Herkömmliche Automatisierung folgt festen Anweisungen, und ein einfacher Chatbot reagiert auf die jeweils vorliegende Nachricht. Ein zielbasierter Agent arbeitet anders. Er geht von einem gewünschten Ergebnis aus und plant die Aktionen, die zu dessen Erreichung nötig sind. Anschließend bewertet er neue Informationen im Verlauf der Aufgabe. Dieser Artikel erklärt das Konzept, die zugrunde liegende Architektur und die wichtigsten Anwendungsfälle. Außerdem vergleicht er zielbasierte Agenten mit anderen KI-Agententypen und stellt Kimi Agent als praktische Möglichkeit vor, zielorientierte Aufgabenausführung zu erleben.
Was ist ein zielbasierter Agent?
Ein zielbasierter Agent ist ein KI-System, das Entscheidungen trifft und Aktionen um ein festgelegtes Ziel herum ausführt. Er bewertet den aktuellen Zustand, erwägt mögliche nächste Schritte und wählt Aktionen aus, die das System dem gewünschten Ergebnis näherbringen. Der Agent kann Tools nutzen, den Fortschritt verfolgen und seinen Plan überarbeiten, wenn neue Informationen die Situation verändern.
Ein Kundensupport-Agent beantwortet beispielsweise eine einzelne Frage. Ein zielbasierter Agent kann darauf hinarbeiten, das gesamte Kundenproblem zu lösen. Er kann den Kontoverlauf prüfen und eine genehmigte Wissensdatenbank zurate ziehen. Anschließend kann er das Problem diagnostizieren, eine Lösung vorbereiten oder den Fall eskalieren, wenn die Beweislage unvollständig ist.
Wie funktioniert ein zielbasierter Agent?
Ein zielbasierter Agent folgt in der Regel einer sich wiederholenden Schleife. Er definiert zunächst das gewünschte Ergebnis und beobachtet die aktuelle Umgebung. Anschließend erstellt er einen Plan, wählt eine Aktion aus und bewertet das Ergebnis. Bringt das Ergebnis die Aufgabe nicht voran, kann der Agent neu planen oder Hilfe anfordern.
Zieldefinition
Der Prozess beginnt mit einer präzisen Definition von Erfolg. Das Ziel kann mehrere zusammenhängende Bedingungen enthalten, doch jede Bedingung sollte überprüfbar sein. Es kann auch Einschränkungen wie Fristen, genehmigte Datenquellen, Ausgabenlimits, erforderliche Genehmigungen und untersagte Aktionen umfassen. Ein Sprachmodell kann eine vage Anfrage in konkrete Teilziele überführen, doch die endgültigen Erfolgskriterien sollten für den Verantwortlichen des Arbeitsablaufs stets sichtbar bleiben.
Wahrnehmung von Umgebung und Zustand
Der Agent sammelt Informationen über den aktuellen Zustand aus Nutzeranfragen, externen Systemen, Dateien, Datenbanken, API-Antworten oder Systemereignissen. In einer robotischen Umgebung liefern Sensoren Informationen über nahegelegene Objekte und veränderte Bedingungen. Der Zustand sollte außerdem abgeschlossene Aufgaben, ausstehende Genehmigungen und fehlgeschlagene Annahmen erfassen. Klare Fehler- und Statuswerte helfen dem Agenten zu entscheiden, ob er fortfahren, es erneut versuchen oder eskalieren sollte.
Planung und Aufgabenzerlegung
Das Planungsmodul überführt das Ziel in einen umsetzbaren Weg. Es zerlegt ein umfassendes Ziel in kleinere Aufgaben und identifiziert Abhängigkeiten zwischen ihnen. Bei der Einarbeitung neuer Mitarbeiter kann der Plan beispielsweise mit dem Sammeln und Prüfen von Dokumenten beginnen, bevor Kontoanfragen vorbereitet und auf eine rollenbasierte Genehmigung gewartet wird. Ein stabiler Prozess kann einen festen Plan verwenden, während ein sich verändernder Arbeitsablauf Entscheidungspunkte für schrittweise Neuplanung benötigt.
Aktionsauswahl und Ausführung
Nach der Erstellung eines Plans wählt der Agent die nächste genehmigte Aktion aus. Er kann ein System abfragen, ein Dokument durchsuchen, einen Datensatz aktualisieren oder eine Person nach fehlenden Informationen fragen. Jede Aktion sollte eine definierte Eingabe und ein erwartetes Ergebnis haben. Der Agent muss das Ergebnis prüfen, bevor er den Schritt als abgeschlossen markiert, und folgenreiche Aktionen sollten für eine menschliche Genehmigung pausiert werden.
Rückmeldung und Neuplanung
Die Ausführung ist kein einseitiger Prozess. Der Agent vergleicht das jüngste Ergebnis mit dem Ziel und prüft, ob der Plan noch sinnvoll ist. Neue Erkenntnisse können den aktuellen Weg bestätigen, ein Hindernis aufdecken oder eine sicherere Alternative eröffnen.
