Gängige Workflow-Muster für KI-Agenten – und wann sie verwendet werden sollten

KI-Agenten treffen Entscheidungen autonom, und Workflows sind die Methode, mit der Sie dieser Autonomie Struktur geben. Sie legen Ausführungsmuster fest, um die Agentenfunktionen auf komplexe Probleme auszurichten, die koordinierte Schritte, vorhersehbare Ergebnisse und ein orchestriertes Timing erfordern.

Wenn mehrere Agenten zusammenarbeiten müssen, müssen Sie entscheiden, welches Muster für Ihr Problem am besten geeignet ist.

Wir haben mit Dutzenden von Teams zusammengearbeitet, die KI-Agenten entwickeln, und im Produktivbetrieb decken drei Muster die überwiegende Mehrheit der Anwendungsfälle ab: sequenzielle, parallele und Evaluator-Optimierer-Workflows.

Jedes davon löst unterschiedliche Probleme, und die Wahl des falschen Ansatzes führt zu Einbußen bei Latenz, Tokens oder Zuverlässigkeit. In diesem Beitrag gehen wir auf alle drei Muster ein, mit einer Anleitung, wann welcher passt und wie man sie kombiniert.

Wie Workflows und Agenten zusammenarbeiten

Wenn Sie bereits ein Team geleitet haben, verstehen Sie bereits Workflows.

Stellen Sie sich eine Fertigungsstraße vor: An jeder Station trifft ein qualifizierter Mitarbeiter Entscheidungen über seine spezifischen Aufgaben, aber der Gesamtablauf wird im Voraus festgelegt – selbst wenn einzelne Schritte dynamische Entscheidungen wie das Routing oder Wiederholungen erfordern.

Agenten-Workflows funktionieren auf die gleiche Weise.

Workflows im Vergleich zu autonomen Agenten

Workflows ersetzen nicht die Agentenautonomie, sondern bestimmen, wo und wie Agenten sie anwenden.

Ein vollständig autonomer Agent entscheidet über alles: welche Tools er verwendet, in welcher Reihenfolge er Aufgaben ausführt und wann er aufhören kann.

Ein Workflow bietet Struktur: Er legt den Gesamtfluss fest, definiert Kontrollpunkte und setzt Grenzen für die Arbeitsweise von Agenten in jedem Schritt, während er dynamisches Verhalten innerhalb dieser Grenzen zulässt.

In jedem Schritt eines Workflows kann zwar die Analysefähigkeit und die Tools durch einen Agenten genutzt werden, aber die Orchestrierung folgt einem definierten Pfad. Ein Workflow-Muster liefert Ihnen Agentenintelligenz innerhalb jedes Schritts und vorhersehbare Prozessabläufe über die gesamte Aufgabe hinweg.

Muster von Agentenworkflows

Im Produktivbetrieb sehen wir meist drei Workflow-Muster. Betrachten Sie diese als Bausteine und nicht als starre Vorlagen – Sie können sie kombinieren oder verschachteln, wenn sich Ihre Anforderungen ändern:

1. Sequenzielle Workflows – zur Ausführung von Aufgaben in einer festen Reihenfolge
2. Parallele Workflows – zur gleichzeitigen Ausführung unabhängiger Aufgaben über mehrere Agenten hinweg
3. Evaluator-Optimizer-Workflows – für Ergebnisse, die iterativ verfeinert werden müssen

Jeder Workflow-Typ löst bestimmte Probleme und ist mit klaren Kompromissen in Bezug auf Komplexität, Kosten und Leistung verbunden.

‍
Beginnen Sie mit dem einfachsten Muster, das Ihr Problem löst. Standardmäßig sequenziell verwenden. Steigen Sie auf parallele Muster um, wenn die Latenz zum Engpass wird und die Aufgaben unabhängig voneinander erledigt werden können, und fügen Sie nur dann Evaluator-Optimierungsschleifen hinzu, wenn Sie die Qualitätsverbesserung messen können.

Sequenzielle Workflows

Sequenzielle Workflows führen Aufgaben in einer vorgegebenen Reihenfolge aus.

Agenten in jeder Phase verarbeiten Eingaben, treffen Entscheidungen, führen bei Bedarf Tool-Aufrufe durch und geben dann die Ergebnisse an die nächste Phase weiter. Das Ergebnis ist eine klare Kette von Vorgängen, bei der die Ausgaben linear durch das System laufen.

