Der aktuelle Hype und die Faszination um Agents ist unglaublich groß. Sie versprechen die Automatisierung von Arbeit in vielen Bereichen und die Einlösung großer Versprechen von Generativer KI.

Aber...

Agents sind oft NICHT der beste Weg zur Umsetzung von GenAI Use Cases!

Meist liefern AI Workflows/regelbasierte Automationen die besseren Ergebnisse - mit weniger Komplexität. Anthrophic hat dazu einen großartigen Guide veröffentlicht aus dem ich Dir die wichtigsten Info's zusammengefasst und mit meinen Erfahrungen ergänzt habe.

In diesem Artikel bekommst Du einen Überblick über 5 AI Workflows mit ihren Vorteilen und Anwendungsbeispielen - und wie sie sich von Agents unterscheiden.

AI Workflow vs. AI Agent

Starten wir zunächst mit der Defintion:

AI Workflow

Ein AI Workflow ist ein System, in dem Large Language Models und Tools durch vordefinierte Pfade orchestriert werden. Workflows bieten sich immer dann an, wenn der Ablauf einer Aufgabe klar ist.

AI Workflows bieten Kontrolle und können komplexere, mehrschrittige Aufgaben abbilden, die mit einzelnen Prompts/Assistenten nicht gelöst werden können.

↳ Komplexere Aufgaben + Flexibilität + Leitplanken

Plattformen zum Setup von AI Workflows

AI Agent

Ein AI Agent ist ein System, in dem Large Language Models ihre eigenen Prozesse und die Verwendung von Tools dynamisch steuern und dabei selbst kontrollieren, wie sie ihre Aufgabe erfüllen. Agents bieten sich für Probleme mit offenem Ausgang an, bei denen es schwierig ist, die erforderliche Anzahl von Schritten vorherzusagen und kein fester Pfad vorgegeben werden kann.

Die Autonomie von Agents klingt zwar fantastisch, doch Autonomie bedeutet auch weniger Kontrolle über das Ergebnis. Das Ding entscheidet halt selbst, was es tut.

↳ Wie oft wollen wir das in Geschäftsprozessen?

Plattformen zum Setup von AI Agents

Quelle: Anthropic

Workflow #1: Prompt Chaining

Beim Prompt Chaining wird eine Aufgabe in eine Abfolge von Schritten zerlegt, wobei jeder Aufruf des Large Language Modells die Ausgabe des vorherigen verarbeitet.

✅ Hilfreich, wenn eine Aufgabe in klare Teilaufgaben zerlegt werden kann. Durch die Aufteilung der Aufgabe in Zwischenschritte wird die Qualität der Ausgabe gesteigert.

💡 Beispiel: Eine Gliederung eines Dokuments schreiben, prüfen ob die Gliederung bestimmte Kriterien erfüllt und dann das Dokument basierend auf der Gliederung verfassen

⚙️ Workflow:

Quelle: Anthropic

Workflow #2: Routing

Routing klassifiziert eine Eingabe und leitet sie an eine spezialisierte Folgeaufgabe weiter. Dieser Workflow ermöglicht eine Trennung der Zuständigkeiten und den Aufbau spezialisierter Prompts.

✅ Hilfreich bei komplexen Aufgaben, bei denen es verschiedene Kategorien gibt, die besser getrennt behandelt werden.

💡 Beispiel: Verschiedene Arten von Kundendienstanfragen (allgemeine Fragen, Rückerstattungsanfragen, technischer Support) in unterschiedliche nachgelagerte Prozesse, Prompts und Tools weiterleiten

⚙️ Workflow:

Quelle: Anthropic

Workflow #3: Parallelisierung

Bei der Parallelisierung arbeiten Large Language Models gleichzeitig an einer Aufgabe und führen anschließend ihre Ergebnisse zusammen. Parallelisierung wird oft in Kombination mit Routing verwendet.

✅ Hilfreich, wenn die gleichzeitige Bearbeitung der Teilaufgaben zur Steigerung der Geschwindigkeit beiträgt oder wenn mehrere Perspektiven für das Ergebnis benötigt werden.

