Arten von KI-Agenten einfach erklärt

KI-Agenten lassen sich danach einteilen, wie sie Informationen wahrnehmen, Entscheidungen treffen und Aufgaben ausführen.

Die verschiedenen Typen unterscheiden sich darin, wie sie Aktionen auswählen, Kontextinformationen speichern, zukünftige Schritte planen und unter menschlicher Aufsicht arbeiten.

Die Arten von KI-Agenten im Überblick:

• Einfache Reflexagenten reagieren anhand vordefinierter Regeln auf aktuelle Eingaben.
• Modellbasierte Reflexagenten nutzen ein internes Modell ihrer Umgebung, um fundiertere Entscheidungen zu treffen.
• Zielbasierte Agenten bewerten Handlungen danach, wie gut sie ein bestimmtes Ziel erreichen.
• Nutzenbasierte Agenten vergleichen mögliche Ergebnisse und wählen die Option mit dem höchsten Gesamtnutzen.
• Lernende Agenten verbessern ihre Leistung durch Erfahrungen und Feedback.
• LLM-basierte Agenten kombinieren große Sprachmodelle mit Gedächtnis, Schlussfolgern, Planung und externen Tools, um komplexe Aufgaben zu bewältigen.
• Multi-Agenten-Systeme koordinieren mehrere spezialisierte Agenten, um größere oder komplexere Probleme zu lösen.

Einfache Reflexagenten

Einfache Reflexagenten sind KI-Agenten, die Entscheidungen ausschließlich anhand der Informationen treffen, die ihnen zum jeweiligen Zeitpunkt vorliegen.

Jede Entscheidung folgt einer vordefinierten Regel. Die Agenten erinnern sich weder an frühere Ereignisse noch können sie vorhersagen, was als Nächstes geschieht.

Ihr Verhalten wird durch Bedingungs-Aktions-Regeln bestimmt, die häufig als Wenn-dann-Anweisungen formuliert werden. Eines der einfachsten Beispiele für KI-Agenten ist ein intelligenter Thermostat, der einer Regel wie dieser folgt: Wenn die Raumtemperatur unter 20 °C fällt, schalte die Heizung ein.

Jede Eingabe löst eine passende Aktion aus, ohne dass frühere Ereignisse oder zukünftige Folgen berücksichtigt werden.

Da einfache Reflexagenten keine Informationen speichern und nicht aus Erfahrungen lernen, führt dieselbe Eingabe immer zur gleichen Ausgabe.

Diese Einschränkung verhindert, dass sich einfache Reflexagenten an veränderte Bedingungen anpassen können.

Der Thermostat erkennt zwar, dass es im Raum kalt ist, aber nicht, dass ein offenes Fenster den Temperaturabfall verursacht.

Er folgt jedes Mal derselben Regel, weil er sich weder an frühere Bedingungen erinnert noch die Ursache der Temperaturänderung ermitteln kann.

Am besten für: Automatische Türen, intelligente Thermostate, bewegungsgesteuerte Beleuchtung und Förderbänder, die anhalten, sobald ein Sicherheitssensor ein Hindernis erkennt.

Modellbasierte Reflexagenten

Modellbasierte Reflexagenten treffen Entscheidungen anhand aktueller Beobachtungen und gespeicherter Informationen über ihre Umgebung.

Diese gespeicherten Informationen werden als interner Zustand bezeichnet und helfen dem Agenten bei der Entscheidungsfindung. Dazu können kürzlich erkannte Objekte, bereits ausgeführte Aktionen oder Veränderungen in der Umgebung gehören.

Sobald neue Informationen vorliegen, aktualisiert der Agent sein internes Modell. Seine Entscheidungen basieren damit sowohl auf aktuellen Beobachtungen als auch auf bereits vorhandenem Wissen. Dieser wiederkehrende Ablauf ist das Grundprinzip, nach dem modellbasierte Agenten arbeiten.

Ein Lagerroboter, der ein Paket abholt, nutzt diese Fähigkeit jedes Mal, wenn er in einen neuen Gang einbiegt.

Regale, Paletten und andere Roboter geraten schnell aus dem Erfassungsbereich seiner Sensoren, bleiben aber im internen Zustand des Roboters erfasst.

Da der Roboter weiß, wo sich diese Hindernisse befanden, kann er auch dann sicher weiter navigieren, wenn seine Sensoren sie nicht mehr erfassen.

Das interne Modell verbessert die Entscheidungsfindung, doch der Agent folgt weiterhin vordefinierten Regeln. Verändert sich die Umgebung auf eine Weise, die das Modell nicht abbilden kann, oder erfordert eine Aufgabe die Bewertung mehrerer zukünftiger Handlungen, kann sich ein modellbasierter Reflexagent nicht an diese Veränderungen anpassen oder über sein programmiertes Verhalten hinaus planen.

