Modul 1: Der Agent in AktionModule 1: The Agent in Action
Lernziel: Nach diesem Modul kannst du erklären was ein AI Agent ist, wie er sich von einem Chatbot unterscheidet, und bei einer konkreten Aufgabe einschätzen ob ein Agent sie übernehmen sollte.Learning Goal: After this module, you can explain what an AI agent is, how it differs from a chatbot, and assess whether an agent should handle a specific task.
🎬 Ein Agent bei der Arbeit🎬 An Agent at Work
Vergiss für einen Moment alles was du über Chatbots weißt. Schau dir an was passiert wenn jemand eine echte Aufgabe delegiert — nicht "schreibe mir einen Text", sondern eine Aufgabe mit echten Werkzeugen, echten Daten und echtem Fehlerpotenzial.Forget everything you know about chatbots for a moment. Watch what happens when someone delegates a real task — not "write me a text", but a task with real tools, real data, and real potential for failure.
Die Aufgabe: "Recherchiere den aktuellen Stand von AI Agents in der EU"The Task: "Research the current state of AI agents in the EU"
Der Agent liest die Nachricht und erkennt: Das ist ein Research-Auftrag. Er lädt seine Research-Anweisungen ("Skill"), die definieren wie gute Recherche aussieht: Mindestens 3 Quellen, Quellenbewertung, strukturierte Ausgabe.The agent reads the message and recognizes: This is a research task. It loads its research instructions ("Skill") that define how good research looks: At least 3 sources, source evaluation, structured output.
Drei Web-Suchen: "EU AI Act agent systems 2026", "AI agent regulation Europe", "autonomous AI systems compliance". 7 relevante Ergebnisse gefiltert, Seiten gelesen, Infos extrahiert.Three web searches: "EU AI Act agent systems 2026", "AI agent regulation Europe", "autonomous AI systems compliance". 7 relevant results filtered, pages read, info extracted.
⚠️ Agent — Fehler⚠️ Agent — Error
Der Agent schreibt: "Der EU AI Act trat im August 2025 in Kraft." Das klingt plausibel. Es ist falsch. Der AI Act wurde 2024 verabschiedet, die vollständige Durchsetzung beginnt erst August 2026. Der Agent hat zwei verschiedene Daten aus verschiedenen Quellen verwechselt — und es selbstbewusst als Fakt präsentiert.The agent writes: "The EU AI Act came into force in August 2025." Sounds plausible. It's wrong. The AI Act was adopted in 2024, full enforcement begins in August 2026. The agent confused two different dates from different sources — and confidently presented it as fact.
👤 Mensch — Korrektur👤 Human — Correction
"Das Datum stimmt nicht. Der AI Act wurde 2024 verabschiedet, Durchsetzung ab August 2026." Der Agent korrigiert sich, speichert die Korrektur als Regel und wird diesen Fehler beim nächsten Mal nicht mehr machen."That date is wrong. The AI Act was adopted in 2024, enforcement from August 2026." The agent corrects itself, saves the correction as a rule, and won't make this mistake again.
Agent — Schritt 3: ErgebnisAgent — Step 3: Result
Ein strukturiertes Briefing mit korrekten Daten, Quellenangaben mit Tier-Bewertung (A/B/C), offenen Fragen und einem Hinweis auf die eigene Korrektur: "Hinweis: Datum initial falsch, nach Korrektur durch Nutzer aktualisiert."A structured briefing with correct data, source citations with tier ratings (A/B/C), open questions, and a note about its own correction: "Note: Date initially wrong, updated after user correction."
Was ist gerade passiert?What just happened?Keine Copy-Paste-Antwort aus einem Chatbot. Der Agent hat Werkzeuge benutzt (Web-Suche), eine Strategie verfolgt (Research-Skill), einen Fehler gemacht und aus der menschlichen Korrektur gelernt. Das ist der Unterschied.No copy-paste answer from a chatbot. The agent used tools (web search), followed a strategy (research skill), made an error, and learned from human correction. That's the difference.
Was ist ein AI Agent?What Is an AI Agent?
Es gibt keine universelle Definition — aber es gibt einen Konsens über die Kernelemente. Anthropic, das Unternehmen hinter Claude, hat es 2024 so zusammengefasst:There's no universal definition — but there's consensus on the core elements. Anthropic, the company behind Claude, summarized it in 2024:
"Agents sind Systeme die LLMs nutzen um dynamisch ihren eigenen Workflow zu steuern und externe Tools zu verwenden, um Aufgaben zu erledigen." — Anthropic, "Building Effective Agents" (2024)"Agents are systems that use LLMs to dynamically direct their own workflows and use external tools to accomplish tasks." — Anthropic, "Building Effective Agents" (2024)
Drei Worte sind entscheidend: dynamisch, eigenen, Tools. Lass uns die auseinandernehmen.Three words are key: dynamically, own, tools. Let's break them apart.
