KI-Agent-Codierung 2025 beschreibt die rasche Expansion von Agenten der künstlichen Intelligenz, die in der Lage sind, Softwarecode autonom zu schreiben, zu testen und bereitzustellen – eine Entwicklung, die die Softwareindustrie in diesem Jahr erheblich umgestaltete. Ein KI-Agent, auch als agentische KI bekannt, ist ein Programm der künstlichen Intelligenz, das Ziele verfolgen, Software oder andere Werkzeuge nutzen und Handlungen mit einem gewissen Maß an Autonomie ausführen kann. Dies steht im Gegensatz zur werkzeugartigen KI-Nutzung für eng umrissene, spezifische Aufgaben, wie das Beantworten von Fragen, wie sie bei nicht-agentischen Chatbots, die 2023 üblich waren, oder bei traditionellen Algorithmen des maschinellen Lernens zu sehen ist. Obwohl es keine allgemein anerkannte Definition gibt, umfassen gemeinsame Merkmale von KI-Agenten zielgerichtetes Verhalten, die Nutzung externer Werkzeuge, die Fähigkeit, mit einer externen Umgebung zu interagieren und sie zu verändern, sowie die autonome Ausführung mehrstufiger Aufgaben. Ihre Steuerungslogik wird häufig von großen Sprachmodellen (LLMs) angetrieben, und Agentensysteme können Speicherkomponenten, Planungslogik, Werkzeugschnittstellen und Orchestrierungssoftware zur Koordination der Komponenten umfassen.
Bis 2025 wurden Softwareentwickler- oder Codierungsagenten wie Cursor zu einer prominenten Anwendung von KI-Agenten, die automatisierte Codegenerierung, Tests und Bereitstellung ermöglichten. Dieser Boom wurde durch Fortschritte bei großen Sprachmodellen, die Verfügbarkeit von Funktionsaufruf-APIs und standardisierte Protokolle wie das Model Context Protocol (MCP) von Anthropic angeheizt, das es Agenten ermöglichte, kontextuelles Bewusstsein zu erlangen und auf externe Werkzeuge einzuwirken. Der Begriff „agentisch“ gewann 2024 an Häufigkeit, populär gemacht durch den Forscher Andrew Ng, und bis Mitte 2025 wurden KI-Agenten laut Branchenberichten in verschiedenen Bereichen eingesetzt, darunter Videospielentwicklung, Glücksspiel, Kryptowährungs-Wallets und soziale Medien.
Historischer Kontext
Die theoretischen Grundlagen für künstliche Agenten entstanden Mitte des 20. Jahrhunderts mit der Etablierung der Kybernetik und der künstlichen Intelligenz. Oliver Selfridges Papier von 1958, „Pandemonium: A Paradigm for Learning“, war ein wichtiger früher theoretischer Beitrag zur Etablierung einer agentenorientierten Architektur. Praktische Implementierungen von Agenten für reale Anwendungen begannen in den 1990er Jahren weit verbreitet zu werden, nach der Einführung des Belief-Desire-Intention-Softwaremodells (BDI) und der agentenorientierten Programmierung. Der Harvard-Professor Milind Tambe merkte an, dass die Definition eines KI-Agenten in den 1990er Jahren nicht klar war. Reine digitale Agenten wurden in der Computerinfrastruktur für Zwecke wie Überwachung eingesetzt, während Agenten, die mit realen Sensoren und Aktuatoren verbunden waren, zunehmend in industriellen Steuerungssystemen verwendet wurden.
Frühe künstliche Agenten neigten zu einfacher Wenn-Dann-Logik, die sich im Laufe der Zeit zu großen Entscheidungsbaummodellen ausweitete. Bis Anfang der 2010er Jahre wurden Produkte wie Siri und Alexa veröffentlicht und manchmal als KI-Agenten bezeichnet, obwohl ihnen die allgemeine Denkfähigkeit späterer, von LLMs betriebener Agenten fehlte. Akademiker begannen ab 2018, LLM-Agenten zu untersuchen. Die Bereitstellung solcher Agenten begann Ende 2023 zu beschleunigen, nachdem die „Funktionsaufruf“-API von OpenAI verfügbar wurde, und insbesondere nach der Einführung des Model Context Protocol (MCP) durch Anthropic Ende 2024, einer standardisierten Methode für LLM-Agenten, kontextuelles Bewusstsein zu erlangen und auf die Welt einzuwirken, indem sie verschiedene externe Werkzeuge aufrufen.
