Agent versus Chat: Die Ziel → Plan → Handeln Schleife

Alles, was du bisher gelernt hast, war ein Dialog: Du fragst → es antwortet → du entscheidest, was als Nächstes kommt. Ein Agent nimmt das „was als Nächstes kommt“ selbst in die Hand. In der vorherigen Lektion haben wir uns auf eine Arbeitsdefinition eines Agenten geeinigt; jetzt zerlegen wir den Mechanismus, auf dem der gesamte Kurs basiert – die Schleife.

Die Agenten-Schleife

1. Ziel: „10 geeignete Werbeplattformen finden und deren Preise in einer Tabelle sammeln“.
2. Plan: Der Agent zerlegt das Ziel in Schritte: Plattformen suchen → jede öffnen → Preisliste finden → notieren.
3. Aktion: Er ruft ein Tool auf – eine externe Operation, die dem Modell zur Verfügung steht: suchen, eine Seite lesen, in ein Sheet schreiben. Tools sind die „Hände“, die dem Chat von 2022 fehlten.
4. Beobachtung: Er erhält das Ergebnis der Aktion und bewertet: Hat es funktioniert? Sind genügend Daten vorhanden? Das Ergebnis jeder Aktion wird wörtlich als Beobachtung bezeichnet.
5. Wiederholen – ab Schritt 2, bis das Ziel erreicht ist (oder das Zuglimit erreicht ist – eine Schutzmaßnahme gegen Endlosschleifen, die im Zuverlässigkeitsmodul behandelt wird).

Der Hauptunterschied zum Chat: Das Modell trifft die Entscheidungen innerhalb der Schleife, nicht du. Du legst das Ziel, die Grenzen und die Tools fest – der Agent baut die Route selbst.

Ein Mini-Trace: Drei Züge aus der Sicht des Agenten

So sieht die Schleife von innen aus – bei unserer Aufgabe mit den Plattformen:

• Zug 1. Gedanke: Ich brauche eine Liste von Plattformen. Aktion: Suche „Werbung in Kochblogs“. Beobachtung: 12 Links, 7 sehen wie Blogs aus.
• Zug 2. Gedanke: Öffne den ersten. Aktion: Link #1 öffnen. Beobachtung: Die Seite konnte nicht geladen werden – Fehler.
• Zug 3. Gedanke: Toter Link – markieren, den nächsten nehmen. Aktion: Link #2 öffnen. Beobachtung: Es gibt eine Seite „Werben“ mit einem Preis. Schreibe es in die Tabelle.

Schau dir Zug 2 an: Das Tool gab einen Fehler zurück – und der Agent überarbeitete den Plan, anstatt stur weiterzumachen. Beobachtung ist das, was die Schleife lebendig macht. Erinnerst du dich an AutoGPT aus der vorherigen Lektion? Es scheiterte genau hier: Es überzeugte sich selbst, dass der Schritt erfolgreich war, und schleppte den erfundenen „Erfolg“ in die nächsten Züge.

Ein Agent ist kein neues Modell

Nehmen wir den Zauber weg: In einem Agenten läuft dasselbe Sprachmodell wie im Chat. Der Unterschied ist das Gerüst darum herum: die Schleife, die Tools und der Speicher (was der Agent zwischen den Zügen behält – eine separate Lektion folgt). So erbt der Agent alle Schwächen des Modells: Er kann Fehler machen, er kann Dinge „sehen“, die nicht da sind. Und die Schleife verstärkt sowohl Fähigkeiten als auch Fehler: Eine falsche Beobachtung in Zug 2 wird zum Input von Zug 3.

Die Antwort: Ein Chat muss alles auf einmal liefern, während ein Agent es versuchen, das Ergebnis ansehen und sich selbst korrigieren kann. Nicht mehr Intelligenz – mehr Versuche, und jeder nächste stützt sich auf die Realität (Beobachtungen), nicht auf eine Vermutung.

Du hast bereits Agenten gesehen

• Tiefenrecherche – ein Suchagent: Er plant Abfragen, liest Quellen, erstellt einen Bericht. Seine Schleife: Abfrage → lesen → „was fehlt?“ → neue Abfrage.
• Code-Agenten (Claude Code, Replit und andere) – sie schreiben Code, führen ihn aus, sehen den Fehler, beheben ihn. Das Ausführen des Codes ist ihre „Beobachtung“.
• Der Agenten-Node in n8n – der Automatisierungs-Builder, den unsere Plattform in einem separaten Kurs behandelt: Der Node selbst entscheidet, ob er das Sheet prüfen oder eine Suche ausführen soll.

Immer dasselbe Muster – jetzt kennst du seinen Namen und kannst seine Schleife sehen.

Wann du einen Agenten brauchst und wann ein Chat oder Workflow ausreicht

• Eine einstufige Antwort → ein Chat.
• Eine feste Kette von Schritten → ein Workflow (Pfeile in n8n): Ein Mensch hat die Route im Voraus festgelegt – billiger und vorhersehbarer.
• Schritte, die im Voraus unbekannt sind und von den Ergebnissen abhängen → ein Agent.

Der klassische Anfängerfehler ist ein Agent, wo ein Workflow ausreichen würde. Ein Agent ist nicht „cooler“ – er ist „flexibler zu einem Preis“: Jeder Zug ist ein separater Modellaufruf, daher ist er kostspieliger, langsamer, weniger vorhersehbar. Eine ganze Lektion ist dieser Wahl gewidmet – direkt nach der Anwendungsübersicht.

Sandbox: Fühl den Unterschied mit deinen Händen

Sende zwei Prompts nacheinander und vergleiche. Zuerst ein regulärer Chat:

Answer in one paragraph: how do I plan a new product launch?

Lass das Modell nun einen Agenten spielen:

Act as an autonomous agent. GOAL: plan a new product launch.
Work in a loop: Thought → Action (tool call) → Observation.
Tools are imaginary only: search(query), calendar_add(event),
send_email(to, text). Show 5 turns of the loop, invent plausible
observations. After turn 5 — STOP and a brief summary: done vs remaining.

Der Kontrast zwischen der ersten und der zweiten Antwort ist die Definition eines Agenten: nicht „eine Antwort“, sondern „Arbeit in einer Schleife“.

Mach es jetzt

Führe beide Sandbox-Prompts aus. Finde in der zweiten Antwort einen Zug, in dem eine Beobachtung den Plan geändert hat. Wenn es keinen gibt – füge die Zeile „on turn 3 the tool returns an error“ zum Prompt hinzu und beobachte, wie das Modell umleitet.