Laufzeit aus.
5. Das Tool-Ergebnis wird an den Gesprächsverlauf angehängt.
6. Ein Evaluator prüft auf Abschluss, Fehler oder Genehmigungshürden.
7. Die Schleife wird fortgesetzt, bis der Workflow abgeschlossen oder blockiert ist.

Diese Controller-Schleife kann einfach sein. In vielen Fällen reicht ein einzelner Orchestrierungsprozess aus. Sie benötigen am Anfang kein Multi-Agent-System. Beginnen Sie mit einem Planer, einigen klar definierten Tools, einer Sandbox-Laufzeit und einem klaren Evaluator.

Beispiel: Ein agentischer Workflow-Controller in Python

Das folgende Beispiel zeigt die Form der Steuerungsschleife. Es verwendet Novitas OpenAI-kompatible API für Tool-Aufrufe. Die Ausführungsfunktionen müssen Sie selbst gegen Ihre eigene Laufzeit oder Sandbox implementieren.

import json
import os
from openai import OpenAI

client = OpenAI(
    base_url="https://api.novita.ai/openai",
    api_key=os.environ["NOVITA_API_KEY"],
)

tools = [
    {
        "type": "function",
        "function": {
            "name": "read_file",
            "description": "Read a file from the workspace",
            "parameters": {
                "type": "object",
                "properties": {"path": {"type": "string"}},
                "required": ["path"],
            },
        },
    },
    {
        "type": "function",
        "function": {
            "name": "run_command",
            "description": "Run a shell command in the sandbox",
            "parameters": {
                "type": "object",
                "properties": {"cmd": {"type": "string"}},
                "required": ["cmd"],
            },
        },
    },
]


def read_file(path: str) -> str:
    # Implement this against your own workspace or sandbox filesystem.
    raise NotImplementedError


def run_command(cmd: str) -> str:
    # Implement this against your sandbox runtime.
    raise NotImplementedError


dispatch = {
    "read_file": read_file,
    "run_command": run_command,
}


def run_workflow(task: str, model: str) -> str:
    messages = [
        {
            "role": "system",
            "content": (
                "You are a workflow controller. Use tools when needed, "
                "check results after each action, and stop when the task is complete."
            ),
        },
        {"role": "user", "content": task},
    ]

    while True:
        response = client.chat.completions.create(
            model=model,
            messages=messages,
            tools=tools,
            tool_choice="auto",
        )

        message = response.choices[0].message
        messages.append(message)

        if not message.tool_calls:
            return message.content

        for call in message.tool_calls:
            fn = dispatch[call.function.name]
            args = json.loads(call.function.arguments)
            result = fn(**args)
            messages.append(
                {
                    "role": "tool",
                    "tool_call_id": call.id,
                    "content": result,
                }
            )

Dies ist bewusst minimalistisch gehalten. In der Produktion würden Sie auch hinzufügen:

• Wiederholungsrichtlinie für temporäre Fehler
• Zeitüberschreitungen und Budgetgrenzen
• menschliche Genehmigung für sensible Aktionen
• strukturierte Schrittprotokolle
• einen Aufgaben-Evaluator vor dem endgültigen Abschluss

Welches Modell sollten Sie als Planer verwenden?

Für einen agentischen Workflow benötigt das Planermodell nicht nur rohe Intelligenz. Es benötigt die richtige Form:

• zuverlässige Tool-Aufrufe
• stabiles Langkontext-Verhalten
• starke Befolgungsfähigkeit von Anweisungen
• vorhersagbare Latenz bei mehreren Durchläufen

Wenn Sie auf Novita einen Startpunkt mit offenen Gewichten wünschen, ist Qwen3 Coder 30B A3B Instruct eine praktische Option für Workflow-Planung und Coding-orientierte Tool-Nutzung. Novitas aktuelle Modellseite listet OpenAI-kompatiblen Zugriff, Funktionsaufruffunktionen, strukturierte Ausgabeunterstützung und ein gehostetes Kontextfenster von 160K auf. Für viele interne Automatisierungs- und Codierungsaufgaben reicht dies aus, um eine ernsthafte erste Version zu bauen, bevor Sie zu einem größeren oder spezialisierteren Planer wechseln.

