Es gibt verschiedene Arten von KI-Agenten. Manche reagieren nur auf die aktuelle Eingabe. Andere merken sich den Kontext, vergleichen Optionen, lernen aus Feedback oder koordinieren sich mit anderen Agenten. Die Wahl des richtigen Typs hilft dabei, den Agenten passend zum Workflow einzusetzen. Dieser Leitfaden erklärt die wichtigsten Arten von KI-Agenten und veranschaulicht die leistungsfähigen Fähigkeiten von KI-Agenten am Beispiel von Kimi AI Agent.
Warum Agententypen in der Praxis wichtig sind
Von der Vorhersage zur Ausführung
Traditionelle KI-Systeme beschränken sich oft auf Analyse oder Empfehlungen für die nächstbeste Aktion. KI-Agenten gehen weiter. Sie erfassen die aktuelle Situation, wählen eine Aktion, nutzen bei Bedarf Tools, bis die Aufgabe abgeschlossen ist oder das System eine Abbruchbedingung erreicht.
Dieser Wandel macht Designentscheidungen wichtiger, da unterschiedliche Arten von Aufgaben unterschiedliche Workflows erfordern. Das Verständnis der verschiedenen Arten von KI-Agenten hilft Teams dabei, einfache Workflows nicht zu überkomplizieren und komplexe nicht zu unterkomplizieren.
Wie Agententypen Designentscheidungen beeinflussen
Der Agententyp beeinflusst nahezu jede Implementierungsentscheidung: welche Informationen der Agent speichert, ob er vor dem Handeln plant, wie er mit Unsicherheit umgeht, wie er zwischen mehreren akzeptablen Ergebnissen wählt und ob er sich durch Feedback verbessert. Er wirkt sich auch auf die Governance aus. Ein einfacher Reflex-Agent lässt sich anhand von Regeln überprüfen, während ein lernendes oder Multi-Agenten-System eine stärkere Evaluierung, Protokollierung und Absicherung benötigt.
Verschiedene Arten von KI-Agenten
Es gibt fünf klassische Arten intelligenter Agenten in der künstlichen Intelligenz: einfache Reflex-Agenten, modellbasierte Reflex-Agenten, zielbasierte Agenten, nutzenbasierte Agenten und lernende Agenten. Multi-Agenten-Systeme werden oft als übergeordnetes Orchestrierungsmuster betrachtet, da sie mehrere Agententypen zu einem koordinierten Workflow kombinieren können. Die sechs folgenden Kategorien reichen von der einfachsten Entscheidungslogik bis zu den kollaborativsten und anpassungsfähigsten Designs.
| Typ | Gedächtnis | Plant im Voraus | Lernt | Am besten geeignet für |
|---|---|---|---|---|
| Einfacher Reflex | Nein | Nein | Nein | Eng begrenzte, regelbasierte Aufgaben |
| Modellbasierter Reflex | Ja (Zustand) | Nein | Nein | Teilweise beobachtbare Aufgaben |
| Zielbasiert | Ja | Ja | Manchmal | Workflows mit klarem Ziel |
| Nutzenbasiert | Ja | Ja | Manchmal | Entscheidungen mit vielen Abwägungen |
| Lernend | Ja | Unterschiedlich | Ja | Feedbackreiche, sich ändernde Aufgaben |
| Multi-Agent | Pro Agent | Pro Agent | Unterschiedlich | Parallele, spezialisierte Arbeit |
1. Einfache Reflexagenten
Ein einfacher Reflexagent ist die grundlegendste Art von KI-Agent. Er beobachtet den aktuellen Zustand der Umgebung und wählt eine Aktion, indem er vordefinierte Bedingung-Aktion-Regeln anwendet. Er kann unmittelbar auf die aktuelle Wahrnehmung reagieren, ohne frühere Wahrnehmungen oder zukünftige Konsequenzen zu berücksichtigen.
Dieses Design funktioniert gut, wenn die Umgebung vollständig beobachtbar ist und die richtige Reaktion eindeutig ist. Es ist schnell, vorhersehbar und leicht zu überprüfen, versagt aber, sobald Kontext eine Rolle spielt. Ist die Eingabe unvollständig oder deckt keine Regel die neue Situation ab, fehlt dem Agenten eine tiefere Denkebene, um damit umzugehen.
Wichtige Merkmale
Regelbasierte Aktion: Der Agent ordnet aktuelle Eingaben vordefinierten Aktionen zu.
Kein Gedächtnis: Frühere Zustände beeinflussen die nächste Entscheidung nicht.
Hohe Vorhersehbarkeit: Das Verhalten lässt sich leicht testen, wenn Regeln und Eingaben bekannt sind.