💬
ChatbotChatbot
Du schreibst, er antwortet. Ein Ping-Pong. Der Chatbot hat kein Gedächtnis zwischen Sessions, keine Werkzeuge, keine Strategie. Er reagiert — er handelt nicht.You write, it answers. A ping-pong. The chatbot has no memory between sessions, no tools, no strategy. It reacts — it doesn't act.
🤖
AgentAgent
Du gibst einen Auftrag, er entscheidet wie er ihn löst. Er kann im Web suchen, Dateien lesen, andere Agents fragen, Ergebnisse speichern. Er plant, handelt und reflektiert — in einer Schleife.You give a task, it decides how to solve it. It can search the web, read files, ask other agents, save results. It plans, acts, and reflects — in a loop.
Die Agent-SchleifeThe Agent Loop
Jeder Agent — egal welches Framework, egal welcher Anbieter — folgt im Kern dem gleichen Muster. In der Forschung heißt es ReAct (Yao et al., 2022): Reasoning und Acting verschränkt in einer Schleife.Every agent — regardless of framework or provider — follows the same core pattern. In research it's called ReAct (Yao et al., 2022): Reasoning and Acting interleaved in a loop.
WahrnehmenPerceive
→
DenkenThink
→
HandelnAct
→
BeobachtenObserve
↩
Das ist keine Theorie — du hast es gerade gesehen:This isn't theory — you just saw it:
Wahrnehmen: Die Nachricht lesen, Intent erkennen ("Das ist ein Research-Auftrag")Perceive: Read the message, recognize intent ("This is a research task")
Denken: Research-Skill laden, Suchstrategie planenThink: Load research skill, plan search strategy
Handeln: Web-Suche ausführen, Seiten lesen, Infos extrahierenAct: Execute web search, read pages, extract information
Beobachten: Ergebnisse prüfen — reichen sie? Sind sie konsistent? → Wenn nicht: zurück zu Schritt 2Observe: Check results — are they sufficient? Consistent? → If not: back to step 2
Das ist der Kern.That's the core.Alles andere — MCP, LangChain, CrewAI, OpenClaw — sind Implementierungen dieses Musters. Das Muster selbst ist älter als ChatGPT — es basiert auf dem Sense-Plan-Act-Paradigma aus der Robotik (Fikes & Nilsson, 1971) und dem BDI-Modell (Belief-Desire-Intention, Rao & Georgeff, 1995).Everything else — MCP, LangChain, CrewAI, OpenClaw — are implementations of this pattern. The pattern predates ChatGPT — it's based on the Sense-Plan-Act paradigm from robotics (Fikes & Nilsson, 1971) and the BDI model (Belief-Desire-Intention, Rao & Georgeff, 1995).
Die vier Bausteine eines Agent SystemsThe Four Building Blocks of an Agent System
Du musst kein Agent System bauen können. Aber du solltest wissen woraus es besteht — so wie du kein Auto bauen musst, aber Lenkrad, Bremse und Motor kennen solltest.You don't need to know how to build an agent system. But you should know what it's made of — just like you don't need to build a car, but you should know the steering wheel, brakes, and engine.
🧠
1. Das Gehirn (LLM)1. The Brain (LLM)
Ein Large Language Model wie GPT-4, Claude oder Llama. Es kann denken, Text verstehen und Entscheidungen treffen — aber es kann nichts tun ohne Werkzeuge.A Large Language Model like GPT-4, Claude, or Llama. It can think, understand text, and make decisions — but it can't do anything without tools.
🔧
2. Die Werkzeuge (Tools)2. The Tools
Web-Suche, Dateien lesen, E-Mails senden, APIs aufrufen. Tools geben dem Agent Hände. Ohne Tools ist ein Agent nur ein Chatbot der gute Vorsätze hat.Web search, reading files, sending emails, calling APIs. Tools give the agent hands. Without tools, an agent is just a chatbot with good intentions.
📝
3. Das Gedächtnis (Memory)3. The Memory
Kurzzeit (aktuelle Unterhaltung), Langzeit (gespeicherte Fakten und Regeln). Ohne Gedächtnis vergisst der Agent alles nach jedem Gespräch — wie ein Kollege mit totalem Gedächtnisverlust.Short-term (current conversation), long-term (stored facts and rules). Without memory, the agent forgets everything after each conversation — like a colleague with total amnesia.