Training und Testen
Forscher haben versucht, Weltmodelle und Umgebungen für bestärkendes Lernen zu bauen, um KI-Agenten zu trainieren oder zu bewerten. Beispielsweise wurden Videospiele wie Minecraft und No Man's Sky sowie Nachbildungen von Unternehmenswebsites zum Training solcher Agenten verwendet. Diese Umgebungen ermöglichen es Agenten, zielgerichtetes Verhalten zu lernen, mit simulierten Umgebungen zu interagieren und ihre mehrstufige Aufgabenausführung zu verfeinern. Im Kontext der Codierung wurden Agenten oft auf großen Codebasen trainiert, wobei Techniken wie überwachtes Feintuning und bestärkendes Lernen aus menschlichem Feedback eingesetzt wurden, um ihre Fähigkeit zu verbessern, Code zu generieren, zu testen und zu debuggen.
Autonome Fähigkeiten
Die Financial Times verglich die Autonomie von KI-Agenten mit der SAE-Klassifikation von selbstfahrenden Autos und verglich die meisten Anwendungen mit Stufe 2 oder Stufe 3, wobei einige in hochspezialisierten Umständen Stufe 4 erreichten und Stufe 5 theoretisch bleibt. In der Codierung bedeutete dies, dass viele KI-Agenten spezifische Aufgaben mit menschlicher Aufsicht bewältigen konnten, während wenige in engen Bereichen, wie automatischer Fehlerbehebung oder Code-Refactoring, unabhängig operieren konnten. Das Maß an Autonomie variierte stark, wobei einige Agenten für jede Aktion menschliche Genehmigung benötigten, während andere ganze Arbeitsabläufe, von der Codegenerierung bis zur Bereitstellung, ohne Eingriff ausführen konnten.
Kognitive Architektur
Ken Huang schlug eine Referenzarchitektur für KI-Agenten vor, die aus sieben miteinander verbundenen Schichten besteht, wobei jede Schicht auf der Funktionalität der darunterliegenden Schichten aufbaut:
- Schicht 1: Grundlagenmodelle – stellen die Datensätze bereit, die den Agenten antreiben.
- Schicht 2: Datenoperationen – verwaltet die Dateninfrastruktur, die für den Betrieb von KI-Agenten erforderlich ist, einschließlich Vektordatenbanken, Datenladern und RAG.
- Schicht 3: Agenten-Frameworks – Software, die die KI-Agenten verwaltet.
- Schicht 4: Bereitstellung und Infrastruktur – die technische Grundlage der KI-Agenten.
- Schicht 5: Bewertung und Beobachtbarkeit – die Sicherheit und Leistung der KI-Agenten.
- Schicht 6: Sicherheit und Compliance – ein Schutzrahmen für sicheren Betrieb und Einhaltung regulatorischer Grenzen. Auf dieser Schicht werden Sicherheits- und Compliance-Funktionen, die in alle Schichten des KI-Agenten-Stapels eingebettet sind, integriert.
- Schicht 7: Agenten-Ökosystem – repräsentiert die Schnittstelle der KI-Agenten zu realen Anwendungen und Nutzern.
Diese Architektur bot einen strukturierten Ansatz für die Entwicklung und Bereitstellung von KI-Agenten, insbesondere in Unternehmensumgebungen, wo Codierungsagenten in bestehende Softwareentwicklungspipelines, Versionskontrollsysteme und Bereitstellungsinfrastruktur integriert werden mussten.
Agenten-Harness
Ein Agenten-Harness ist die Softwareschicht, die ein großes Sprachmodell umgibt und es ihm ermöglicht, als KI-Agent zu fungieren. Es verwaltet üblicherweise Eingabeaufforderungen, Kontext, Werkzeugnutzung, Speicher, Ausführungszustand, operative Einschränkungen, Sandboxen, Berechtigungen und die Verarbeitung von Ergebnissen. Der Harness verbindet das Modell mit interner und externer Computerhardware, Software, Datendateien, Datenbanken, Webbrowsern, Befehlszeilenschnittstellen und Anwendungsprogrammierschnittstellen, während er steuert, wie der Agent auf diese Ressourcen zugreift und sie nutzt, um mehrstufige Aufgaben abzuschließen. Bei Codierungsagenten umfasste der Harness oft Integrationen mit Code-Editoren, Versionskontrollsystemen wie Git und Cloud-Bereitstellungsplattformen, sodass der Agent Code schreiben, Tests ausführen und Anwendungen bereitstellen konnte.
Orchestrierungsmuster
Autonome Agenten werden oft mit anderen Agenten oder spezialisierten Werkzeugen integriert, um komplexe Aufgaben auszuführen. Diese Konfigurationen, bekannt als Orchestrierungsmuster oder Arbeitsabläufe, umfassen Folgendes:
- Eingabeaufforderungs-Verkettung: Eine Sequenz, in der die Ausgabe eines Schritts als Eingabe für den nächsten dient.
- Routing: Leiten einer Eingabe an eine spezialisierte nachgelagerte Aufgabe oder ein Werkzeug.
- Parallelisierung: Die gleichzeitige Ausführung mehrerer Aufgaben.
