Agenten-Architektur: Muster und Bausteine

Begriff und Einordnung

Agenten-Architektur beschreibt, aus welchen Bausteinen ein KI-Agent zusammengesetzt wird. Ein produktiver Agent besteht nicht aus einem einzelnen Prompt, sondern aus mehreren Mustern: Aufgaben zerlegen, Wissen abrufen, Werkzeuge nutzen, Ergebnisse prüfen, Fehler behandeln und menschliche Kontrolle einbauen (Gullí 2025).

Für Führungskräfte ist diese Sicht wichtig, weil sie Agenten entzaubert. Ein Agent ist kein freier digitaler Mitarbeiter, sondern ein System mit klaren Komponenten. Jede Komponente beantwortet eine Managementfrage: Was darf der Agent wissen? Was darf er tun? Wer prüft ihn? Wie erkennt das Unternehmen Fehler? (Gullí 2025; Bornet et al. 2025).

Abbildung: Die wichtigsten Muster für KI-Agenten als businessorientierter Architektur-Baukasten. Quelle: eigene Darstellung nach Gullí 2025.

Funktionsweise in Grundzügen

Das Buch beschreibt viele Agentic Design Patterns. Für Entscheider:innen lassen sie sich in sechs Gruppen bündeln. Aufgabenstrukturierung umfasst Prompt Chaining, Routing und Priorisierung. Diese Muster sorgen dafür, dass ein Agent komplexe Aufgaben in Teilschritte zerlegt, Eingaben richtig einordnet und knappe Aufmerksamkeit auf wichtige Schritte lenkt (Gullí 2025).

Kontext und Wissen entstehen durch RAG, Memory und Standards wie MCP. Diese Bausteine verbinden den Agenten mit aktuellen Dokumenten, Unternehmenswissen, früheren Interaktionen oder externen Werkzeugen. Sie reduzieren Blindflug, schaffen aber neue Anforderungen an Datenqualität, Berechtigungen und Quellenprüfung (Gullí 2025).

Handeln und Integration entstehen durch Tool Use, Function Calling und API-Zugriffe. Erst dadurch kann ein Agent nicht nur antworten, sondern Termine anlegen, Tickets ändern, Daten abrufen, Workflows starten oder Fachsysteme bedienen. Genau hier steigen Risiko und Governance-Bedarf stark an, weil der Agent operative Wirkung bekommt (Gullí 2025).

Zusammenarbeit entsteht durch Multi-Agent-Ansätze, Parallelisierung und Agent-to-Agent-Kommunikation. Ein Unternehmen kann Aufgaben an spezialisierte Agenten verteilen: Recherche, Analyse, Prüfung, Zusammenfassung oder Prozesskoordination. Das erhöht Skalierbarkeit, braucht aber klare Übergaben, gemeinsame Begriffe und nachvollziehbare Verantwortlichkeiten (Gullí 2025).

Prüfung und Absicherung entstehen durch Reflection, Guardrails und Human-in-the-loop. Ein Agent oder ein zweiter Prüfer kann Ergebnisse bewerten, Regeln anwenden, riskante Ausgaben blockieren oder menschliche Freigaben einholen. Diese Muster machen Agenten nicht perfekt, aber sie schaffen Kontrollpunkte vor geschäftskritischen Aktionen (Gullí 2025).

Betrieb und Verbesserung umfassen Evaluation, Monitoring, Fehlerbehandlung, Recovery und ressourcenbewusste Optimierung. Damit erkennt das Unternehmen, ob ein Agent zuverlässig arbeitet, zu teuer wird, zu oft eskaliert oder bei Tool-Ausfällen kontrolliert reagiert (Gullí 2025).

Fähigkeit und Schadensradius getrennt entwerfen

Ein Agent muss nicht direkten Zugriff auf das produktive System erhalten, um wertvolle Arbeit zu leisten. Im Praxisfall „AI Mailroom“ sammelt ein deterministischer Workflow E-Mails aus mehreren Postfächern in einer strukturierten Arbeitskopie. Erst auf dieser Kontextschicht priorisiert der Agent Vorgänge, dokumentiert offene Schleifen und entwirft Antworten. Versenden oder Löschen ist technisch nicht möglich, weil diese Werkzeuge gar nicht bereitgestellt werden (Zwingmann 2026).

Daraus folgt eine übertragbare Architekturregel: Fähigkeit und Schadensradius sind zwei getrennte Stellhebel. Das Modell darf innerhalb einer Sandbox flexibel analysieren und planen, während produktive Schreib-, Versand-, Freigabe- oder Zahlungsrechte strukturell entzogen bleiben. Ein Verbot in der Systemanweisung ist schwächer als eine Architektur, in der die kritische Aktion nicht aufgerufen werden kann (Zwingmann 2026; Anthropic 2024).

Für ähnliche Fälle bietet sich eine dreiteilige Struktur an: deterministische Systeme bereiten Daten und Kontext auf; der Agent bearbeitet nur die variable Bewertungs- oder Planungsaufgabe; ein kontrollierter Workflow oder ein Mensch übernimmt irreversible Aktionen. So bleibt der flexible Teil austauschbar und der kritische Teil prüfbar (Zwingmann 2025; Zwingmann 2026).

Bedeutung für Unternehmen

Die Architektur entscheidet, ob ein Agent nur beeindruckend wirkt oder verlässlich arbeitet. Unternehmen sollten deshalb nicht zuerst fragen, welches Modell am stärksten ist. Sie sollten fragen, welche Bausteine der konkrete Prozess braucht. Eine interne Recherche braucht andere Muster als ein Beschwerdemanagement-Agent oder ein Agent, der Bestellungen vorbereitet (Gullí 2025; Bornet et al. 2025).

Eine pragmatische Bewertungslogik hilft bei der Auswahl (Gullí 2025; Bornet et al. 2025):

Bausteingruppe	Unternehmensnutzen	Kontrollfrage
Aufgaben strukturieren	Komplexe Arbeit wird prüfbar und steuerbar.	Wo darf der Agent selbst entscheiden, welcher Schritt folgt?
Kontext und Wissen	Antworten und Aktionen stützen sich auf aktuelle Quellen.	Welche Quellen sind erlaubt, aktuell und zitierfähig?
Handeln und integrieren	Der Agent löst operative Schritte aus.	Welche Systeme darf er lesen, schreiben oder verändern?
Zusammenarbeiten	Spezialisten-Agenten bearbeiten Teilaufgaben.	Wer koordiniert Übergaben und erkennt Widersprüche?
Prüfen und absichern	Fehler werden vor kritischen Aktionen abgefangen.	Wann muss ein Mensch prüfen oder freigeben?
Betreiben und verbessern	Qualität, Kosten und Risiken bleiben sichtbar.	Welche Kennzahlen lösen Warnung oder Abschaltung aus?

Der wichtigste Fehler besteht darin, zu viele Bausteine in einen großen Agenten zu packen. Kleine, spezialisierte Agenten mit klarer Aufgabe, begrenztem Werkzeugzugriff und messbarem Ergebnis sind meist sicherer als ein breiter Universalagent. Je stärker ein Agent in Fachsysteme eingreift, desto wichtiger werden Least-Privilege-Zugriff, Audit Trail, Testfälle und Fallbacks (Gullí 2025; Bornet et al. 2025).

Mehr dazu: KI-Basisarchitektur für Unternehmen verbindet Agenten mit Daten, Skills, Governance und Souveränität. Vertiefend folgen KI-Agenten in Unternehmen, Retrieval-Augmented Generation (RAG), KPIs und Monitoring für KI-Projekte und KI-Agenten im Betrieb.