Lösungen für
Bitte auswählen
Web-App testen
ki-orchestrierung

Agentic Workflows vs. Agenten — wann fest, wann frei

Redaktion ·

„Agentic Workflow” und „Agent” werden oft synonym benutzt — sind aber zwei verschiedene Dinge. Der Unterschied entscheidet darüber, wie zuverlässig dein System läuft und wie viel Kontrolle du behältst.

Anthropic, die Firma hinter dem Modell Claude, hat dafür eine klare Trennlinie gezogen. Und genau die schauen wir uns hier an.

Die zwei Begriffe — kurz und sauber

Stell dir vor, du baust ein System, das mehrere KI-Schritte hintereinander ausführt. Es gibt zwei grundsätzlich verschiedene Wege, das zu tun.

Workflows sind Systeme, in denen Sprachmodelle und Werkzeuge über fest verdrahtete Code-Pfade gesteuert werden. Du als Entwickler legst vorher fest: erst Schritt A, dann B, dann C. Das Modell füllt die einzelnen Schritte mit Inhalt, aber die Reihenfolge steht. Anthropic nennt das „orchestrated through predefined code paths” — also über vorgegebene Code-Wege gesteuert.

Agenten sind Systeme, in denen das Modell selbst entscheidet, was als Nächstes passiert. Es wählt seine eigenen Schritte, ruft Werkzeuge auf, wenn es sie braucht, und behält die Kontrolle darüber, wie es eine Aufgabe löst. Anthropic: „LLMs dynamically direct their own processes and tool usage.”

Der Unterschied ist also nicht die Komplexität, sondern wer entscheidet. Beim Workflow entscheidest du. Beim Agenten entscheidet das Modell.

Warum das überhaupt wichtig ist

Klingt nach einer Feinheit, ist aber der Kern jeder ernsthaften Entscheidung über KI-Systeme. Denn an dieser Trennlinie hängen zwei Eigenschaften, die sich gegenseitig ausschließen.

Ein Workflow ist vorhersehbar. Du weißt vorher, welche Schritte laufen, in welcher Reihenfolge, mit welchen Werkzeugen. Das lässt sich testen, debuggen und überwachen. Wenn etwas schiefgeht, weißt du wo.

Ein Agent ist flexibel. Er kommt mit Aufgaben klar, deren genaue Schrittzahl du vorher gar nicht kennst. Aber: Du gibst Kontrolle ab. Der Agent kann Wege wählen, die du nicht vorhergesehen hast — gute wie schlechte.

Die festen Workflow-Muster

Wenn du dich für einen Workflow entscheidest, gibt es einige bewährte Bauformen. Anthropic beschreibt fünf davon:

  • Prompt Chaining — Eine Aufgabe wird in feste Teilschritte zerlegt. Jeder Modell-Aufruf verarbeitet das Ergebnis des vorherigen. Klassisch: erst einen Text entwerfen, dann übersetzen, dann kürzen.
  • Routing — Die Eingabe wird zuerst klassifiziert und dann an den passenden Spezial-Pfad geleitet. Eine Support-Anfrage geht je nach Thema an einen anderen Bearbeitungszweig.
  • Parallelization — Unabhängige Teilaufgaben laufen gleichzeitig statt nacheinander. Oder dieselbe Aufgabe läuft mehrfach, und am Ende wird abgestimmt (Voting).
  • Orchestrator-Workers — Ein zentrales Modell zerlegt die Aufgabe und verteilt Teilstücke an mehrere Worker-Modelle. Mehr dazu im Eintrag zu Multi-Agent-Mustern.
  • Evaluator-Optimizer — Ein Modell erzeugt eine Antwort, ein zweites bewertet sie und gibt Feedback. Das läuft in Schleifen, bis das Ergebnis passt.

Das Spannende: Diese Muster sind alle vordefiniert. Der Code legt fest, wie die Modell-Aufrufe verkettet sind. Das Modell denkt mit, aber es springt nicht aus dem Pfad.

Wann nimmt man was?

Hier ist die Reihenfolge, die in der Praxis funktioniert — und die auch Anthropic empfiehlt: fang so einfach wie möglich an.

Erst ein einzelner Modell-Aufruf. Für viele Anwendungen reicht ein gut formulierter Prompt, vielleicht mit ein paar Beispielen und einem Werkzeug-Zugriff. Anthropic sagt klar: „optimizing single LLM calls with retrieval and in-context examples is usually enough.” Kein Workflow, kein Agent — nur ein guter Aufruf.

Dann ein Workflow, wenn die Aufgabe gut definiert ist und du Verlässlichkeit brauchst. Immer dieselben Schritte, immer dasselbe Ergebnisformat. Rechnungen prüfen, Texte nach festem Schema umschreiben, Daten extrahieren. Workflows „offer predictability and consistency for well-defined tasks.”

Erst dann ein Agent, wenn du die Schrittzahl nicht vorhersehen kannst und das Modell selbst entscheiden muss. Offene Recherche, komplexe Code-Aufgaben, Situationen mit vielen möglichen Wegen. Agenten sind die Wahl, wenn „flexibility and model-driven decision-making are needed at scale.”

Der häufigste Fehler

Viele bauen direkt einen Agenten, weil es nach dem mächtigeren Werkzeug klingt. Und genau da macht es klick, wenn man den Trade-off verstanden hat: Der Agent ist nicht „besser”, er ist nur freier. Für eine Aufgabe mit klaren Schritten ist diese Freiheit ein Nachteil — sie bringt Unberechenbarkeit, wo du Verlässlichkeit gebraucht hättest.

Wenn du genau weißt, welche Schritte nötig sind, verdrahte sie. Das ist ein Workflow, und er wird zuverlässiger laufen als jeder Agent, dem du dieselbe Aufgabe überlässt.

Wer tiefer in den Bau eigener Agenten einsteigen will, findet die Details im Eintrag KI-Agenten bauen. Für die Tooling-Seite lohnt der Blick auf Agenten-Frameworks im Überblick.

FAQ

Ist ein Agentic Workflow dasselbe wie ein Agent?
Nein. Ein Workflow folgt fest verdrahteten Code-Pfaden, die du vorher festlegst. Ein Agent entscheidet selbst über seine Schritte und seinen Werkzeug-Einsatz. Der Unterschied ist, wer die Kontrolle hat — du oder das Modell.
Welches ist zuverlässiger?
Der Workflow. Weil die Schritte vorgegeben sind, ist er vorhersehbar, testbar und einfacher zu debuggen. Ein Agent ist flexibler, aber dafür weniger berechenbar.
Wann sollte ich einen Agenten statt eines Workflows nehmen?
Wenn du die nötigen Schritte vorher nicht kennst. Offene Aufgaben, bei denen die Zahl der Schritte sich erst während der Bearbeitung zeigt, sind der typische Fall für einen Agenten. Bei klar definierten Aufgaben ist ein Workflow die bessere Wahl.
Muss ich überhaupt einen Workflow oder Agenten bauen?
Oft nicht. Für viele Anwendungen reicht ein einzelner, gut gebauter Modell-Aufruf mit passendem Kontext und einem Werkzeug. Fang damit an und steige erst auf, wenn ein einzelner Aufruf nicht mehr reicht.
Woher kommt diese Definition?
Von Anthropic, der Firma hinter dem Sprachmodell Claude. Sie haben Workflows und Agenten in ihrem Artikel „Building Effective Agents" sauber getrennt — die Definition hat sich als Branchen-Referenz etabliert.

Themenuebersicht

KI-OrchestrierungMulti-Agent