Stellen Sie sich vor, derselbe Lagerroboter stellt fest, dass seine übliche Route blockiert ist. Er kann sich zwar merken, wo sich Regale und Hindernisse befinden, aber nicht mehrere alternative Wege vergleichen, um den effizientesten zu finden. Stattdessen folgt er weiterhin seinen programmierten Entscheidungsregeln.

Am besten für: Roboternavigation, Lagerautomatisierung, Bestandsverwaltung und autonome Inspektionssysteme.

Zielbasierte Agenten

Zielbasierte Agenten treffen Entscheidungen, um ein bestimmtes Ziel zu erreichen. Jede Handlung wird danach bewertet, ob sie den Agenten diesem Ziel näherbringt.

Die Fähigkeit zur Planung unterscheidet zielbasierte Agenten von Reflexagenten. Bevor der Agent handelt, entwickelt und bewertet er mögliche Handlungsabläufe, um zu ermitteln, welcher davon das Ziel mit der höchsten Wahrscheinlichkeit erreicht.

Je nach Anwendungsfall können dabei verschiedene Verfahren zum Einsatz kommen:

• Suchalgorithmen untersuchen unterschiedliche Handlungsabläufe und ermitteln einen Weg zum Ziel.
• Pfadfindungsalgorithmen berechnen effiziente Routen durch physische oder virtuelle Umgebungen.
• Planungsverfahren ordnen Aufgaben, Ressourcen oder Termine in der effizientesten Reihenfolge an.
• LLM-basiertes Schlussfolgern unterteilt komplexe Anfragen in kleinere Schritte, bewertet mögliche Lösungsansätze und erstellt einen Plan in natürlicher Sprache.

Eine Routenplanungs-App kann beispielsweise mehrere Straßen vergleichen, bevor sie eine Route zum gewünschten Ziel vorschlägt.

Die größte Einschränkung besteht darin, dass ein Ziel allein nicht festlegt, welches erfolgreiche Ergebnis das beste ist. Eine Navigations-App kann mehrere Routen finden, die alle zum gewünschten Ziel führen.

Besteht das einzige Ziel darin, am Zielort anzukommen, erfüllt jede dieser Routen die Vorgabe. Um die schnellste, sicherste oder kraftstoffsparendste Route auszuwählen, sind zusätzliche Kriterien erforderlich.

Am besten für: Routenplanung, Erstellung von Reiseplänen, Lagerroboter zum Abholen von Artikeln und Planungssysteme, die Aufgaben zur Einhaltung von Fristen organisieren.

Nutzenbasierte Agenten

Nutzenbasierte Agenten wählen die Handlung, von der sie das beste Gesamtergebnis erwarten.

Das Erreichen eines Ziels ist dabei nur ein Teil der Entscheidung. Der Agent bewertet auch die Qualität der möglichen Ergebnisse.

Grundlage dieser Bewertung ist eine Nutzenfunktion. Dabei handelt es sich um ein Regelwerk, das jedem möglichen Ergebnis einen Wert zuweist.

Je höher dieser Wert, desto wünschenswerter ist das Ergebnis gemäß den Prioritäten der jeweiligen Aufgabe. Zu den Bewertungskriterien können geringere Kosten, kürzere Reisezeiten, höhere Sicherheit oder größere Gewinne gehören.

Nehmen wir als Beispiel einen KI-Assistenten, der einen Urlaub plant. Mehrere Reisepläne können zum selben Ziel führen, unterscheiden sich aber in ihren Vor- und Nachteilen. Eine Reiseroute ist möglicherweise günstiger, eine andere schneller und eine dritte hat weniger Zwischenstopps.

Ein nutzenbasierter Agent bewertet jede Option und empfiehlt diejenige, die den Prioritäten des Reisenden am besten entspricht.

Während zielbasierte Agenten darauf ausgerichtet sind, ein Ziel zu erreichen, bewerten nutzenbasierte Agenten, welche erfolgreiche Option nach den festgelegten Kriterien den größten Gesamtnutzen bietet.

Die Qualität eines nutzenbasierten Agenten hängt weniger davon ab, wie gut er Optionen vergleichen kann, als vielmehr davon, wie diese bewertet werden. Eine unvollständige Nutzenfunktion kann Entscheidungen begünstigen, die auf dem Papier optimal erscheinen, aber wichtige praktische Faktoren außer Acht lassen.

