Agentische Workflow-Muster
Agentische Workflows ersetzen das einmalige Prompting durch iterative Schleifen: Reflexion, Tool-Nutzung, Planung und Multi-Agenten-Kollaboration. Wir prüfen die gemessenen Zugewinne hinter jedem Muster — von den HumanEval-Ergebnissen des Reflexion-Papers bis zu Devins SWE-bench-Wert — benennen, was die Techniken nicht leisten, und plädieren dafür, mit der einfachsten Schleife zu beginnen, die eine Evaluation verifizieren kann.
Warum Single-Pass-Prompting an eine Grenze stößt
Der Produktionseinsatz großer Sprachmodelle ist im März 2024 überwiegend Single-Pass. Ein Prompt geht hinein, Token kommen heraus, und der erste Entwurf ist die endgültige Antwort. Das Modell führt seinen Code nie aus, prüft keine Behauptung gegen eine Quelle und überarbeitet nichts. Das entspricht der Erwartung, ein Entwickler solle ein Feature von oben nach unten tippen, ohne je die Rücktaste zu benutzen — und das Ergebnis direkt ausliefern.
Ein agentischer Workflow ersetzt den einzelnen Durchlauf durch eine Schleife: Das Modell entwirft, prüft den Entwurf, beschafft fehlende Informationen und überarbeitet, bevor etwas den Nutzer erreicht. Die publizierten Zahlen zu diesem Wechsel sind groß. Die Ingenieursfrage lautet nicht, ob die Schleife hilft, sondern welche Schleife ihre zusätzliche Latenz, ihre Kosten und ihre Fehlermodi wert ist. Dieser Artikel geht die vier Muster durch, die sich in der Literatur wiederholen.
Vier Muster für agentische Workflows
Zwischen Oktober 2022 und heute hat sich in der Forschung eine konsistente Struktur herausgebildet: Reflexion (das Modell kritisiert die eigene Ausgabe), Tool-Nutzung (das Modell ruft externe Funktionen auf), Planung (das Modell zerlegt ein Ziel in Schritte) und Multi-Agenten-Kollaboration (mehrere Instanzen mit unterschiedlichen Rollen teilen sich die Arbeit). Andrew Ngs Brief vom 6. März 2024 in The Batch beschreibt dieselbe Landschaft: schnelle monatliche Fortschritte, Autor-Kritiker-Paare und Frameworks wie Microsofts AutoGen, CrewAI und LangGraph, die solche Schleifen programmierbar machen.
Die vier Muster sind nicht gleich reif. In unseren Projekten verhalten sich Reflexion und Tool-Nutzung vorhersehbar genug für die Produktion. Planung und Multi-Agenten-Kollaboration liefern gelegentlich starke, aber noch keine verlässlichen Ergebnisse. Die folgenden Abschnitte nennen pro Muster ein gemessenes Resultat — und eine dokumentierte Grenze.
Reflexion: der günstigste Zugewinn
Reflexion fordert das Modell auf, die eigene Ausgabe zu kritisieren und anschließend zu überarbeiten. Self-Refine (Madaan et al., März 2023) berichtete rund 20 Prozentpunkte absolute Verbesserung im Mittel über sieben Aufgaben — mit demselben Modell für Entwurf, Feedback und Revision. Das Reflexion-Paper (Shinn et al., 2023) ergänzte ein Gedächtnis vergangener Fehlschläge und ein externes Signal in Form von Unit-Tests und erreichte 91 % pass@1 auf HumanEval gegenüber 80 % für die eigene GPT-4-Baseline. Zur Einordnung: OpenAIs Zero-Shot-Messung vom März 2023 verortete GPT-3.5 bei 48,1 % und GPT-4 bei 67,0 % auf demselben Benchmark — die Protokolle unterscheiden sich, die Richtung nicht.
Die Grenze ist ebenso klar dokumentiert. Huang et al. (Oktober 2023) zeigten, dass intrinsische Selbstkorrektur — Reflexion ohne externes Feedback — die Genauigkeit beim Schlussfolgern senken kann, statt sie zu erhöhen. Das Muster rechtfertigt seine Kosten, wenn eine objektive Prüfung existiert: ein fehlschlagender Test, ein Schema-Validator, eine abgerufene Quelle. Reflexion gegen nichts ist oft nur Paraphrase.
Tool-Nutzung: Verankerung in der Außenwelt
Tool-Nutzung gibt dem Modell Funktionen an die Hand: Suche, Code-Ausführung, Datenbankabfragen. ReAct (Yao et al., Oktober 2022) verschränkte Denkschritte mit Aktionen und schlug Imitation- und Reinforcement-Learning-Baselines um 34 Prozentpunkte absolut auf ALFWorld und um 10 auf WebShop — bei zugleich weniger Halluzinationen in Wissensaufgaben. OpenAIs Function-Calling-API vom Juni 2023 machte die Idee zur Standardschnittstelle; jedes ernsthafte Agenten-Framework baut heute auf einer Variante davon auf.
Tool-Nutzung macht ein Modell nicht zuverlässig in der Entscheidung, wann ein Tool aufzurufen ist. Und jedes Tool ist zugleich Angriffsfläche: Eingaben, die das Modell aus nicht vertrauenswürdigem Text konstruiert, erreichen Ihre Systeme. Schemata, Timeouts, Retries und Berechtigungsgrenzen sind gewöhnliche Ingenieursarbeit, die das Muster nicht abnimmt — es erzeugt sie.