Geringe Flexibilität: Der Agent tut sich schwer mit Mehrdeutigkeit, unvollständigen Informationen oder sich ändernden Bedingungen.
Beispiele
Ein regelbasierter E-Mail-Filter, der Nachrichten weiterleitet, wenn ein Schlüsselwort erscheint.
Ein einfacher Website-Chatbot, der auf feste Absichten mit vorgefertigten Antworten reagiert.
2. Modellbasierte Reflexagenten
Ein modellbasierter Reflexagent verbessert den einfachen Reflexagenten, indem er ein internes Modell der Umgebung pflegt. Er verfolgt relevante Zustände und nutzt dieses Modell, um zu interpretieren, was die aktuelle Eingabe bedeutet.
Das ist hilfreich, wenn der Agent nicht alles auf einmal sehen kann. Ein Roboter, der sich durch ein Lager bewegt, muss sich beispielsweise merken, wo Hindernisse aufgetaucht sind, wohin er sich bereits bewegt hat und wie sich die Umgebung typischerweise verändert. Der Agent kann weiterhin Bedingung-Aktion-Regeln verwenden, doch diese Regeln arbeiten mit einem umfassenderen Bild der Welt.
Wichtige Merkmale
Interner Zustand: Der Agent speichert Informationen über die Umgebung.
Besserer Umgang mit Kontext: Frühere Beobachtungen helfen, aktuelle Eingaben zu interpretieren.
Nützlich bei eingeschränkter Sichtbarkeit: Der Agent kann handeln, auch wenn nicht alle Informationen sofort erkennbar sind.
Weiterhin eingeschränkt: Möglicherweise plant er nicht tiefgehend oder optimiert nicht über viele mögliche Zukunftsszenarien hinweg.
Beispiele
Ein Lieferkettenmonitor, der den Bestand verfolgt, bevor er eine Nachbestellung auslöst.
Ein Kundensupport-Triage-Agent, der sich frühere Nachrichten im selben Ticket merkt.
Ein Navigationssystem, das sein Streckenmodell an sich ändernde Verkehrsbedingungen anpasst.
3. Zielbasierte Agenten
Ein zielbasierter Agent wählt Handlungen aus, indem er prüft, ob sie das System näher an ein definiertes Ziel bringen. Statt nur zu reagieren, sucht oder plant er eine Abfolge von Handlungen, die das Ziel erreichen kann. Der Agent kann außerdem mögliche nächste Schritte bewerten, einen Plan auswählen, ihn teilweise ausführen, den Fortschritt beobachten und sich anpassen, wenn sich die Umgebung ändert. Das macht den Agenten proaktiver als reflexbasierte Designs.
Wesentliche Merkmale
Explizites Ziel: Der Agent handelt in Bezug auf einen Zielzustand oder ein angestrebtes Ergebnis.
Planung: Er kann Handlungsabfolgen vor der Ausführung vergleichen.
Fortschrittsverfolgung: Der Agent kann prüfen, ob er sich dem Ziel annähert.
Höherer Rechen- und Steuerungsaufwand: Planung kann langsamer sein und benötigt klare Abbruchbedingungen.
Beispiele
Ein Recherche-Agent, der Quellen sammelt, Belege extrahiert und einen Bericht verfasst.
Ein Projektautomatisierungs-Agent, der eine Anfrage in Aufgaben zerlegt und diese der Reihe nach ausführt.
Ein Coding-Agent, der Änderungen plant, Tests ausführt und so lange iteriert, bis das gewünschte Verhalten funktioniert.
4. Nutzenbasierte Agenten
Ein nutzenbasierter Agent geht über das reine Erreichen eines Ziels hinaus, indem er mögliche Ergebnisse bewertet und die Handlung mit dem höchsten erwarteten Wert wählt. Das ist wichtig, wenn es mehrere akzeptable Antworten, widerstreitende Bedingungen oder Abwägungen zwischen Geschwindigkeit, Kosten, Genauigkeit, Nutzerpräferenz und Risiko gibt.
Ein zielbasierter Reise-Agent kann beispielsweise nur eine Route von einer Stadt zur anderen finden. Ein nutzenbasierter Reise-Agent kann Routen nach Preis, Reisezeit, Umsteigerisiko, Gepäckregeln und bevorzugten Fluggesellschaften vergleichen. Er fragt nicht nur, ob das Ziel erreichbar ist, sondern welche Option nach den gewählten Kriterien die beste ist.
Wesentliche Merkmale
Nutzenfunktion: Der Agent weist möglichen Ergebnissen einen Wert zu.
