Die meisten Software-Workflows sind Pipelines: Eingabe rein, Schritte werden der Reihe nach ausgeführt, Ausgabe raus. Sie sind vorhersagbar, debug-freundlich — und spröde. Wenn ein Schritt fehlschlägt — eine API ist down, ein Seitenlayout hat sich geändert, die Daten sehen anders aus als erwartet — stoppt der Workflow und wartet auf einen Menschen.
Agentic Workflows ändern das. Statt einer festen Schrittfolge gibt man einem KI-Agenten ein Ziel und lässt ihn selbst entscheiden, wie er dorthin gelangt — mit Echtzeitanpassung basierend auf dem, was er vorfindet. Dieser Wandel ist nicht nur technisch; er verändert, was überhaupt automatisierbar ist.
Dieser Leitfaden behandelt die Design Patterns, Entscheidungsrahmen und Fähigkeitsanforderungen, um agentic Workflows zu bauen, die in der Produktion tatsächlich funktionieren.
Was macht einen Workflow "agentic"?
Ein Workflow wird agentic, wenn er Entscheidungen an die KI delegiert, statt jeden Zweig vorab zu skripten. Das Schlüsselwort ist Autonomie.
| Traditioneller Workflow | Agentic Workflow |
|---|---|
| "Wenn X, tue Y. Wenn A, tue B." (alles vorcodiert) | "Erreiche Ziel G. Du hast Werkzeuge T. Finde den Weg." |
| Scheitert bei unerwarteter Eingabe | Passt sich an unerwartete Eingabe an |
| Debugging: Logs auf den fehlerhaften Schritt prüfen | Debugging: Prüfen, warum der Agent diese Entscheidung traf |
| Skaliert durch Hinzufügen weiterer Verzweigungen | Skaliert durch bessere Werkzeuge für den Agenten |
Die Kern-Erkenntnis aus Andrew Ngs Arbeit zu agentischem Design: Ein agentic Workflow ist keine bessere Pipeline. Es ist eine andere Kategorie der Automatisierung — eine, bei der das System während der Ausführung Entscheidungen trifft.
Die vier Patterns agentischer Workflows
Jeder agentic Workflow besteht aus vier fundamentalen Patterns, einzeln oder in Kombination eingesetzt.
Pattern 1: Reflection
Der Agent erzeugt Output, kritisiert dann seine eigene Arbeit und verbessert sie.
Code schreiben → Code reviewen → Bugs finden → Beheben → Erneut reviewen
Dies ist das einfachste Pattern und oft das mit dem höchsten ROI. Selbst eine einfache "Prüfe deine eigene Arbeit und verbessere sie"-Schleife fängt Fehler, die eine Single-Pass-Generierung übersehen würde. LLMs sind besser darin, Output zu kritisieren, als beim ersten Versuch perfekten Output zu produzieren — Reflection nutzt diese Asymmetrie aus.
Pattern 2: Tool Use
Der Agent ruft externe Werkzeuge auf, um Informationen zu sammeln oder Aktionen jenseits der Textgenerierung auszuführen.
"Was ist der aktuelle Preis von X?" → Suchwerkzeug aufrufen → "Der Preis beträgt $Y" → Fortfahren
Werkzeuge machen aus einem Agenten von einer Reasoning-Engine einen Akteur. Ohne Werkzeuge kann der Agent nur denken. Mit Werkzeugen — Suche, Crawling, Generierung, Speicherung, Veröffentlichung — kann er die Welt beeinflussen.
Genau hier wird AnyCap zur Fähigkeitsschicht des Agenten. Statt dass der Agent sagt "Ich wünschte, ich könnte das Web durchsuchen", führt er aus:
anycap search --prompt "Wie hoch ist der aktuelle NVIDIA-Aktienkurs?"
Das Werkzeug führt aus. Der Agent liest das Ergebnis. Der Workflow geht weiter.
Pattern 3: Planning
Der Agent zerlegt ein komplexes Ziel in Teilaufgaben, führt sie der Reihe nach aus und passt den Plan basierend auf neuen Erkenntnissen an.
Ziel: "Schreibe einen Marktbericht über KI-Video"
→ Plan: (1) Schlüsselakteure suchen (2) Preisseiten crawlen
(3) Funktionen vergleichen (4) Bericht schreiben (5) Veröffentlichen
→ Schritt 1 ausführen → Neuen Akteur entdecken → Plan überarbeiten → Fortfahren
Planning ist der Punkt, an dem sich agentic Workflows am dramatischsten von traditionellen Pipelines unterscheiden. Eine Pipeline hat einen festen Plan. Ein agentic Workflow hat einen Plan, der sich basierend auf dem weiterentwickelt, was der Agent während der Ausführung entdeckt.
Pattern 4: Multi-Agent Collaboration
Mehrere Agenten mit unterschiedlichen Spezialisierungen bearbeiten verschiedene Teile einer Aufgabe, koordiniert durch einen Orchestrator.
