Ein KI-Agent ist im Kontext moderner generativer KI ein System, das um ein großes Sprachmodell herum aufgebaut ist und eine Abfolge von Schritten planen, über externe Werkzeugnutzung Handlungen ausführen, die Ergebnisse dieser Handlungen beobachten und iterativ auf ein Ziel hinarbeiten kann, anstatt lediglich eine Antwort auf eine einzelne Eingabeaufforderung zu erzeugen. Das entscheidende Merkmal, das einen Agenten von einem einfachen Chatbot unterscheidet, ist eine Schleife: Die Ausgabe des Modells ist nicht unbedingt die endgültige Antwort, die einem Benutzer angezeigt wird, sondern kann stattdessen eine Entscheidung darüber sein, was als Nächstes zu tun ist, die ausgeführt, in das Kontextfenster des Modells zurückgespeist und zur Bestimmung des nächsten Schritts verwendet wird, bis die Aufgabe abgeschlossen oder ein Limit erreicht ist.
Der Begriff geht den großen Sprachmodellen voraus und wurde in der künstlichen Intelligenz und Robotik lange verwendet, um jedes System zu beschreiben, das eine Umgebung wahrnimmt und auf sie einwirkt, einschließlich einfacher regelbasierter Agenten und Verstärkungslern-Agenten wie AlphaGo. Seine aktuelle Verwendung, die speziell mit LLM-basierten Systemen verbunden ist, die Werkzeuge aufrufen und mehrstufige Aufgaben verfolgen, verbreitete sich ab 2023, nach frühen Experimenten wie AutoGPT, und beschleunigte sich ab 2024 und 2025 stark, als Modelle besser darin wurden, Werkzeugaufrufe zuverlässig auszuwählen und zu sequenzieren - eine Phase, die in Branchenkommentaren oft als "agentische" Welle des breiteren KI-Booms beschrieben wird.
Komponenten
Ein typischer Agent kombiniert mehrere Teile: ein Basissprachmodell, das die Argumentation und Entscheidungsfindung übernimmt, eine Reihe von Werkzeugen, die es aufrufen kann, wie einen Code-Interpreter, eine Websuche oder eine API, die über strukturierte Werkzeugaufrufe bereitgestellt werden; einen Speicher- oder Zustandsmechanismus, der verfolgt, was bisher in der Aufgabe passiert ist, oft einfach der angesammelte Kontext, obwohl einige Systeme externen Speicher für längere Aufgaben hinzufügen; und eine Kontrollschleife, die entscheidet, wann die Aufgabe abgeschlossen ist oder wann ein Mensch um Input gebeten werden soll. Viele Agent-Frameworks integrieren auch abrufgestützte Generierung, damit der Agent während der Aufgabe relevante Dokumente nachschlagen kann, und einige unterstützen Computernutzung, sodass der Agent eine grafische Oberfläche wie einen Webbrowser direkt bedienen kann, anstatt über eine dedizierte API.
Standardisierung
Als die Anzahl der Werkzeuge, mit denen ein Agent verbunden werden konnte, wuchs, wurde die Verbindung jedes Werkzeugs mit jedem Modell über benutzerdefinierte Integrationscodes zu einem Skalierungsproblem. Anthropic führte im November 2024 das Model Context Protocol als offenen Standard ein, um Sprachmodelle einheitlich mit externen Werkzeugen und Datenquellen zu verbinden, und es wurde bis 2025 branchenweit breit übernommen, auch von konkurrierenden Labors, als gemeinsame Schnittstellenschicht für agentische Werkzeugnutzung.
Anwendungen
Agentische Systeme wurden auf Softwareentwicklung angewendet, wo Werkzeuge wie GitHub Copilot, Cursor und Claude Code sich von einstufiger Codevervollständigung zu Agenten entwickelten, die eine Codebasis lesen, Tests ausführen und mehrdateiige Änderungen autonom vornehmen können; auf Forschung und Informationssammlung, wo ein Agent eine Reihe von Suchen durchführt und Ergebnisse synthetisiert; und auf Browser- und Computerautomatisierung, wo ein Agent Software so bedient, wie ein menschlicher Benutzer es tun würde. Benchmarks wie SWE-bench wurden speziell übernommen, um agentische Codierungsleistung zu messen, da sie eine durchgängige Abfolge von Dateiänderungen und Testläufen erfordern, anstatt eines einzelnen Codeausschnitts.
Zuverlässigkeit und Kritik
Die Zuverlässigkeit von Agenten bleibt ein zentrales offenes Problem: Kleine Fehler früh in einer langen Aufgabenkette können sich verstärken, Werkzeugaufrufe können fehlschlagen oder missbraucht werden, und Agenten können einen plausiblen, aber falschen Plan über viele Schritte verfolgen, bevor ein Fehler sichtbar wird - manchmal als "Agentendrift" bezeichnet. Bedenken hinsichtlich Agenten, die auf nicht vertrauenswürdige oder feindselige Eingaben reagieren, haben Prompt-Injection zu einem bedeutenden Sicherheitsproblem gemacht, das spezifisch für agentische Systeme ist, da ein Agent mit Zugriff auf echte Werkzeuge und Daten im Prinzip manipuliert werden kann, um schädliche reale Handlungen auszuführen, anstatt lediglich unerwünschten Text zu erzeugen - eine Risikokategorie ohne direktes Gegenstück in einem einfachen Chatbot.