📋
4. Die Anweisungen (Instructions)4. The Instructions
Wer bin ich? Was darf ich? Was soll ich nie tun? Wie recherchiere ich? Anweisungen definieren Identität und Verhalten — wie ein Arbeitsvertrag mit Jobbeschreibung.Who am I? What may I do? What must I never do? How do I research? Instructions define identity and behavior — like an employment contract with a job description.
Merke:Remember:Gehirn + Tools + Gedächtnis + Anweisungen = Agent System. Jede dieser Komponenten kann stark oder schwach sein. Die Kunst liegt nicht im Bauen — sie liegt im richtigen Zusammenspiel.Brain + Tools + Memory + Instructions = Agent System. Each component can be strong or weak. The art isn't in building — it's in the right combination.
Chatbot vs. Agent — Der entscheidende UnterschiedChatbot vs. Agent — The Crucial Difference
ChatbotChatbot
AgentAgent
InteraktionInteraction
Frage → AntwortQuestion → Answer
Auftrag → Strategie → ErgebnisTask → Strategy → Result
WerkzeugeTools
Keine (nur Texterzeugung)None (text generation only)
Warum der Unterschied wichtig ist:Why the difference matters:Wenn ein Chatbot etwas Falsches sagt, liest du es und ignorierst es. Wenn ein Agent etwas Falsches tut — eine Datei löscht, eine E-Mail sendet, einen falschen Commit pusht — hat das Konsequenzen in der echten Welt. Deshalb ist das Thema Vertrauen & Delegation (Modul 2) so zentral.When a chatbot says something wrong, you read it and ignore it. When an agent does something wrong — deletes a file, sends an email, pushes a bad commit — that has real-world consequences. That's why Trust & Delegation (Module 2) is so central.
FallstudieCase Study
🏗️ "Dieser Kurs wurde von einem Agent mitgebaut"🏗️ "This course was co-built by an agent"
Kein Marketing-Claim — eine dokumentierte Tatsache. Die Architektur dieses Kurses wurde von einem AI Agent System entworfen, das auf einem Mac mini läuft. Der Agent:Not a marketing claim — a documented fact. This course's architecture was designed by an AI agent system running on a Mac mini. The agent:
Recherchierte existierende Kurse und fand die Marktlücke (alle Kurse sind Build-Kurse)Researched existing courses and found the market gap (all courses are build courses)
Analysierte die besten Online-Kurse weltweit (Andrew Ng, fast.ai, 3Blue1Brown) nach Engagement-PatternsAnalyzed the world's best online courses (Andrew Ng, fast.ai, 3Blue1Brown) for engagement patterns
Fand 10 kritische Faktenfehler in einer früheren Version — und fixte sieFound 10 critical factual errors in an earlier version — and fixed them
Machte dabei selbst Fehler (falsche Jahreszahlen, verwechselte Autoren) — die der Mensch korrigierteMade its own mistakes along the way (wrong years, confused authors) — which the human corrected
Das ist kein perfekter Prozess. Es ist ein ehrlicher Prozess — und genau darum geht es in diesem Kurs. Die Architektur des Systems ist als Open-Source Starter Kit verfügbar.This isn't a perfect process. It's an honest process — and that's exactly what this course is about. The system's architecture is available as an open-source Starter Kit.
TechCo ist eine Beratungsfirma mit 20 Leuten. Die Geschäftsführerin Lisa hat gehört, dass AI Agents die Produktivität steigern können. Sie bittet ihren Tech Lead Marco, das Thema zu evaluieren. In jedem Modul begleiten wir TechCo bei einer Entscheidung.TechCo is a consulting firm with 20 people. CEO Lisa heard that AI agents can boost productivity. She asks tech lead Marco to evaluate the topic. In every module, we follow TechCo through a decision.
Modul 1: Marco testet einen Agent mit einer Research-Aufgabe. Der Agent liefert in 3 Minuten ein Briefing — inklusive einem falschen Datum. Marco denkt: "Beeindruckend schnell. Aber kann ich dem vertrauen?"Module 1: Marco tests an agent with a research task. The agent delivers a briefing in 3 minutes — including a wrong date. Marco thinks: "Impressively fast. But can I trust it?"
🧭 Dein erstes Delegation Decision🧭 Your First Delegation Decision
Das zentrale Framework dieses Kurses. Für jede Aufgabe: Kann der Agent sie? und Was passiert wenn er einen Fehler macht?The central framework of this course. For every task: Can the agent do it? and What happens if it makes a mistake?
