Agentic Workflows

Agentenbasierte Workflows stehen für einen grundlegenden Wandel in der künstlichen Intelligenz (AI), bei dem mehrere autonome Einheiten interagieren, Entscheidungen treffen und mehrstufige Aufgaben mit minimalem menschlichem Eingreifen ausführen. Anders als herkömmliche Pipelines für maschinelles Lernen, die strikt linearen Ausführungspfaden folgen, sind agentenbasierte Workflows hochdynamisch. Sie ermöglichen es einem intelligenten Agenten oder einem koordinierten Netzwerk von Agenten, seine Umgebung wahrzunehmen, komplexe Probleme zu durchdenken und externe Werkzeuge zu nutzen, um vorab definierte Ziele zu erreichen. Während Unternehmen ihre AI-Initiativen ausweiten, ersetzen agentenbasierte Workflows für Unternehmen isolierte Skripte und ermöglichen eine robuste, skalierbare Automatisierung in verschiedensten Branchen.

Agentenbasierte Workflows verstehen#

Im Kern verlagert ein agentenbasierter Workflow AI von passiver Generierung hin zur aktiven Problemlösung. Dafür ist der Wechsel von Interaktionen mit einzelnen Prompts zu einer iterativen Schleife aus Planung, Ausführung und Beobachtung erforderlich. Durch die Orchestrierung dieser Schleifen können Entwickler Systeme erstellen, die unerwartete Sonderfälle bewältigen und ihre eigenen Fehler korrigieren können.

Zur klaren Unterscheidung eng verwandter Konzepte: Ein AI-Agent ist die einzelne autonome Einheit (häufig betrieben mit einem großen Sprachmodell (LLM)), die Schlussfolgerungen zieht und handelt. Ein agentenbasierter Workflow ist dagegen der übergeordnete Architekturprozess, der festlegt, wie diese Agenten zusammenarbeiten, ihren Speicher gemeinsam nutzen und ihre Aktionen sequenzieren. Während generative AI Inhalte auf Grundlage eines Benutzer-Prompts hauptsächlich in einem einzigen linearen Durchlauf erstellt, verwenden agentenbasierte Systeme Designmuster für Agenten – etwa Selbstreflexion, Planung und Debatten zwischen mehreren Agenten –, um ihre Ausgaben kontinuierlich zu verfeinern, bis das Ziel vollständig erreicht ist.

Kernkomponenten#

Mehrere grundlegende Elemente sind entscheidend für den Erfolg dieser Workflows:

• LLM-Backbones: Die zentralen Schlussfolgerungs-Engines des Workflows. Frameworks orchestrieren hochmoderne Modelle wie OpenAI's GPT-4o, um die Absichten der Benutzer zu interpretieren und dynamisch Ausführungspläne zu erstellen.
• Funktionsaufrufe und Tool-Nutzung: Agenten sind mit spezifischen Werkzeugen ausgestattet, um mit der Außenwelt zu interagieren. Dazu gehören das Abfragen von Datenbanken, das Ausführen von Code oder das Aufrufen von Computer-Vision-Modellen, um visuelle Daten zu analysieren. Die Dokumentation von Anbietern wie OpenAI zu Funktionsaufrufen beschreibt, wie Modelle Ausgaben formatieren, um externe APIs zuverlässig auszulösen.
• Orchestrierungs-Frameworks: Bibliotheken wie LangGraph und CrewAI sowie Microsoft AutoGen stellen die wichtige Infrastruktur bereit, um Agenten zu verbinden, Gesprächszustände zu verwalten und Aufgaben intelligent weiterzuleiten.
• Speicher- und Kontextverwaltung: Um Halluzinationen zu verhindern und die Konsistenz über mehrstufige Prozesse hinweg zu wahren, speichern Workflows einen Kurzzeitspeicher (das aktuelle Kontextfenster des Gesprächs) und einen Langzeitspeicher (persistente Datenbanken), um aus vergangenen Interaktionen zu lernen.

Anwendungen in der Praxis#

Agentenbasierte Workflows lösen in der Praxis bereits komplexe, ergebnisoffene Aufgaben:

1. Autonome visuelle Inspektion: In der Fertigung kann ein agentenbasiertes System die Fehlererkennung automatisieren. Ein Orchestrator-Agent löst ein Kamerawerkzeug aus, um ein Bild aufzunehmen, verarbeitet es mit einem Modell zur Objekterkennung und analysiert die Ausgabe. Wird ein Fehler gefunden, protokolliert der Agent autonom ein Wartungsticket und leitet das Produkt zur manuellen Überprüfung weiter, wobei er die gesamte Reaktion des Werks steuert.

2. Intelligente Dokumentenanalyse: Im Finanz- und Rechtssektor werden Workflows entwickelt, um strukturierte Daten aus unstrukturierten PDFs zu extrahieren. Agenten wenden iterativ eine Layout-Erkennung an, nutzen gezieltes Prompt Engineering zur Selbstkorrektur und überprüfen extrahierte Tabellen anhand erwarteter Finanzschemas.

3. Dynamische Marketingprozesse: Fortschrittliche Marketingteams gestalten Marketing-Workflows neu, indem sie Agenten einsetzen, die aktuelle Trends autonom analysieren, Kampagnenmaterial erstellen, Varianten von Anzeigentexten testen und Budgetstrategien auf Grundlage von Leistungskennzahlen in Echtzeit anpassen.

Beispiel: Einen Vision-Agent-Workflow erstellen#

Die Integration visueller Intelligenz in einen agentenbasierten Workflow ist mit der Ultralytics Platform und dem ultralytics-Python-Paket unkompliziert. In diesem konzeptionellen Beispiel verwendet ein agentenbasiertes System YOLO26 als Werkzeug zur Wahrnehmung, um eine Fertigungsstraße zu untersuchen. Dadurch kann die zugrunde liegende Logik des Workflows anhand der Ergebnisse des predict mode autonom über die nächste Aktion entscheiden.

from ultralytics import YOLO

# Load the recommended Ultralytics YOLO26 model
model = YOLO("yolo26n.pt")

# Agentic workflow step 1: Vision tool gathers environmental data
results = model.predict("factory_line.jpg")


# Agentic workflow step 2: Agent logic evaluates the visual detections
def decision_agent(detections):
    for obj in detections:
        # Check if the model detected a specific class, e.g., 'defect'
        if obj.names[int(obj.cls)] == "defect":
            return "Action: Trigger immediate maintenance alert."
    return "Action: Continue production line smoothly."


# Execute the agent's decision logic based on bounding box data
action = decision_agent(results[0].boxes)
print(action)

Indem sie Frameworks wie PyTorch im Hintergrund nutzen, liefern diese Vision-Werkzeuge eine äußerst präzise räumliche Wahrnehmung für die übergeordnete AI-Logik. Da agentenbasierte Organisationen immer ausgereifter werden, wird die Kombination aus fortschrittlichen Schlussfolgerungsmodellen und Echtzeit-Vision-Funktionen die nächste Generation intelligenter, selbstkorrigierender Automatisierung vorantreiben. Durch kontinuierliche Verbesserung mittels aktivem Lernen und ausgefeilter Orchestrierung stellen agentenbasierte Workflows sicher, dass AI-Systeme komplexe Strategien zuverlässig durchgängig ausführen.