Research Agent: findet Quellen
Writer Agent: erstellt den Bericht
Reviewer Agent: prüft auf Fehler und Lücken
Publisher Agent: deployed die finale Seite
Multi-Agent-Systeme erhöhen die Komplexität, ermöglichen aber Spezialisierung. Ein Research Agent kann auf Gründlichkeit optimiert werden, während ein Writer Agent auf Klarheit optimiert wird — unterschiedliche System-Prompts, unterschiedliche Werkzeuge, unterschiedliche Prioritäten.
Fähigkeiten: Was Ihr Agent zur Ausführung von Workflows benötigt
Ein Workflow-Pattern ohne Werkzeuge ist nur ein Diagramm. Der Agent braucht tatsächliche Fähigkeiten zur Ausführung:
| Workflow-Pattern | Benötigte Fähigkeiten | AnyCap-Werkzeug |
|---|---|---|
| Reflection | Generieren, dann reviewen | LLM-Selbstkritik |
| Tool Use | Suchen, crawlen, generieren, speichern, veröffentlichen | anycap search, anycap crawl, anycap image generate, anycap drive, anycap page |
| Planning | Alles obige, plus Zustandsmanagement | Vollständiges AnyCap-Toolkit |
| Multi-Agent | Alles obige, plus Nachrichtenübermittlung | Orchestrator + AnyCap pro Agent |
Die Qualität eines agentic Workflows ist direkt proportional zur Qualität der ihm verfügbaren Werkzeuge. Ein Agent nur mit Suchwerkzeug produziert Suchergebnisse. Ein Agent mit Suche + Crawling + Generierung + Speicherung + Veröffentlichung produziert fertige, ausgelieferte Arbeit.
Die Orchestrierungs-Entscheidung: Wann welches Pattern?
Nicht jede Aufgabe braucht ein Multi-Agent-Planning-System. Der Entscheidungsrahmen:
Ist der Aufgabenpfad vorhersagbar?
→ Ja: Traditionelle Pipeline genügt. Nicht über-engineeren.
→ Nein: Tool Use oder Planning Pattern verwenden.
Profitiert die Aufgabe von Selbstkritik?
→ Ja: Reflection hinzufügen.
→ Nein: Überspringen.
Ist die Aufgabe zu groß für einen Agenten?
→ Ja: Multi-Agent in Betracht ziehen.
→ Nein: Ein Agent ist einfacher und zuverlässiger.
Der häufigste Fehler: Zu Multi-Agent springen, bevor man ausgeschöpft hat, was ein einzelner gut ausgestatteter Agent leisten kann.
Produktions-Überlegungen
Kostenmanagement
Agentic Workflows können teuer sein. Jeder Werkzeugaufruf kostet Credits; jeder Planning-Schritt verbrennt Tokens. Gegenmaßnahmen:
- Anzahl der Schritte pro Workflow-Ausführung begrenzen
- Günstigere Modelle für einfache Teilaufgaben nutzen (Reflection, Formatierung)
- Häufige Werkzeug-Ergebnisse cachen (nicht zweimal dasselbe suchen)
Fehlerbehandlung
Agentic Workflows scheitern anders als Pipelines. Eine Pipeline scheitert an einem bestimmten Schritt mit einem bestimmten Fehler. Ein agentic Workflow könnte mehrere Schritte lang einen falschen Pfad gehen, bevor er den Fehler bemerkt.
Darauf auslegen:
- Timeouts: Wenn der Workflow N Schritte oder T Minuten überschreitet, Teilergebnisse zurückgeben
- Checkpoints: Zwischenzustand speichern, damit der Agent fortsetzen, nicht neu starten kann
- Human-in-the-Loop: Für risikoreiche Aktionen (Veröffentlichen, Senden) Genehmigung einholen
Observability
Was man nicht sehen kann, kann man nicht debuggen. Jede Entscheidung protokollieren: welches Werkzeug wurde aufgerufen, mit welchen Parametern, welches Ergebnis kam zurück, und was der Agent als nächstes zu tun beschloss. Ohne dies debuggt man eine Blackbox.
Von der Theorie zur Praxis
Agentic Workflows sind kein Zukunftskonzept. Sie laufen heute in Produktion — automatisieren Recherche, generieren Inhalte, verwalten Datenpipelines und liefern fertige Arbeit.
Die Hürde sind nicht die Patterns. Es ist der Werkzeugzugang. Die Patterns sind gut dokumentiert. Was gefehlt hat, ist ein einheitlicher Weg für Agenten, sie tatsächlich auszuführen — zu suchen, zu crawlen, zu generieren, zu speichern und zu veröffentlichen, ohne ein Dutzend separate APIs integrieren zu müssen.
AnyCap bietet diese einheitliche Fähigkeitsschicht. Eine CLI. Alle Werkzeuge. Der Agent konzentriert sich auf Entscheidungen; die Runtime übernimmt die Ausführung.