Abwägungsmanagement: Er balanciert widerstreitende Ziele und Bedingungen aus.
Bessere Entscheidungsqualität: Er kann zwischen mehreren gültigen Lösungen wählen.
Schwierigeres Design: Die Nutzenfunktion muss die tatsächlichen Prioritäten von Nutzern und Unternehmen widerspiegeln.
Beispiele
Ein Portfolio-Assistent, der Rendite, Volatilität und Liquiditätsbedingungen ausbalanciert.
Ein Logistikplaner, der Routen basierend auf Lieferzeit, Kraftstoffkosten und Zuverlässigkeit auswählt.
Ein Kundenservice-Agent, der Eskalationen nach Stimmung, Dringlichkeit und Kundenwert priorisiert.
5. Lernende Agenten
Ein lernender Agent verbessert sein Verhalten mit der Zeit, indem er Rückmeldungen aus Erfahrung nutzt. Er kann eine Strategie anpassen, ein Modell verfeinern, Präferenzen aktualisieren oder die Leistung verbessern, nachdem er beobachtet hat, was funktioniert hat und was nicht. Lernen kann aus überwachten Daten, Verstärkungssignalen, menschlichem Feedback, Bewertungsergebnissen oder Nutzungsmustern stammen.
Wesentliche Merkmale
Feedback-Schleife: Der Agent misst die Leistung und nutzt die Ergebnisse zur Verbesserung.
Anpassungsfähigkeit: Er kann neue Muster besser verarbeiten als ein statisches Regelwerk.
Abhängigkeit von Bewertung: Gutes Lernen erfordert klare Qualitätssignale.
Steuerungsbedarf: Teams müssen Drift, unbeabsichtigtes Verhalten und Datenqualität überwachen.
Beispiele
Ein Empfehlungs-Agent, der aus Klicks, Käufen und expliziten Bewertungen lernt.
Ein Betrugserkennungs-Agent, der sich anpasst, wenn Angreifer ihr Verhalten ändern.
Ein Tutoring-Agent, der Erklärungen anhand der Fehler eines Lernenden anpasst.
6. Multi-Agent-Systeme
Ein Multi-Agent-System verwendet mehrere Agenten, die zusammenarbeiten, konkurrieren, Aufgaben delegieren oder sich spezialisieren. Jeder Agent kann eine Rolle, einen Werkzeugsatz, einen Speicherbereich oder ein Ziel haben. Ein Koordinator kann Aufgaben zuweisen und Ergebnisse zusammenführen, oder die Agenten interagieren direkter, je nach Architektur.
Multi-Agent-Systeme sind nützlich, wenn ein einzelner Agent zu langsam wäre oder zu leicht wichtige Perspektiven übersehen würde. Sie können Recherchen parallelisieren, eine große Dokumentenmenge aufteilen, ein Expertenreview simulieren oder separate Arbeitsstränge ausführen, bevor die Ergebnisse zusammengeführt werden. Die gestalterische Herausforderung liegt in der Koordination: Das System braucht eine Möglichkeit, Arbeit zuzuweisen, Doppelarbeit zu vermeiden, Meinungsverschiedenheiten aufzulösen und ein stimmiges Endergebnis zu erzeugen.
Zentrale Merkmale
Spezialisierung: Verschiedene Agenten können sich auf unterschiedliche Teilaufgaben, Werkzeuge oder Blickwinkel konzentrieren.
Parallele Ausführung: Arbeit kann verteilt werden, um die Durchlaufzeit zu verkürzen.
Koordinationsebene: Das System benötigt Aufgabenzuweisung, Abhängigkeitsverfolgung und Zusammenführung.
Höhere Komplexität: Bewertung und Steuerung müssen sowohl einzelne Agenten als auch das kombinierte Endergebnis abdecken.
Beispiele
Ein Recherche-Schwarm, der unterschiedliche Unteragenten unterschiedlichen Quellkategorien zuweist.
Ein Software-Team aus Agenten, bei dem einer Code bearbeitet, einer Tests schreibt und einer Sicherheitsrisiken prüft.
Ein Marktanalysesystem mit separaten Agenten für Wettbewerber, Kunden, Preisgestaltung und Regulierung.
Ein Workflow zur Inhaltserstellung, bei dem Rechercheur-, Gliederungs-, Autor-, Redaktions- und Faktenprüfungs-Agenten zusammenarbeiten.