Wann sie verwendet werden: Sequenzielle Workflows eignen sich besonders gut, wenn Aufgaben auf natürliche Weise in eigenständige Stufen mit klaren Abhängigkeiten unterteilt werden. Sie tauschen etwas Latenz gegen höhere Genauigkeit ein, weil Sie jedem Agenten eine bestimmte Teilaufgabe zuweisen, anstatt zu versuchen, alles auf einmal zu erledigen.

Verwenden Sie sequenzielle Workflows, wenn Sie Folgendes haben:

• Mehrstufige Prozesse, bei denen jeder Schritt von dem vorherigen Ergebnis abhängt
• Pipelines zur Datentransformation, bei denen jede Phase einen spezifischen Wert liefert
• Aufgaben, die aufgrund inhärenter Abhängigkeiten nicht parallelisiert werden können
• Iterative Verbesserungszyklen wie Zyklen für Entwurf, Überprüfung und Überarbeitung

Wann das Muster vermieden werden sollte: Vernachlässigen Sie sequenzielle Workflows, wenn ein einzelner Agent die gesamte Aufgabe effektiv erledigen kann oder wenn Agenten zusammenarbeiten müssen, anstatt Aufgaben sequenziell zu übergeben. Wenn Sie eine Aufgabe in sequenzielle Schritte zwängen, obwohl sie nicht natürlich in diese Struktur passt, erhöht dies die Komplexität unnötig.

Beispiel: Sequenzielle Workflows funktionieren gut, wenn jeder Schritt von Grund auf unterschiedliche Arbeit umfasst:

• Erstellung von Marketingtexten und deren anschließende Übersetzung in mehrere Sprachen – oder Extrahierung von Daten aus Dokumenten und deren Validierung anhand eines Schemas und deren Laden in eine Datenbank
• Pipelines für die Content-Moderation funktionieren auch gut sequenziell: Inhalte extrahieren, klassifizieren, Moderationsregeln anwenden und anschließend entsprechend weiterleiten

Profitipp: Versuchen Sie es bei Ihrer Pipeline zunächst mit einem Einzelagenten, wobei die Schritte nur Teil des Prompts sind. Wenn das ausreicht, haben Sie das Problem ohne zusätzliche Komplexität gelöst. Teilen Sie Ihre Aufgabe nur dann in einen mehrstufigen Workflow auf, wenn ein einzelner Agent sie nicht zuverlässig bewältigen kann.

Parallele Workflows

Parallele Workflows verteilen unabhängige Aufgaben auf mehrere Agenten, die gleichzeitig ausgeführt werden. Anstatt auf die Fertigstellung eines Agenten zu warten, bevor der nächste gestartet wird, können Sie mehrere Agenten gleichzeitig ausführen und ihre Ergebnisse zusammenführen.

Dieses Muster kann die Geschwindigkeit erhöhen, wenn die einzelnen Aufgaben nicht voneinander abhängen.

Der Ansatz ähnelt dem Fan-Out/Fan-In-Muster verteilter Systeme. Sie senden dieselbe oder verwandte Arbeit an mehrere Agenten, die jeweils unabhängig voneinander arbeiten, und dann aggregieren oder synthetisieren Sie deren Ergebnisse.

Agenten geben keine Arbeit aneinander weiter – sie arbeiten autonom und liefern Ergebnisse, die zur übergeordneten Aufgabe beitragen.

Wann Sie sie verwenden sollten: Parallelisierung ist sinnvoll, wenn Sie die Arbeit in unabhängige Teilaufgaben unterteilen können, die von der gleichzeitigen Verarbeitung profitieren, oder wenn Sie mehrere Perspektiven auf dasselbe Problem benötigen. Es ermöglicht auch die Trennung der Zuständigkeiten: Verschiedene Ingenieure können einzelne Agenten unabhängig voneinander verantworten und optimieren, ohne dass sich ihre Arbeit gegenseitig beeinträchtigt. Bei komplexen Aufgaben übertrifft die Bearbeitung jedes Aspekts mit einem separaten KI-Aufruf oft den Versuch, alles in einem einzigen Aufruf zu bewältigen.

Ziehen Sie parallele Workflows in Betracht für:

• Ansätze zur Aufgabentrennung, bei denen sich verschiedene Agenten um verschiedene Aspekte kümmern (z. B. einer verarbeitet Abfragen, während ein anderer auf Sicherheitsprobleme überprüft)
• Bewertungsszenarien, in denen jeder Agent verschiedene Qualitätsaspekte bewertet
• Abstimmungsmuster, bei denen mehrere Agenten dieselben Inhalte analysieren und Sie ihre Bewertungen aggregieren

Wann Muster vermieden werden sollte: Verwenden Sie keine parallelen Workflows, wenn Agenten einen kumulativen Kontext benötigen oder auf der Arbeit anderer aufbauen müssen. Sie können dieses Muster vernachlässigen, wenn die gleichzeitige Verarbeitung aufgrund von Ressourcenbeschränkungen wie API-Kontingenten ineffizient ist oder wenn Ihnen eine klare Strategie für den Umgang mit widersprüchlichen Ergebnissen verschiedener Agenten fehlt. Auch wenn die Ergebnisaggregation zu komplex wird oder die Ausgabequalität beeinträchtigt, lohnt sich die Parallelisierung nicht.