💡 Beispiel: Mehrere LLMs analysieren parallel verschiedene Abschnitte eines langen Vertrags oder einer wissenschaftlichen Arbeit. Ein LLM prüft rechtliche Aspekte, ein anderes fachliche Genauigkeit, während ein drittes die Verständlichkeit bewertet. Die Ergebnisse werden am Ende zusammengeführt, um eine umfassende Analyse zu erstellen

⚙️ Workflow:

Quelle: Anthropic

Workflow #4: Orchestrierung

Im Orchestrator-Workflow zerlegt ein zentrales LLM dynamisch Aufgaben, deligiert sie an andere LLMs die die Aufgaben bearbeiten und synthetisiert am Ende deren Ergebnisse.

✅ Hilfreich für komplexe Aufgaben, bei denen die benötigten Teilaufgaben nicht vorhersehbar sind. Der Hauptunterschied zur Parallelisierung liegt in der Flexibilität - Teilaufgaben sind nicht vordefiniert, sondern werden vom Orchestrator basierend auf der spezifischen Eingabe bestimmt.

💡 Beispiel: Suchaufgaben, die das Sammeln und Analysieren von Informationen aus mehreren Quellen auf mögliche relevante Informationen beinhalten

⚙️ Workflow:

Quelle: Anthropic

Workflow #5: Evaluierung

Im Evaluaierungs-Workflow generiert ein LLM-Prompt eine Antwort, während ein anderer Prompt Bewertung und Feedback in einer Schleife bereitstellt.

✅ Hilfreich, wenn klare Bewertungskriterien vorliegen und wenn iterative Verfeinerung messbaren Mehrwert bietet. Die zwei Anzeichen für eine gute Eignung sind a), dass LLM-Antworten nachweislich verbessert werden können, wenn ein Mensch sein Feedback artikuliert, und b), dass das LLM solches Feedback geben kann.

💡 Beispiel: Komplexe Suchaufgaben, die mehrere Runden des Suchens und Analysierens erfordern, um umfassende Informationen zu sammeln, wobei der Evaluator entscheidet, ob weitere Suchen gerechtfertigt sind.

⚙️ Workflow:

Quelle: Anthropic

Autonomer Agent

Im Vergleich zu den Workflows sind Agents autonome KI-Systeme, die mithilfe von Large Language Models (LLMs) komplexe Aufgaben selbstständig planen und ausführen können. Sie zeichnen sich durch ihre Fähigkeit aus, Eingaben zu verstehen, logisch zu denken, Tools zuverlässig einzusetzen und aus Fehlern zu lernen. Ein Agent beginnt seine Arbeit entweder durch einen direkten Befehl oder durch interaktive Kommunikation mit dem Benutzer. Sobald die Aufgabe klar definiert ist, arbeitet der Agent eigenständig, wobei er bei Bedarf zum Menschen zurückkehren kann, um weitere Informationen oder Entscheidungen einzuholen.

✅ Hilfreich für Probleme mit offenem Ausgang, bei denen es schwierig ist, die erforderliche Anzahl von Schritten vorherzusagen und kein fester Pfad vorgegeben werden kann.

💡 Beispiel:

Automatisierter Software-Entwickler:

• Analysiert Anforderungen und plant Entwicklungsschritte
• Schreibt, testet und debuggt Code selbstständig
• Nutzt verschiedene Entwicklungstools und Dokumentationen
• Holt bei kritischen Entscheidungen Feedback vom Entwicklungsteam ein

⚙️ Workflow:

Quelle: Anthropic

🏁 Fazit

Der Hype um Agents ist so groß wie nie zuvor und wir werden 2025 noch viel von ihnen hören.

Für die meisten Anwendungsfälle benötigen wir jedoch keine Agents, sondern gut strukturierte Workflows in denen wir Large Language Models richtig einsetzen.

Durch Workflows kannst Du spezialisierte Prompts und Assistenten auf's nächste Level bringen, ohne dabei an Kontrolle und Leitplanken einzubüßen.

Key Takeaways:

1. AI Workflows werden für Aufgaben mit klar definierten Schritten eingesetzt.

   AI Agents für offene Problemstellungen.

2. 5 typische Ansätze für Workflows sind: Chaining, Routing, Parallelisierung, Orchestrierung und Evaluierung. Alle Ansätze können auch miteinander kombiniert werden.
3. Starte so einfach wie möglich mit einem Prompt. Erweitere den Prompt um einen Workflow, falls notwendig. Setze Agents für komplexe, offene Problemstellungen ein.

Wir nutzen aktuell nur einen Bruchteil der Möglichkeiten von Large Language Models. Mit diesen Workflows holst Du mehr aus ihnen heraus.