Agentische KI verbindet ein Modell mit Werkzeugen und einer Steuerungsschleife für mehrstufige Aufgaben. Sie kann Ergebnisse prüfen und weitere Aktionen wählen. Ihre Zuverlässigkeit hängt von Implementierung, Berechtigungen und Prüfungen ab.
Autonome KI-Agenten erweitern ihre Fähigkeiten, indem sie während der Ausführung externe Tools aufrufen. Typische Tools sind Websuche, Code-Interpreter, Dateioperationen, Kalenderzugriff und API-Aufrufe externer Dienste. Das Modell entscheidet, wann es ein Tool nutzt und welche Angaben es übergibt; die Ausgabe geht in den nächsten Denkschritt ein.
Nach jedem Tool-Aufruf oder jeder Aktion beobachtet ein agentisches System, was geschehen ist, und passt sich an. Wenn eine Websuche zu wenig ergibt, probiert es andere Suchbegriffe. Wirft generierter Code einen Fehler, liest es die Fehlermeldung und überarbeitet den Code. Dieser Zyklus aus Aktion, Beobachtung und Überarbeitung ermöglicht komplexe Aufgaben ohne menschliche Führung in jedem Schritt.
Ein Nutzer gibt ein übergeordnetes Ziel vor: „Fasse alle Kundenbeschwerden des letzten Monats zusammen“, „Buche vor Donnerstag den günstigsten Flug nach Berlin“ oder „Ermittle, welcher dieser Verträge nicht standardmäßige Haftungsklauseln enthält“. Das System erhält das Ziel, nicht aber die Anweisung zu seiner Umsetzung.
Das Sprachmodell im Zentrum erzeugt einen Plan. Es überlegt, welche Schritte nötig sind, welche Tools verfügbar sind und in welcher Reihenfolge sie eingesetzt werden. Ein verbreitetes Muster dafür ist ReAct, 2022 von Yao et al. vorgestellt; es verknüpft Denkspuren mit konkreten Aktionen. Das Modell überlegt, handelt, beobachtet das Ergebnis, überlegt den nächsten Schritt und setzt fort.
Der Plan ist nicht fest. Wenn frühe Schritte unerwartete Ergebnisse liefern, überarbeitet das Modell seinen Ansatz, statt einem vorgegebenen Skript zu folgen.
Die Ausführung verlangt Wissen außerhalb des Modells. Das System ruft Tools auf: Websuche für aktuelle Informationen, Code-Interpreter für Berechnungen, Datenbankabfragen für strukturierte Datensätze oder APIs für Aktionen in externen Systemen. Jeder Tool-Aufruf wird vom Modell nach dem Bedarf des aktuellen Schritts ausgewählt.
Die Ausgabe jedes Tools wird zur Eingabe für den nächsten Denkschritt. Das Modell liest die Rückgabe und entscheidet, ob es fortfährt, wiederholt oder die Richtung ändert.
Wenn ein Schreibvorgang fehlschlägt, liest das System den Fehler. Wenn eine Suche irrelevante Ergebnisse liefert, formuliert es die Anfrage neu. Wenn ein Codeblock falsche Ausgabe erzeugt, debuggt es. Die Schleife läuft, bis das Ziel erreicht ist oder das System feststellt, dass es blockiert ist.