Beispiel: Parallele Workflows funktionieren gut bei Folgendem:

• Automatisierung von Bewertungen (jeder Agent überprüft andere Qualitätsmetriken) oder Code-Reviews (mehrere Agenten überprüfen verschiedene Schwachstellenkategorien)
• Die Dokumentenanalyse ist ein weiterer guter Anwendungsfall: Sie können die Extraktion wichtiger Themen, die Stimmungsanalyse und die Faktenüberprüfung parallelisieren und dann die Erkenntnisse kombinieren

Profitipp: Entwickeln Sie eine Aggregationsstrategie, bevor Sie parallele Agenten implementieren. Schließen Sie sich der Mehrheitsentscheidung an? Durchschnittliche Konfidenzwerte? An den spezialisiertesten Agenten delegieren? Ein klarer Plan für die Zusammenführung der Ergebnisse verhindert, dass Sie widersprüchliche Ergebnisse sammeln, die sich nicht auflösen lassen.

Evaluator-Optimizer-Workflows

Evaluator-Optimierer-Workflows verbinden zwei Agenten in einem iterativen Zyklus: Einer generiert Inhalte, ein anderer bewertet diese anhand bestimmter Kriterien, und der Generator überarbeitet diese auf Grundlage des Feedbacks. Dies wird so lange fortgesetzt, bis die Ausgabe Ihren Qualitätsschwellenwert erreicht oder eine maximale Anzahl von Iterationen erreicht.

Die wichtigste Erkenntnis ist, dass die Generierung und Bewertung verschiedene kognitive Aufgaben sind. Durch die Trennung kann sich jeder Agent spezialisieren – der Generator konzentriert sich auf die Erstellung von Inhalten, der Evaluator konzentriert sich auf die Anwendung konsistenter Qualitätskriterien.

Wann es verwendet werden sollte: Dieses Muster funktioniert gut, wenn Sie klare, messbare Qualitätskriterien haben, die ein KI-Evaluator konsequent anwenden kann, und wenn die Lücke zwischen der Erstversuchs- und der Endqualität signifikant genug ist, um die zusätzlichen Tokens und die Latenz zu rechtfertigen.

Ziehen Sie Evaluator-Optimierer-Workflows in Betracht für:

• Codegenerierung mit bestimmten Anforderungen (Sicherheitsstandards, Performance-Benchmarks, Stilrichtlinien)
• Professionelle Kommunikation, bei der Tonfall und Präzision wichtig sind
• Jedes Szenario, in dem die Qualität des ersten Entwurfs konstant unter den Anforderungen liegt

Wann das Muster vermieden werden sollte: Vernachlässigen Sie Evaluator-Optimizer-Workflows, wenn die Qualität beim ersten Versuch bereits Ihren Anforderungen entspricht – Sie verschwenden Tokens für unnötige Iterationen. Verwenden Sie dieses Muster nicht für Echtzeitanwendungen, die sofortige Antworten erfordern, für einfache Routineaufgaben wie die Klassifizierung oder wenn die Bewertungskriterien zu subjektiv sind, als dass ein KI-Evaluator sie konsistent anwenden könnte. Wenn es deterministische Tools gibt (z. B. Linters für den Code-Stil), verwenden Sie stattdessen diese. Vermeiden Sie dieses Muster außerdem, wenn die Ressourceneinschränkungen die Qualitätsverbesserungen überwiegen.

Beispiel: Evaluator-Optimizer-Workflows funktionieren gut für:

• Erstellung von API-Dokumentationen (Generator schreibt Dokumentationen, Evaluator überprüft Vollständigkeit, Klarheit und Genauigkeit anhand der Codebasis)
• Erstellung von Kundenkommunikation (Generator erstellt E-Mail-Entwürfe, Evaluator bewertet den Tonfall und die Einhaltung von Richtlinien)
• Erstellung von SQL-Abfragen (Generator schreibt Abfrage, Evaluator überprüft auf Effizienz- und Sicherheitsprobleme)

Profitipp: Legen Sie klare Abbruchkriterien fest, bevor Sie mit der Iteration beginnen. Legen Sie die maximale Anzahl an Iterationen und bestimmte Schwellenwerte für die Qualität fest. Ohne diese Vorgaben können die Iterationsschleifen teuer werden, weil der Evaluator immer wieder kleinere Probleme findet und der Generator immer wieder Anpassungen vornimmt, aber die Qualität stagniert deutlich, bevor man aufhört zu iterieren. Sie sollten wissen, wann gut genug gut genug ist.

