Architektur agentischer Systeme

Unsere Position. Die Agenten-Architektur, die funktioniert, ist für uns geradezu peinlich einfach (öffnet in einem neuen Tab): eine While-Schleife, ein paar Allzweck-Tools und Kontext, den Subagents verwalten. Aufwendige Orchestrierung braucht es nicht. Den Nichtdeterminismus von Agenten haben Architekt:innen mit Eventual Consistency längst gelöst (öffnet in einem neuen Tab). Review-Kritiker, Verifier und Tests sind die kompensierenden Aktionen einer Saga.

Wie entwerft und betreibt ihr ein System aus Agenten?

Die Präsentation “Die neue Architektur” stellt den Schnitt in Agenten und Workflows der domänengetriebenen Zerlegung in Services oder modulare Monolithen gegenüber. Jede Übergabe bekommt den Kontext, den der nächste Schritt braucht, über MCP oder Agent-to-Agent-Protokolle (Die neue Architektur (öffnet in einem neuen Tab)).

Die Pattern-Guidance von AWS stützt jedes Agenten-Design auf drei Prinzipien und eine Schleife aus Wahrnehmen, Schlussfolgern und Handeln (AWS - Agentic AI Patterns (öffnet in einem neuen Tab)). Asynchronität heißt, Agenten arbeiten in lose gekoppelten Umgebungen voller Events. Autonomie heißt, sie handeln ohne Steuerung von außen. Agency heißt, sie verfolgen mit ihrem Handeln bestimmte Ziele.

AWS zieht die Analogie zur Saga anders als wir. Es deutet vertraute Konstrukte verteilter Systeme für das Schlussfolgern um. Prompt Chaining gilt dort als kognitives Gegenstück zur Saga, denn jeder Gedanke wird neu bewertet, überarbeitet oder verworfen. Ein Rollback geschieht durch reflektierendes Umplanen statt durch kompensierende Transaktionen. Anreicherung wird dynamisch und semantisch gesteuert, statt ein statischer Lookup zu bleiben (AWS - Agentic AI Patterns (öffnet in einem neuen Tab)).

Zwei Arten der Komposition werden leicht verwechselt. AWS trennt Workflow-Orchestrierung von Multi-Agent-Kollaboration. Bei der Orchestrierung delegiert ein zentraler Koordinator eine vorab festgelegte Abfolge. Bei der Kollaboration verhandeln dezentrale Peers und passen sich durch emergente Koordination an. Dazu kommt ein Katalog von rund elf wiederverwendbaren Agenten-Patterns, gedacht als kombinierbare Blaupausen. Er umfasst Basic Reasoning, RAG, Tool-Calling, Tool-Server, Computer-Use, Coding, Voice, Workflow-Orchestrierung, Memory-Augmented, Simulation und Observer (AWS - Agentic AI Patterns (öffnet in einem neuen Tab)).

Das Argument für Spezialisierung erinnert an die Biologie. Kein einzelner Agent kann alles. Leistungsfähige Systeme entstehen aus spezialisierten Agenten, die man zusammensetzt, so wie das Gehirn auf spezialisierte Zentren baut (Path to AGI: Beyond Words and Towards an Architecture of Reliable AI Reasoning (YouTube) (öffnet in einem neuen Tab)). Dieses Argument spricht gegen die minimale Schleife, mit der wir anfangen.

Agenten in Produktion brauchen Durable Execution, gute Prompts allein reichen nicht. Die Checkliste der Präsentation trennt echte Agenten von Demos und verlangt (Die neue Architektur (öffnet in einem neuen Tab)):

• Durable Execution mit Checkpointing
• vollständiges Tracing, denn ohne Traces ist Debugging aussichtslos
• begrenzte Schleifen mit Iterationslimits
• systematische Evaluation mit LLM-as-Judge statt nur Unit-Tests
• Kontextmanagement
• hierarchische Agenten mit Fehlerweitergabe
• parallele Tool-Ausführung, die Teilzustände wiederherstellt

Mehr Agenten-Schleifen gibt es nicht umsonst. Mehr Schleifen bedeuten mehr Kontext und mehr Chaos (Die neue Architektur (öffnet in einem neuen Tab)).

Für die Sicherheit gilt eine eigene Haltung. Auch interne Agenten gelten als nicht vertrauenswürdig. Jeder Agent bekommt eine eigene Isolation von Netzwerk und Identität, in einem mikrosegmentierten Zero-Trust-Modell (Die neue Architektur (öffnet in einem neuen Tab)). Das schwierigste ungelöste Problem ist Prompt Injection. Es trifft alle Agenten-Architekturen gleichermaßen, ob Tool-Calling, MCP oder Code-Ausführung. Keine Architekturentscheidung lässt es verschwinden (Markdown as Agentic UI (öffnet in einem neuen Tab)).

