OpenAI AgentKit — wie Drag-and-Drop den Agenten-Eigenbau ablöst
Auf der DevDay am 6. Oktober 2025 hat OpenAI AgentKit vorgestellt — ein Bündel aus drei Werkzeugen, das einen Großteil der bisherigen Eigenarbeit beim Agenten-Bau ersetzen soll. ChatKit und die neuen Evals-Funktionen sind seitdem allgemein verfügbar (GA), der Agent Builder läuft in Beta, und der Connector Registry wird stufenweise an API-, ChatGPT-Enterprise- und Edu-Kunden ausgerollt. Pricing: Alles ist in den Standard-API-Modellpreisen enthalten — kein zusätzlicher Plattform-Tarif.
Was AgentKit konkret enthält
- Agent Builder — visuelle Canvas zum Verketten und Versionieren von Multi-Agenten-Workflows per Drag-and-Drop (Beta).
- ChatKit — Web-Component zum Einbetten chat-basierter Agenten-Oberflächen in eigene Produkte (GA).
- Evals — Tooling für Prompt-Optimierung und Trace-Bewertung von LLM-Apps (GA).
- Connector Registry — zentrale Verwaltung, wie Daten und Tools mit OpenAI-Produkten verbunden werden (Beta-Rollout).
- Apps SDK — separat dazu: Open-Source-SDK zum Bau von Apps, die direkt in ChatGPT laufen, baut auf Anthropics MCP-Protokoll auf.
Was vorher galt
Wer einen Multi-Agenten-Workflow auf OpenAI-Modellen aufsetzen wollte, hatte bis Herbst 2025 die Wahl zwischen dem Agents SDK (code-first, Python) und Eigenbau auf Basis der Chat-Completions-API mit Tool-Use. Beides setzt voraus, dass man Routing zwischen Agenten, State-Management, Trace-Logging und Eval-Harness selbst baut. Wer das Ergebnis in eine Web-App einbetten wollte, schrieb dazu noch ein eigenes Chat-Frontend mit Streaming-Logik, Cancel-Handling und Theming.
In Praxis-Projekten ist genau dieser Boilerplate der Grund, warum aus „Wir bauen einen Agenten für X” schnell zwei Wochen Engineering-Zeit werden — Modell-Aufruf ist der kleinste Teil, der Rest ist Plumbing.
Was jetzt gilt
1. Workflow-Design ohne Code. Der Agent Builder ist eine visuelle Canvas, auf der man Agenten, Tools, Bedingungen und Routing-Logik per Drag-and-Drop verbindet. Versionierung der Workflows ist eingebaut, ein Workflow lässt sich direkt aus dem Builder heraus deployen. Für Teams ohne dedizierten Backend-Engineer ist das der größte Hebel — die ersten 80 % eines Agenten-Workflows entstehen, ohne eine Zeile Code zu schreiben.
2. Chat-UI als fertige Komponente. ChatKit ist eine einbettbare Web-Component, die das komplette Chat-Frontend liefert: Streaming, Cancel, History, Theming, Auth-Hooks. Wer bisher React-Chat-Komponenten selbst gebaut hat, weiß, wie viel Detailarbeit das ist. ChatKit ist seit DevDay GA, also für Produktiv-Einsatz freigegeben.
3. Evals als integrierter Schritt, nicht als Nachgedanke. Die neuen Evals-Tools erlauben Prompt-Optimierung und Trace-Bewertung direkt im AgentKit-Lifecycle — also ohne Wechsel in ein zweites Tool. Das ist die Antwort auf das praktische Problem, dass Agenten-Qualität ohne strukturierte Tests schnell driftet, sobald Modelle, Prompts oder Tools sich ändern.
4. Connector Registry zentralisiert Daten-Anbindung. Statt für jeden Agenten einzeln Datenquellen anzubinden, definiert ein Admin Verbindungen einmal in der Connector Registry — alle Agenten und ChatGPT-Workspaces des Kontos können darauf zugreifen. Das löst ein Governance-Problem, das bei wachsenden Agenten-Teams sonst schnell unkontrollierbar wird.
5. Apps SDK für ChatGPT-native Apps. Parallel zu AgentKit hat OpenAI das Apps SDK veröffentlicht — ein Open-Source-SDK, mit dem externe Apps direkt in ChatGPT laufen. Bemerkenswert: Es baut auf Anthropics Model Context Protocol (MCP) auf. OpenAI und Anthropic teilen damit faktisch denselben Tool-Connection-Standard, was die Wahrscheinlichkeit erhöht, dass MCP zur branchenweiten Norm wird.
Einordnung — wo es hilft, wo nicht
AgentKit verschiebt die Schwelle, ab der ein Agenten-Projekt wirtschaftlich wird, deutlich nach unten. Use-Cases, die bisher nicht das Engineering-Budget für Custom-Code rechtfertigten — interne Tools, Lead-Qualifizierung, Onboarding-Flows, Support-Triage — werden mit Agent Builder + ChatKit in Tagen statt Wochen umsetzbar. Die GA-Komponenten (ChatKit, Evals) sind dabei produktiv einsetzbar; der Agent Builder selbst ist Beta, also für interne Pilots geeignet, nicht für umsatzkritische Kundenflows.
Die Schattenseite: Wer AgentKit konsequent nutzt, bindet sich tiefer an OpenAI-Infrastruktur. Workflows aus dem visuellen Builder sind nicht 1:1 auf andere Anbieter portierbar. Wer Vendor-Lock-in vermeiden will, bleibt beim Agents SDK in Code — der Trade-off ist Aufwand gegen Flexibilität.
Was du jetzt tun kannst
Wenn du einen einfachen Chat-Agenten brauchst: Starte direkt mit ChatKit + Agents SDK. ChatKit ist GA, der Setup-Aufwand für ein eingebettetes Chat-Widget mit eigener Logik liegt im Stunden-, nicht Wochen-Bereich.
Wenn du Multi-Agenten-Workflows ausprobieren willst: Nutze den Agent Builder im Beta-Stadium für Prototypen und interne Tools. Für produktive Kundenflüsse warte, bis er GA wird, oder exportiere die Workflow-Logik nach SDK-Code — die Builder-Designs sind als Ausgangspunkt nutzbar.
Wenn du parallel Anthropic/Google nutzt: MCP wird durch das Apps SDK weiter zum gemeinsamen Nenner. Tool-Anbindungen, die du als MCP-Server schreibst, lassen sich in beide Welten einbinden — das ist die einzige bekannte Brücke, die nicht von einem einzelnen Anbieter abhängt.
Entdecke mehr
Warum KI-Modelle unterschiedliche Code-Probleme finden
Drei Frontier-Modelle, dasselbe 1000-Zeilen-Skript, drei verschiedene Fundlisten — und warum genau diese Streuung Multi-Orchestrierung stark macht.
GlossarEnsemble / Multi-Modell-Orchestrierung
Ensemble bezeichnet das Kombinieren mehrerer bewusst variierter LLM-Läufe oder Modelle, deren Funde sich ergänzen. Multi-Modell-Orchestrierung steuert diese Läufe über Orchestratoren mit Sub-Agenten, sodass die Vereinigung der Ergebnisse größer ist als jeder Einzellauf.
LexikonFunction Calling / Tool Use
Wie ein LLM Werkzeuge aufruft: Tool-Definition als Schema, Modell wählt Funktion und Argumente, Ergebnis zurück ins Gespräch — der Grundbaustein jedes Agenten.