Auswahl des richtigen Workflowmusters

Das richtige Workflow-Muster hängt von Ihrer Aufgabenstruktur, Ihren Qualitätsanforderungen und den Ressourcenbeschränkungen ab.

Bevor Sie sich für ein Muster entscheiden, sollten Sie die Aufgabe zuerst als einzelnen Agentenaufruf ausprobieren. Wenn das Ihren Qualitätsmaßstab erfüllt, sind Sie fertig. Wenn nicht, müssen Sie herausfinden, wo es noch Diskrepanzen gibt – das sagt Ihnen, für welches Muster Sie greifen sollten.

Hier sind ein paar Fragen, die Ihnen bei der Entscheidung helfen können:

• Kann ein einzelner Agent diese Aufgabe effektiv erledigen? Wenn ja, sollten Sie keine Workflows verwenden.
• Hat die Aufgabe klare sequenzielle Abhängigkeiten? Dann verwenden Sie sequenzielle Workflows.
• Können Teilaufgaben unabhängig voneinander und gleichzeitig verarbeitet werden, und würde eine schnellere Fertigstellung helfen? Dann ziehen Sie parallele Workflows in Betracht.
• Verbessert sich die Qualität bei iterativer Verfeinerung erheblich? Dann nutzen Sie das Evaluator-Optimierer-Muster.

Sobald Sie ein Muster ausgewählt haben, sollten Sie folgende Dinge berücksichtigen:

• Fehlerbehandlung: Definieren Sie das Fallback-Verhalten und die Wiederholungslogik für jeden Schritt.
• Latenz und Kostenbeschränkungen: Diese Faktoren bestimmen, wie viele Agenten Sie ausführen können und wie viele Iterationen Sie sich leisten können.
• Messung der Verbesserung: Legen Sie bei einem Einzelagenten einen Basiswert fest, damit Sie feststellen können, ob der Workflow tatsächlich hilft.

Kombination von Mustern: Diese Muster schließen sich nicht aus. Sie können diese verschachteln, wenn es die Komplexität erfordert.

• Ein Workflow aus Evaluatoren und Optimierern kann eine parallele Bewertung verwenden, bei der mehrere Evaluatoren gleichzeitig verschiedene Qualitätsaspekte bewerten.
• Ein sequenzieller Workflow kann in bestimmten Phasen die parallele Verarbeitung beinhalten, in denen mehrere unabhängige Vorgänge durchgeführt werden, bevor zum nächsten Schritt übergegangen wird.

Der Schlüssel ist, die Komplexität von Mustern an die tatsächlichen Anforderungen anzupassen. Fügen Sie keine parallele Verarbeitung hinzu, nur weil Sie es können – fügen Sie sie hinzu, wenn die gleichzeitige Ausführung klare Vorteile bietet. Sie sollten Evaluator-Optimierer-Schleifen nur dann implementieren, wenn sie die Ausgabequalität auf eine messbare Weise verbessern.

Entwickeln Sie Ihre Workflows mit Bedacht weiter

Unser Rat: Beginnen Sie mit dem einfachsten Muster, das für Sie funktioniert. Wenn ein sequenzieller Workflow für Ihren Anwendungsfall geeignet ist, fügen Sie keine Parallelisierung hinzu. Wenn die Qualität beim ersten Versuch gut genug ist, überspringen Sie die Schleife zwischen Evaluator und Optimierer.

Diese drei Muster geben Ihnen klare Pfade zur Verbesserung bei sich ändernden Anforderungen. Ein sequenzieller Workflow kann in Engpassphasen die parallele Verarbeitung beinhalten. Ein agentischer Ansatz kann eine zusätzliche Bewertung vornehmen, wenn die Qualitätsstandards strenger werden. Da diese Muster modular sind, müssen Sie keine vollständigen Umschreibungen durchführen.

Eine Anleitung zur Implementierung, detaillierte Beispiele und fortgeschrittene Muster, einschließlich Hybridansätzen, finden Sie in unserem vollständigen Whitepaper: Entwicklung effektiver KI-Agenten: Architekturmuster und Implementierungsframeworks.

‍

Fangen Sie noch heute mit der Entwicklung auf der Claude Developer Platform an.