Die Evaluation wandert von der Prüfung der Ausgabe zur Trajektorie. Sie misst, wie genau der Agent das Ziel trifft und Tools aufruft, und ob der Lösungsweg logisch und effizient war (Die neue Architektur (öffnet in einem neuen Tab)).

Produkte mit eingebetteten Agenten folgen eigenen Designregeln. Der Guide Agent-native Architectures beschreibt über Parität und Granularität hinaus ein Composability-Flywheel. Darin wird der Agent zum Forschungsinstrument. Statt Features zu raten, beobachtet ihr latente Nachfrage an dem, worum Nutzer:innen den Agenten bitten. Eine gescheiterte Anfrage ist selbst ein Signal für ein fehlendes Tool (Every - Agent-native Architectures (öffnet in einem neuen Tab)).

Die Audits sind konkret. Prüft, ob es für jede Entität Create, Read, Update und Delete gibt. Sonst scheitert der Agent stillschweigend an offensichtlichen Anfragen. Haltet Tools so atomar, dass sie mit Typen funktionieren, von denen ihr beim Bauen nichts wusstet. Wandert ein Hot Path in optimierten Code, muss der Agent ihn weiter direkt auslösen können, damit die Parität hält (Every - Agent-native Architectures (öffnet in einem neuen Tab)).

Die Autonomie für unaufgeforderte Aktionen kalibriert ihr an einer Matrix aus Tragweite und Umkehrbarkeit. Umkehrbare Aktionen mit geringer Tragweite wendet der Agent automatisch an. Unumkehrbare Aktionen mit hoher Tragweite brauchen eine ausdrückliche Freigabe. Stille Agenten wirken kaputt, deshalb muss jede Aktion in der UI sichtbar sein. Den Abschluss meldet ein ausdrückliches Signal, nie eine Heuristik (Every - Agent-native Architectures (öffnet in einem neuen Tab)).

Eine Einsicht zur Schnittstelle ergänzt das. Statt ein neues Agenten-Protokoll zu erfinden, passt ihr die Laufzeitumgebung an die Trainingsdaten des Modells an. Deshalb funktioniert Markdown so gut als UI für Agenten. Es ordnet Muster an, die das Modell schon kennt, statt ihm neue beizubringen (Markdown as Agentic UI (öffnet in einem neuen Tab)).

Verwandte Seiten

• Der Agent Loop: die minimale Schleife, aus der jedes agentische System besteht.
• Multi-Agent und Orchestrierung: wann sich das Zusammensetzen mehrerer Agenten lohnt.
• Creator- und Verifier-Rollen: die kompensierenden Prüfungen, mit denen nichtdeterministische Ausgaben konvergieren.
• Architekturarbeit im agentischen Zeitalter: wie sich die menschliche Seite der Architektur verschiebt.
• Agent Observability: das Tracing, ohne das kein Agent in Produktion laufen kann.

Quellen

Artikel

• Agent-native Architectures (öffnet in einem neuen Tab) - Guide von Every zu Produkten mit eingebetteten Agenten. Er baut auf Parität, atomaren Tools, einem Composability-Flywheel und Autonomie nach Tragweite und Umkehrbarkeit.
• Markdown as Agentic UI (öffnet in einem neuen Tab) - Blog-Essay mit der These, dass Markdown als Schnittstelle für Agenten funktioniert, weil es zu den Trainingsdaten des Modells passt, statt ein Protokoll hinzuzufügen.

Dokumentation

• Agentic AI Patterns (öffnet in einem neuen Tab) - Prescriptive Guidance von AWS. Sie katalogisiert rund elf wiederverwendbare Agenten-Patterns und trennt Workflow-Orchestrierung von dezentraler Multi-Agent-Kollaboration.

Posts

• Already solved with eventual consistency (öffnet in einem neuen Tab) - LinkedIn-Post, der Review-Kritiker, Verifier und Tests als kompensierende Aktionen einer Saga liest, die den Nichtdeterminismus von Agenten bändigen.
• Embarrassingly simple (öffnet in einem neuen Tab) - LinkedIn-Post mit der These, dass die funktionierende Agenten-Architektur aus einer While-Schleife, ein paar allgemeinen Tools und Subagents für den Kontext besteht.

Talks und Videos

• Die neue Architektur (öffnet in einem neuen Tab) - Deutschsprachiges Slide-Deck, das Agenten und Workflows der Zerlegung in Services gegenüberstellt. Es enthält eine Checkliste für die Produktion, von Durable Execution bis zur Zero-Trust-Isolation.
• Path to AGI: Beyond Words and Towards an Architecture of Reliable AI Reasoning (öffnet in einem neuen Tab) - Talk auf der code.talks 2025, der BRAID vorstellt (bounded reasoning architecture for inference and decisions). Er argumentiert, dass leistungsfähige Systeme aus spezialisierten, zusammengesetzten Agenten entstehen.