Kimi AI Agent vereint mehrere Agent-Typen
Kimi ist ein KI-Assistent, entwickelt von Moonshot AI. Kimi unterstützt Websuche, tiefgehendes Denken, multimodales Reasoning, Konversationen mit langem Kontext und die eigenständige Ausführung von Aufgaben. Am besten versteht man Kimi als umfassende Agentenoberfläche: Der Nutzer formuliert ein Ziel, und Kimi plant und erledigt die Arbeit über Recherche, Inhaltserstellung, Dokumente, Präsentationen, Tabellen, Websites und verwandte Workflows hinweg.
Zentrale Funktionen
Autonome Aufgabenplanung: Kimi AI Agent kann eine breite Anfrage in eine Abfolge von Schritten umwandeln und dann auf das gewünschte Ergebnis hinarbeiten.
Echtzeit-Websuche: Kimi kann die Websuche nutzen, um aktuelle Informationen abzurufen, wenn eine Aufgabe von aktuellen Fakten, Quellen oder Marktkontext abhängt.
Tiefgehende Recherche-Workflows: Bei rechercheintensiven Aufgaben kann Kimi Informationen sammeln, vergleichen und zu umfangreicheren Berichten und Ergebnissen in verschiedenen Formaten zusammenführen.
Erstellung von Dokumenten, Präsentationen, Tabellen und Websites: Kimi bietet aufgabenspezifische Oberflächen für Docs, Slides, Sheets und Websites, sodass Agentenarbeit in nutzbaren Ergebnissen und nicht nur in reinem Text münden kann.
Dateiverarbeitung: Laut Kimi-Hilfecenter werden gängige Dateiformate wie PDF, Word, Excel, PPT, Bilder, TXT und Video unterstützt, mit dokumentierten Grenzen für Dateigröße und Dateianzahl.
Multimodales Reasoning: Kimi kann Text, Bilder, Diagramme, Dokumente und andere hochgeladene Materialien verarbeiten, wenn der Workflow visuelles oder dokumentbezogenes Verständnis erfordert.
Agent-Swarm-Orchestrierung: Bei umfangreicher oder parallelisierbarer Arbeit kann K2.6 Agent Swarm [Beta] viele Unteragenten koordinieren, sodass verschiedene Teile einer Aufgabe gleichzeitig voranschreiten.
Für Nutzer, die zwischen KI-Agent-Typen wählen, lautet die praktische Kernaussage: Verwenden Sie ein reflexbasiertes Design für enge Automatisierung, ein ziel- oder nutzenbasiertes Design für Workflows mit Planung und Abwägungen, und ein Multi-Agent-Design, wenn die Aufgabe breit genug ist, um von Spezialisierung und paralleler Arbeit zu profitieren. Kimi AI Agent überführt diese Konzepte in einen nutzerorientierten Arbeitsbereich, in dem es nicht nur ums Antworten, sondern um die Erledigung echter Arbeit geht.
So wählen Sie den richtigen Typ von KI-Agent
Beginnen Sie bei Ihrem Aufgabenumfeld, nicht beim technischen Etikett. Verwenden Sie einen einfachen Reflex-Agenten, wenn die Aufgabe eng abgegrenzt ist, die Regeln stabil sind und die Kosten einer falschen Handlung gering sind. Wählen Sie einen modellbasierten Agenten, wenn Sie Zustand oder Gedächtnis benötigen, einen zielbasierten Agenten, wenn Sie ein klares Ziel haben, und einen nutzenbasierten Agenten, wenn Sie konkurrierende Prioritäten abwägen müssen.
Verwenden Sie einen lernenden Agenten, wenn sich die Leistung durch Feedback verbessern soll und Sie zuverlässige Qualitätssignale definieren können. Setzen Sie ein Multi-Agent-System ein, wenn sich Ihr Workflow von Natur aus in parallele Arbeitsstränge, Expertenrollen oder unabhängige Perspektiven aufteilt. Wenn Sie all diese Fähigkeiten benötigen, kombinieren Sie sie gezielt, anstatt einen einzigen Agent-Typ alles erledigen zu lassen.
Fazit
Die wichtigsten Typen von KI-Agenten stehen für unterschiedliche Ausprägungen von Kontext, Autonomie und Anpassungsfähigkeit. Bei der Workflow-Automatisierung ist der beste Agent nicht immer der komplexeste. Es ist derjenige, der zur Unsicherheit, zum Risiko und zum gewünschten Ergebnis der Aufgabe passt. Werkzeuge wie Kimi AI Agent zeigen, wie diese Konzepte zu alltäglichen Workflow-Schnittstellen werden: Nutzer beschreiben ein Ziel, und der Agent hilft dabei, es in Recherche, Dateien, Websites, Präsentationen, Tabellen, Code oder andere fertige Arbeitsergebnisse umzusetzen.