Übung: Ordne diese Aufgaben einExercise: Classify these tasks
📰
Nachrichten zu einem Thema zusammenfassenSummarize news about a topicLösung zeigenShow solution
Agent kann es ✅ · Risiko niedrig → DelegierenAgent can do it ✅ · Risk low → Delegate
📧
E-Mail an einen Kunden sendenSend an email to a customerLösung zeigenShow solution
Agent kann es ✅ · Risiko hoch (irreversibel, reputationsrelevant) → Nur mit FreigabeAgent can do it ✅ · Risk high (irreversible, reputation) → Only with approval
🔢
Komplexe Finanzprognose erstellenCreate a complex financial forecastLösung zeigenShow solution
Agent kann es eingeschränkt · Risiko hoch → Nicht delegieren (Agent kann Daten sammeln, Mensch analysiert)Agent can partially · Risk high → Don't delegate (Agent collects data, human analyzes)
🗂️
Dateien in einem Ordner umbenennenRename files in a folderLösung zeigenShow solution
Agent kann es ✅ · Risiko mittel (reversibel, aber nervig) → Plan zeigen lassen, dann freigebenAgent can do it ✅ · Risk medium (reversible, but annoying) → Review plan first, then approve
💭 ReflexionsfragenReflection Questions
In der Demo hat der Agent ein falsches Datum präsentiert. Woran hättest du erkannt dass es falsch ist? Was wenn du das Thema nicht gut genug kennst um den Fehler zu bemerken?In the demo, the agent presented a wrong date. How would you have recognized it was wrong? What if you don't know the topic well enough to spot the error?
Denk an deinen Arbeitsalltag: Welche Aufgabe würdest du als erstes an einen Agent delegieren? Warum gerade die?Think about your workday: Which task would you delegate to an agent first? Why that one?
Der Fehler war ein falsches Datum — relativ harmlos. Was wäre passiert wenn der Fehler in einer E-Mail an einen wichtigen Kunden gelandet wäre?The error was a wrong date — relatively harmless. What would have happened if that error ended up in an email to an important client?
🔍 Spot the Error🔍 Spot the Error
Ein Agent hat folgendes geschrieben. Finde den Fehler:An agent wrote the following. Find the error:
"MCP (Model Context Protocol) wurde 2024 von OpenAI vorgestellt und hat sich als Industriestandard für die Kommunikation zwischen Agents etabliert.""MCP (Model Context Protocol) was introduced by OpenAI in 2024 and has established itself as the industry standard for communication between agents."
Lösung aufdeckenReveal solution
Zwei Fehler:Two errors:
MCP wurde von Anthropic vorgestellt, nicht von OpenAI.MCP was introduced by Anthropic, not OpenAI.
MCP ist ein Protokoll für Tool-Nutzung (Agent ↔ Tool), nicht für die Kommunikation zwischen Agents. Für Agent-zu-Agent gibt es A2A (Agent-to-Agent Protocol) von Google.MCP is a protocol for tool usage (Agent ↔ Tool), not for communication between agents. For agent-to-agent communication, there's A2A (Agent-to-Agent Protocol) by Google.
Lesson: Agents verwechseln häufig ähnliche Konzepte — besonders bei Firmen und Protokollen. Immer verifizieren.Lesson: Agents frequently confuse similar concepts — especially companies and protocols. Always verify.
📌 Was du mitnimmst📌 Key Takeaways
Ein Agent ist kein besserer Chatbot — er kann handeln, planen und Fehler machen die echte Konsequenzen haben.An agent is not a better chatbot — it can act, plan, and make mistakes with real consequences.
Die Agent-Schleife (Wahrnehmen → Denken → Handeln → Beobachten) ist das universelle Muster hinter jedem Framework.The Agent Loop (Perceive → Think → Act → Observe) is the universal pattern behind every framework.
Vier Bausteine: Gehirn (LLM), Werkzeuge, Gedächtnis, Anweisungen. Jeder kann stark oder schwach sein.Four building blocks: Brain (LLM), Tools, Memory, Instructions. Each can be strong or weak.
The Delegation Decision — die erste Frage bei jeder Aufgabe: Kann der Agent das? Und was passiert wenn er sich irrt?The Delegation Decision — the first question for every task: Can the agent do it? And what happens if it's wrong?
Yao, S. et al. (2022). ReAct: Synergizing Reasoning and Acting in Language Models. ICLR 2023. arxiv.org/abs/2210.03629[Tier A]
Fikes, R. & Nilsson, N. (1971). STRIPS: A New Approach to the Application of Theorem Proving to Problem Solving. Artificial Intelligence 2(3-4). PDF[Tier A]
Nilsson, N. (1984). Shakey the Robot. SRI Technical Note 323. PDF[Tier A]
Schick, T. et al. (2023). Toolformer: Language Models Can Teach Themselves to Use Tools. Meta AI. arxiv.org/abs/2302.04761[Tier A]
Rao, A. & Georgeff, M. (1995). BDI Agents: From Theory to Practice. ICMAS-95. [Tier A]