Kehren wir zum Beispiel des KI-Reiseassistenten zurück. Bewertet er Reisepläne ausschließlich anhand des Ticketpreises, könnte er einen günstigeren Flug mit langen Zwischenaufenthalten empfehlen, weil der Reisekomfort bei der Bewertung nicht berücksichtigt wurde.

Am besten für: Routenoptimierung, Investitionsentscheidungen, Ressourcenzuweisung, Preisgestaltung und Lieferkettenplanung.

Lernende Agenten

Lernende Agenten verbessern ihre Leistung durch Erfahrungen. Statt sich ausschließlich auf vordefinierte Regeln zu verlassen, analysieren sie die Ergebnisse früherer Handlungen und nutzen dieses Feedback, um mit der Zeit bessere Entscheidungen zu treffen.

Die einzelnen Komponenten eines lernenden Agenten arbeiten dabei zusammen:

1. Das Leistungselement wählt Handlungen anhand des aktuellen Wissens des Agenten aus.
2. Das Lernelement aktualisiert dieses Wissen, während der Agent Erfahrungen sammelt.
3. Die Bewertungskomponente (Kritiker) bewertet das Ergebnis jeder Handlung und gibt Feedback.
4. Der Problemgenerator regt den Agenten dazu an, neue Handlungen auszuprobieren, die zu besseren Ergebnissen führen könnten.

Jedes Feedback bietet eine weitere Gelegenheit zum Lernen. Ein Empfehlungssystem in einem Online-Shop lernt beispielsweise daraus, welche Produkte Kunden anklicken, kaufen oder ignorieren, und verbessert so zukünftige Empfehlungen.

Lernen garantiert jedoch keine besseren Entscheidungen. Trainingsdaten von schlechter Qualität, verzerrtes Feedback oder veränderte Bedingungen können die Genauigkeit beeinträchtigen und dazu führen, dass der Agent falsche Muster weiter verfestigt.

Dasselbe Empfehlungssystem könnte beispielsweise auch im Januar weiterhin Weihnachtsdekorationen vorschlagen, weil es aus dem Einkaufsverhalten während der Feiertage gelernt hat. Diese Muster entsprechen jedoch nicht mehr den aktuellen Kundenwünschen.

Am besten für: Empfehlungssysteme, Betrugserkennung, Spamfilterung, vorausschauende Instandhaltung und personalisierte Einkaufserlebnisse.

LLM-basierte Agenten

LLM-basierte Agenten kombinieren große Sprachmodelle mit Gedächtnis, Planung, Schlussfolgern und externen Tools, um komplexe Aufgaben zu bewältigen.

Sie können Anfragen in kleinere Schritte unterteilen, Informationen abrufen, Software oder APIs nutzen und so lange weiterarbeiten, bis eine Aufgabe abgeschlossen ist.

Das große Sprachmodell bildet dabei die Grundlage für das Schlussfolgern und die Entscheidungsfindung des Agenten. Es entscheidet, welcher Schritt als Nächstes ausgeführt wird, während der Speicher relevante Kontextinformationen zwischen den einzelnen Schritten bewahrt.

Externe Tools erweitern die Fähigkeiten des Agenten über die reine Textgenerierung hinaus. Damit kann er im Internet suchen, Datenbanken abfragen, Code schreiben, Programme ausführen oder mit Geschäftsanwendungen interagieren.

Die Behebung eines Softwarefehlers kann Dutzende von Zwischenschritten erfordern. Ein LLM-basierter Programmieragent kann eine Codebasis untersuchen, die Fehlerursache ermitteln, die betreffenden Dateien ändern, Tests ausführen und die Lösung erläutern, bevor er das endgültige Ergebnis präsentiert.

Bei Rechercheaufgaben geht der Agent anders vor. Er sammelt Informationen aus mehreren Quellen, vergleicht widersprüchliche Aussagen und erstellt eine strukturierte Zusammenfassung mit Quellenangaben.

Die Leistung hängt von der Qualität des zugrunde liegenden Sprachmodells und den verfügbaren Tools ab.

Halluzinationen können zu falschen Antworten führen. Externe Tools bringen zudem Verzögerungen und zusätzliche Fehlerquellen mit sich. Bei Aufgaben wie der Freigabe rechtlicher Dokumente, finanziellen Entscheidungen, der Veröffentlichung kundenorientierter Inhalte oder der Bereitstellung von Änderungen in Produktionssystemen bleibt die menschliche Überprüfung unverzichtbar.