- Sequenzielle Verarbeitung: Ein fester, linearer Fortschritt von Aufgaben durch eine vordefinierte Pipeline.
- Planer-Kritiker: Ein iteratives Muster, bei dem ein Agent einen Vorschlag generiert und ein anderer ihn bewertet, um Feedback zur Verfeinerung zu liefern.
In der Codierung ermöglichten Orchestrierungsmuster Agenten, große Softwareprojekte in kleinere Aufgaben zu zerlegen, sie spezialisierten Unteragenten zuzuweisen und ihre Bemühungen zu koordinieren, um eine kohärente Codebasis zu erzeugen. Beispielsweise könnte ein Planer-Agent die Architektur entwerfen, während ein Codierer-Agent Funktionen schreibt und ein Kritiker-Agent den Code auf Fehler und Stilprobleme überprüft.
Multimodale KI-Agenten
Zusätzlich zu großen Sprachmodellen (LLMs) können Vision-Language-Modelle (VLMs) und multimodale Grundlagenmodelle als Basis für Agenten verwendet werden. Das Allen Institute for AI veröffentlichte 2024 ein Open-Source-Vision-Language-Modell. Nvidia veröffentlichte ein Framework für Entwickler, um VLMs, LLMs und retrieval-augmentierte Generierung zum Bau von KI-Agenten zu verwenden, die Bilder und Videos analysieren können, einschließlich Videosuche und Videozusammenfassung. Microsoft veröffentlichte ein multimodales Agentenmodell – trainiert auf Bildern, Videos, Software-Benutzeroberflächeninteraktionen und Robotikdaten – von dem das Unternehmen behauptete, dass es Software und Roboter manipulieren kann. In der Codierung konnten multimodale Agenten Screenshots von Benutzeroberflächen interpretieren, Diagramme lesen und visuelle Dokumentation verstehen, was ihre Fähigkeit verbesserte, mit grafischen Anwendungen und Designspezifikationen zu arbeiten.
Anwendungen und Auswirkungen
Stand April 2025 gab es laut Associated Press nur wenige reale Anwendungen von KI-Agenten. Bis Mitte 2025 hatte sich die Landschaft jedoch erheblich verändert. The Information teilte KI-Agenten in sieben Archetypen ein: Geschäftsaufgaben-Agenten, die innerhalb von Unternehmenssoftware agieren; Konversationsagenten, die als Chatbots für Kundensupport fungieren; Forschungsagenten, die Informationen abfragen und analysieren (wie OpenAI Deep Research); Analyseagenten, die Daten analysieren, um Berichte zu erstellen; Softwareentwickler- oder Codierungsagenten (wie Cursor); domänenspezifische Agenten, die spezifisches Fachwissen enthalten; und Webbrowser-Agenten (wie OpenAI Operator).
Bis Mitte 2025 wurden KI-Agenten in der Videospielentwicklung, im Glücksspiel (einschließlich Sportwetten), in Kryptowährungs-Wallets (einschließlich Kryptowährungshandel und Meme-Coins) und in sozialen Medien eingesetzt. Im August 2025 beschrieb das New York Magazine das Phänomen und hob die schnelle Einführung von Codierungsagenten in Startups und Technologieunternehmen hervor. Die Auswirkungen auf die Softwareindustrie waren tiefgreifend: Codierungsagenten reduzierten die Zeit für Routineaufgaben wie das Schreiben von Boilerplate-Code, das Beheben von Syntaxfehlern und das Ausführen von Unit-Tests, sodass sich Entwickler auf Design und Problemlösung auf höherer Ebene konzentrieren konnten. Es wurden jedoch auch Bedenken hinsichtlich Codequalität, Sicherheitslücken und Arbeitsplatzverdrängung geäußert, was zu Debatten über das angemessene Maß an Autonomie für solche Agenten führte.
Der Boom der KI-Agent-Codierung im Jahr 2025 war eng mit Fortschritten bei künstlicher Intelligenz und maschinellem Lernen verbunden, insbesondere mit der Entwicklung von Transformatoren und neuronalen Netzen. Unternehmen wie OpenAI, Anthropic und Google DeepMind spielten eine zentrale Rolle bei der Erstellung der zugrunde liegenden Modelle und APIs. Das Ökosystem profitierte auch von Cloud-Infrastruktur, die von Amazon Web Services, Azure und Google Cloud bereitgestellt wurde, die skalierbare Rechenressourcen für das Training und die Bereitstellung von Agenten boten. Stand 2025 entwickelte sich das Feld weiter, mit laufender Forschung zu robusteren Bewertungsmethoden, Sicherheitsprotokollen und Orchestrierungstechniken, um sicherzustellen, dass KI-Agenten mit zunehmend komplexeren Codierungsaufgaben betraut werden konnten.