Mehrere KI-Agenten, Tools und Workflows koordiniert zusammenspielen lassen — von MCP-Servern über Keyword-gesteuerte Abläufe bis zu Multi-Agent-Pipelines.
A2A ist ein offenes Protokoll für die Kommunikation zwischen KI-Agenten über Anbieter hinweg — Abgrenzung zu MCP, Use-Cases in Multi-Agent-Systemen.
Wie Tracing Agenten-Schritte und Tool-Calls als Spans sichtbar macht — Basis für Debugging und Kostenkontrolle, mit Tools wie LangSmith und Langfuse.
Der Unterschied zwischen festen, vordefinierten Workflows und autonomen KI-Agenten — mit Anthropics Definition, Trade-offs und Entscheidungshilfe.
Ein KI-Agent erzeugt, ein zweiter bewertet und kritisiert — und das so lange im Kreis, bis das Ergebnis ein klares Qualitätskriterium erfüllt.
Was Human-in-the-Loop in Agenten-Workflows heißt: Freigabe-Gates, Eingriffspunkte vor kritischen Aktionen und warum sie für irreversible Schritte Pflicht sind.
Was ein LLM-Router macht: Anfragen automatisch an günstige oder starke Modelle leiten, Kosten senken und die Risiken bei Fehlklassifikation verstehen.
MCP ist der offene Standard, über den KI-Modelle an Tools und Datenquellen andocken. So funktioniert die Client-Server-Architektur.
Wie mehrere KI-Agenten koordiniert zusammenarbeiten: Orchestrator-Worker, Supervisor-Pattern, Aufgabenverteilung und wann sich Multi-Agent lohnt.
Plan-and-Execute heißt: erst einen kompletten Plan erstellen, dann Schritt für Schritt abarbeiten. Wie das Muster funktioniert und wo es ReAct schlägt.
Mehrere LLM-Aufrufe zu einer Pipeline verketten: Ausgabe wird Eingabe, Zwischen-Checks als Gates und wann Chaining besser ist als ein Mega-Prompt.
Wie das ReAct-Muster aus Thought, Action und Observation funktioniert, warum tool-nutzende KI-Agenten darauf bauen — und wo es typisch kippt.
Wie Agenten ihren Zustand nach jedem Schritt sichern (Checkpointing) und nach einem Abbruch exakt dort weitermachen — durable execution erklärt.