LLM-basierte Agenten sind eine Form der agentischen KI. Das große Sprachmodell ermöglicht es dem Agenten, Schlussfolgerungen zu ziehen, zu planen, Entscheidungen zu treffen und Tools zu koordinieren, ohne dass Menschen ständig eingreifen müssen. So kann er offene Problemstellungen lösen, die regelbasierte Systeme nicht bewältigen können.

Am besten für: Softwareentwicklung, Recherche, Kundensupport, Geschäftsabläufe und Content-Erstellung.

Multi-Agenten-Systeme

Multi-Agenten-Systeme bestehen aus mehreren KI-Agenten, die zusammenarbeiten, um Probleme zu lösen, die ein einzelner Agent nur schwer bewältigen kann.

Anstatt einen einzigen Agenten mit der Recherche, Planung, Ausführung und Überprüfung sämtlicher Aufgaben zu betrauen, verteilt ein Multi-Agenten-System diese Verantwortlichkeiten auf spezialisierte Agenten.

Jeder Agent übernimmt einen bestimmten Teil des Workflows und stimmt sich mit den anderen ab, um ein gemeinsames Ziel zu erreichen.

Die Arbeitsteilung bringt eine neue Herausforderung mit sich: die Koordination. Die Agenten müssen Informationen austauschen, Aufgaben untereinander weitergeben und ihre Ergebnisse zusammenführen, ohne dabei den Kontext zu verlieren.

Ein Multi-Agenten-System zur Auftragsabwicklung könnte beispielsweise einen Agenten zur Prüfung des Lagerbestands, einen weiteren zur Organisation des Versands und einen dritten zur Benachrichtigung des Kunden einsetzen.

Jeder Agent ist darauf angewiesen, dass der vorherige seine Aufgabe erfolgreich abgeschlossen hat. Meldet der Agent für die Bestandsprüfung fälschlicherweise, dass ein Artikel verfügbar ist, könnte der Versandagent versuchen, ein nicht vorhandenes Produkt zu versenden. Gleichzeitig erhält der Kunde eine fehlerhafte Lieferinformation.

Wettbewerbsorientierte Multi-Agenten-Systeme verbessern ihre Leistung, indem sie Agenten mit gegensätzlichen Zielen einsetzen.

In einer Cybersicherheitssimulation übernimmt ein Agent die Rolle des Angreifers und sucht nach Sicherheitslücken oder versucht, diese auszunutzen. Ein anderer Agent übernimmt die Verteidigung, indem er Angriffe erkennt, abwehrt und darauf reagiert.

Während beide Agenten ihre Strategien verbessern, deckt das System Schwachstellen auf, die sich mit vordefinierten Tests allein nur schwer erkennen lassen.

Am besten für: Logistikoptimierung, gemeinschaftliche Forschung, Workflows in der Softwareentwicklung, Roboterschwärme und andere Geschäftsprozesse mit mehreren spezialisierten Aufgaben.

Arten von KI-Agenten im Vergleich

Die folgende Tabelle zeigt, wie die einzelnen Arten von KI-Agenten Entscheidungen treffen und für welche Aufgaben sie sich am besten eignen.

Jede Kategorie bringt eine neue Fähigkeit hinzu, ohne die vorherigen zu ersetzen. Modellbasierte Reflexagenten ergänzen einfaches regelbasiertes Verhalten um ein Gedächtnis.

Zielbasierte Agenten ermöglichen die Planung von Handlungen, während nutzenbasierte Agenten bewerten, welches erfolgreiche Ergebnis am wünschenswertesten ist.

Lernende Agenten passen sich durch Erfahrungen an. LLM-basierte Agenten kombinieren Schlussfolgern mit Gedächtnis und Tools. Multi-Agenten-Systeme erweitern diese Fähigkeiten, indem sie die Zusammenarbeit spezialisierter Agenten ermöglichen.

Alle sieben Typen folgen demselben Grundprinzip eines rationalen Agenten: Sie nehmen Informationen aus ihrer Umgebung auf, bewerten die verfügbaren Handlungen und wählen diejenige aus, von der sie das beste Ergebnis erwarten.

So wählen Sie den richtigen KI-Agententyp aus

Wählen Sie einen KI-Agenten anhand des Problems aus, das Sie lösen möchten, und nicht danach, welche Technologie am fortschrittlichsten ist. Jeder Typ bietet zusätzliche Fähigkeiten, bringt aber auch mehr Komplexität mit sich.