Planung: stark und zugleich fragil
Planung lässt das Modell ein Ziel in Schritte zerlegen, bevor es sie ausführt. HuggingGPT (Shen et al., März 2023) demonstrierte das Muster, indem ein LLM Aufgabengraphen über spezialisierte Modelle plante. Am 12. März 2024 kündigte Cognition Devin an, einen Agenten mit eigener Shell, eigenem Editor und Browser, und meldete 13,86 % ohne Hilfestellung gelöste GitHub-Issues auf einer zufälligen 25-%-Teilmenge von SWE-bench — gegenüber 1,96 % für den bisherigen Bestwert.
Beide Lesarten dieser Zahl sind korrekt: eine Versiebenfachung — und rund 86 % ungelöste Issues. Lange Pläne driften, Fehler summieren sich über die Schritte, und eine vierzigminütige Trajektorie ist deutlich schwerer zu debuggen als eine einzelne Completion. Planung lohnt sich, wenn Schritte isoliert prüfbar sind; sie degradiert, wenn sich nur der Endzustand beurteilen lässt.
Multi-Agenten-Kollaboration
Multi-Agenten-Systeme weisen mehreren Modellinstanzen Rollen zu — oft dasselbe Basismodell mit unterschiedlichen Prompts — und lassen sie miteinander sprechen. ChatDev und MetaGPT (beide 2023) besetzten auf diese Weise eine virtuelle Softwarefirma; AutoGen (Wu et al., 2023) verallgemeinerte die Idee zu einem Framework für programmierbare Agenten-Konversationen. Die einfachste nützliche Konfiguration bleibt Autor plus Kritiker — Reflexion, implementiert als zwei Agenten.
Die Kosten multiplizieren sich sichtbar. Jeder zusätzliche Agent vervielfacht Token-Verbrauch und Latenz, Konversationszustand muss verwaltet werden, und Agenten können sich selbstbewusst auf eine gemeinsame falsche Antwort einigen. Ein Modell auf fünf Prompts zu verteilen erzeugt Struktur, nicht Intelligenz. Wir behandeln Multi-Agenten-Designs als Optimierung, nicht als Ausgangspunkt.
Messbarer Nutzen versus zusätzliche Komplexität
Die im März 2024 verfügbare Evidenz zeigt in jeder Zeile der folgenden Tabelle denselben Tausch: Genauigkeit wird mit Token, Latenz und neuen Fehlermodi bezahlt. Keiner der Zugewinne stellt sich ohne eine Evaluations-Harness ein, die ihn nachweisen kann — weshalb wir die Harness vor der Schleife bauen.
Unsere Empfehlung: Beginnen Sie mit der einfachsten Schleife — ein Modell, ein Durchlauf aus Entwurf, Kritik und Revision, eine objektive Prüfung wie ein Unit-Test oder Validator. Ergänzen Sie Tools, wenn die Aufgabe Fakten oder Aktionen erfordert, die das Modell nicht hat. Fügen Sie Planung oder weitere Agenten erst hinzu, wenn Messungen zeigen, dass die einfache Schleife ein Plateau erreicht hat. Jede Eskalation sollte durch dieselbe Evaluation gerechtfertigt sein, die schon die vorige gerechtfertigt hat.
| Muster | Gemessener Zugewinn (Beispiel) | Zusätzliche Komplexität |
|---|---|---|
| Reflexion | HumanEval pass@1 80 % → 91 % mit GPT-4 (Reflexion) | 2–3-facher Token-Verbrauch; ohne externes Feedback Risiko der Verschlechterung |
| Tool-Nutzung | +34 Punkte absolut auf ALFWorld (ReAct) | Schemata, Fehlerbehandlung, Sicherheitsfläche |
| Planung | SWE-bench 1,96 % → 13,86 % (Devin) | Lange Trajektorien; sich summierende Fehler; schwer zu debuggen |
| Multi-Agent | Kleine Apps Ende-zu-Ende für unter einen Dollar (ChatDev) | Kosten pro Agent; Orchestrierungszustand; gemeinsame Irrtümer |
Ausblick: wohin sich Agenten entwickeln
Stand 18. März 2024 erwarten wir, dass Workflow-Design in diesem Jahr als Quelle von Fähigkeitszuwächsen mit Modell-Upgrades gleichzieht. Die 11 Punkte, die das Reflexion-Paper zwischen GPT-4 allein und GPT-4 in einer Schleife gemessen hat, haben die Größenordnung eines Generationssprungs. Wir erwarten, dass Benchmarks wie SWE-bench zum Standardmaßstab für Agenten werden und fallende Inferenzpreise Iterationsschleifen dort wirtschaftlich machen, wo sie heute grenzwertig sind.
Offene Probleme bleiben offen: Agenten zu evaluieren ist schwerer als Completions zu evaluieren, Kostenkontrolle über lange Trajektorien ist ungelöst, und Tool-führende Agenten werfen Sicherheitsfragen auf, deren Beantwortung die Branche gerade erst beginnt. Wir erwarten, dass die Frameworks konsolidieren und die Muster bleiben. Teams, die jetzt lernen, Schleifen zu messen, können jedes neue Modell am Erscheinungstag übernehmen — indem sie es in einen Workflow einsetzen, der bereits funktioniert.
Quellen
- ReAct: Synergizing Reasoning and Acting in Language Models (Yao et al., 6 Oct 2022)
- GPT-4 Technical Report (OpenAI, 15 Mar 2023)
- Reflexion: Language Agents with Verbal Reinforcement Learning (Shinn et al., 20 Mar 2023)
- Large Language Models Cannot Self-Correct Reasoning Yet (Huang et al., 3 Oct 2023)
- The Dawning Age of Agents — The Batch (Andrew Ng, 6 Mar 2024)
- Introducing Devin the first AI software engineer (Cognition, 12 Mar 2024)