Das richtige Modell hängt dennoch von der Aufgabe ab. Wählen Sie für breite, argumentationsintensive Workflows zuerst nach Planungsqualität. Bei Automatisierung mit hohem Volumen können Latenz und Kosten genauso wichtig sein wie die Benchmark-Stärke.

Häufige Fehlermodi in agentischen Workflows

Die meisten Fehler sind nicht dramatisch. Sie sind repetitiv und teuer.

Übermäßige Tool-Nutzung

Wenn jede Fähigkeit zu einer eigenen Remote-Abhängigkeit wird, verbringt der Workflow mehr Zeit mit Koordination als mit nützlicher Arbeit.

Schwache Abbruchregeln

Wenn das System nie weiß, wann „erledigt" wahr ist, generiert es weiterhin einen weiteren Schritt.

Schlechte Fehlerbehandlung

Wenn Tools vage Nachrichten wie „fehlgeschlagen" anstelle von umsetzbaren Ausgaben zurückgeben, kann das Modell nicht wiederherstellen.

Keine Sandbox-Grenze

Der Workflow mag in der Entwicklung funktionieren, wird aber unsicher, sobald er echte Dateien, Berechtigungsnachweise oder externe Systeme berührt.

Kein Evaluator

Der Agent wirkt beschäftigt, beweist aber nie, dass die Aufgabe korrekt abgeschlossen wurde.

Wann sollten Sie keinen agentischen Workflow verwenden?

Bauen Sie keinen nur, weil der Begriff populär ist.

Sie benötigen wahrscheinlich keinen agentischen Workflow, wenn:

• es sich um eine einmalige Generierung handelt
• der Pfad festgelegt und selten ändert
• ein herkömmliches Programm jeden Schritt kostengünstig entscheiden kann
• keine Notwendigkeit für Tool-Nutzung oder Ausführung besteht

Wenn Ihre App beispielsweise immer eine Formulareingabe nimmt, einen Prompt aufruft und eine formatierte E-Mail zurückgibt, ist ein gewöhnlicher LLM-Workflow einfacher und besser.

Agentische Workflows zahlen sich aus, wenn die Umgebung das System überraschen kann und das System dennoch weitermachen muss.

Wenn Sie einen Startpunkt mit langem Kontext wünschen, vergleichen Sie Macaron V1 Tall Quick Start auf Novita AI und Qwen3.8-Max auf Novita AI.

FAQ

Ist ein agentischer Workflow dasselbe wie Funktionsaufrufe?

Nein. Funktionsaufrufe sind ein Mechanismus innerhalb des Workflows. Der vollständige Workflow benötigt auch Kontrollfluss, Zustand, Ausführung und Evaluierung.

Benötige ich mehrere Agenten, um agentische Workflows zu bauen?

Nein. Die meisten Teams sollten mit einer Controller-Schleife und einigen Tools beginnen. Multi-Agent-Designs sind später nützlich, aber sie sind nicht der Standard-Startpunkt.

Was ist die wichtigste Sicherheitskontrolle?

Für Workflows, die Code ausführen oder externe Systeme berühren, ist die wichtigste Kontrolle eine isolierte Ausführungsumgebung in Kombination mit engen Tool-Berechtigungen.

Was ist der einfachste produktionsreife Stack?

Ein guter erster Stack ist: eine OpenAI-kompatible LLM-API, ein kleines Tool-Register, eine Sandbox-Laufzeit und ein Evaluator, der entscheiden kann, wann die Aufgabe tatsächlich erledigt ist.

Empfohlene Artikel

• Was sind Coding-Agents? Wie sie funktionieren und wie man einen baut
• Was ist eine KI-Agent-Sandbox?
• Agent vs Workflow: Hauptunterschiede und praktische Abwägungen