• Lösen Sie einfache Probleme nicht mit komplexen Agenten. Wenn jede Entscheidung einer festen Regel folgt, lässt sich ein einfacher oder modellbasierter Reflexagent leichter entwickeln, testen und warten als ein planendes oder lernendes System.
• Prüfen Sie, wie Entscheidungen getroffen werden. Wenn mehrere Schritte im Voraus geplant werden müssen, eignet sich ein zielbasierter Agent. Müssen dagegen Faktoren wie Kosten, Geschwindigkeit oder Risiko gegeneinander abgewogen werden, spricht dies für einen nutzenbasierten Agenten.
• Berücksichtigen Sie, wie häufig sich die Regeln ändern. Wenn Ihr Team Entscheidungsregeln regelmäßig an neue Daten oder verändertes Nutzerverhalten anpassen muss, lässt sich ein lernender Agent besser skalieren als ein System, dessen Regeln manuell gepflegt werden.
• Überlegen Sie, wie Menschen mit dem System interagieren sollen. Für Aufgaben wie das Lesen von Dokumenten, das Beantworten von Fragen, das Verfassen von Inhalten oder die Bedienung von Geschäftsanwendungen über natürliche Sprache eignen sich LLM-basierte Agenten besonders gut.
• Betrachten Sie den gesamten Workflow statt nur die einzelne Aufgabe. Wenn sich Recherche, Planung, Ausführung und Überprüfung unabhängig voneinander erledigen lassen, sind mehrere spezialisierte Agenten oft effektiver als ein einzelner Universalagent.

Beginnen Sie mit den Fähigkeiten, die Ihr Projekt mindestens benötigt. Ergänzen Sie eine Speicherfunktion, wenn Kontextinformationen erforderlich werden, und eine Planungsfunktion, wenn Entscheidungen mehrere Schritte umfassen. Fügen Sie Optimierungsmöglichkeiten hinzu, wenn verschiedene Kriterien gegeneinander abgewogen werden müssen, und Lernfähigkeit, wenn sich die Umgebung verändert. Setzen Sie mehrere Agenten erst dann ein, wenn ein einzelner Agent zum Engpass wird.

KI-Agenten im Unternehmen einsetzen

Die meisten Unternehmen müssen KI-Agenten nicht selbst von Grund auf entwickeln, um von der Technologie zu profitieren.

Für Unternehmen, die individuelle Workflows erstellen möchten, stehen zwar KI-Agenten-Builder zur Verfügung. Viele alltägliche Aufgaben lassen sich jedoch mit vorgefertigten KI-Agenten für das Marketing und andere Geschäftsabläufe automatisieren, ohne dass Programmierkenntnisse oder Wissen über Agentenarchitekturen erforderlich sind.

Vorgefertigte KI-Agenten können den Großteil der alltäglichen Arbeit automatisieren, ohne dass dafür Fachkenntnisse über Agentenarchitekturen, Orchestrierungsframeworks oder Programmierung notwendig sind.

Die agentischen KI-Produkte von Hostinger sind auf bestimmte Unternehmensfunktionen ausgerichtet. Damit können Teams häufig anfallende Aufgaben automatisieren, ohne komplexe KI-Systeme selbst entwickeln oder verwalten zu müssen.

Mit Hostinger Agent können Sie:

• Ihre Suchmaschinenoptimierung (SEO) verbessern, indem Sie Keyword-Potenziale erkennen und Inhalte optimieren.
• Blogbeiträge, Produktbeschreibungen und andere Marketingtexte erstellen.
• Marketingkampagnen mit Content-Ideen und Erkenntnissen über die Zielgruppe unterstützen.
• Vertriebsteams beim Verfassen von Nachrichten zur Kontaktaufnahme und bei der Qualifizierung von Leads unterstützen.
• Kundenfragen beantworten und Antworten vorbereiten.
• Verträge prüfen oder juristische Dokumente zusammenfassen.
• Die Unternehmensplanung durch Recherche, Analysen und strategische Empfehlungen unterstützen.

Dieser Artikel ist eine lokalisierte Version von Types of AI agents explained, der ursprünglich in englischer Sprache veröffentlicht wurde.

Alle Tutorial-Inhalte auf dieser Website unterliegen Hostingers strengen redaktionellen Standards und Werten.

Erstellt von

Faradilla Ayunindya

Add Hostinger as a preferred source on Google

Faradilla, auch bekannt als Ninda, ist Content Marketing Specialist bei Hostinger mit über fünf Jahren Erfahrung und einem zehnjährigen Hintergrund als Linguistin. Sie möchte Technologie für alle zugänglich machen, indem sie komplexe Anleitungen in klare und leicht verständliche Schritt-für-Schritt-Guides verwandelt. In ihrer Freizeit interessiert sie sich für Biowissenschaften oder schaut gerne lustige Tiervideos. Vernetzen Sie sich mit ihr auf LinkedIn.

Mehr von Faradilla Ayunindya