Die Schleife lässt sich wie folgt darstellen:
Das Ziel kann stabil bleiben, während sich der Weg ändert. Ein Lagerroboter kann nach dem Erkennen eines Hindernisses einen anderen Pfad wählen. Ein Recherche-Agent kann eine andere Quelle durchsuchen, wenn die erste die Frage nicht beantwortet. Ausführungsbudgets, etwa Begrenzungen für Runden, Tool-Aufrufe, Wiederholungsversuche oder Zeit, verhindern einen unbegrenzten Betrieb und erleichtern die Messung der Leistung.
Kernkomponenten einer zielbasierten Agentenarchitektur
Eine zielbasierte Agentenarchitektur verbindet Ziele mit Zustand, Planung, Tools und Aufsicht. Die konkrete Umsetzung variiert, doch jede Komponente sollte eine klare Verantwortung haben.
Ziel und Erfolgskriterien
Die Zielebene definiert den gewünschten Zustand. Sie legt fest, was der Agent erreichen muss und was als Abschluss gilt. Sie kann außerdem Fehlerbedingungen und Einschränkungen festlegen, die während der gesamten Ausführung gelten.
Ein Dokumenten-Workflow kann beispielsweise verlangen, dass jedes erforderliche Feld überprüft wird, bevor der Datensatz eingereicht wird. Ein unvollständiger Datensatz gilt nicht als Teilerfolg, wenn der Workflow eine vollständige Überprüfung erfordert. Klare Kriterien helfen dem Agenten, zum richtigen Zeitpunkt zu stoppen.
Weltmodell und Wissensbasis
Ein Weltmodell gibt dem Agenten eine arbeitsfähige Darstellung seiner Umgebung. Dazu können der aktuelle Systemzustand, verfügbare Ressourcen, bekannte Zusammenhänge und die wahrscheinlichen Folgen von Aktionen gehören. Eine Wissensbasis liefert unterstützende Informationen, wenn der Agent eine Entscheidung treffen muss.
Das Weltmodell ist deshalb nützlich, weil der Agent nicht allein aus dem Ziel planen kann. Er muss verstehen, wo der Workflow gerade steht. Außerdem muss er kurzfristigen Aufgabenkontext von längerfristigem Wissen unterscheiden. Das Abrufen von Informationen sollte relevante Inhalte liefern, ohne eine gesamte Datensammlung in den aktiven Kontext zu laden.
Ein gut verwalteter Zustandsdatensatz kann abgeschlossene Schritte, offene Abhängigkeiten, fehlgeschlagene Versuche und den Genehmigungsstatus abbilden. Zugriffsregeln und die Herkunft der Daten sollten alles regeln, was für eine spätere Verwendung gespeichert wird.
Planungsmodul
Das Planungsmodul erstellt und aktualisiert den Weg zum Ziel. Es kann eine Abfolge von Aktionen erzeugen, Arbeit auf Spezialisten aufteilen oder den nächsten Schritt dynamisch wählen.
Eine gute Planung berücksichtigt Abhängigkeiten und Unsicherheit. Sie geht nicht davon aus, dass jedes Tool das erwartete Ergebnis liefert. Sie kann Ausweichpfade, Validierungsschritte und Eskalationsbedingungen enthalten. Ein Plan sollte vorläufig bleiben, wenn neue Erkenntnisse die beste nächste Aktion verändern können.
Werkzeug- und Aktionsebene
Werkzeuge ermöglichen dem Agenten die Interaktion mit Systemen jenseits des Modells. Übliche Beispiele sind Suche, Datenbankabfragen, Dateiverarbeitung, Browser-Aktionen, Business-APIs und Datensatzaktualisierungen.
Jedes Werkzeug benötigt einen klaren Vertrag. Dieser Vertrag sollte gültige Eingaben, erwartete Ausgaben, Berechtigungen, Fehler und Nebenwirkungen definieren. Lese- und Schreibaktionen sollten wenn möglich getrennt werden. Sensible Vorgänge sollten strengeren Validierungs- und Genehmigungsregeln unterliegen.
Ausführung, Bewertung und Schutzmechanismen
Die Ausführungsebene führt die gewählte Aktion aus. Die Bewertungsebene prüft das Ergebnis anhand des Plans und der Erfolgskriterien. Schutzmechanismen legen fest, was der Agent tun darf und wann er anhalten muss.
Produktive Workflows sollten Entscheidungen, Werkzeugaufrufe, Beobachtungen und Zustandsänderungen protokollieren. Diese Aufzeichnung unterstützt Debugging und menschliche Überprüfung. Genehmigungsschritte sind besonders wichtig vor irreversiblen Aktionen, externer Kommunikation, finanziellen Änderungen oder Produktionsaktualisierungen.
Zielbasierter Agent vs. andere Arten von KI-Agenten
Zielbasierte Agenten sind ein Teil eines breiteren Spektrums von KI-Agenten-Designs. Die Kategorien können sich überschneiden, verdeutlichen aber unterschiedliche Arten der Entscheidungsfindung.
| Agent-Typ | Wie er entscheidet | Planungsfähigkeit | Am besten geeignet für |
|---|---|---|---|
| Einfacher Reflex-Agent | Reagiert auf die aktuelle Eingabe | Kaum oder gar keine | Feste Regeln und unmittelbare Reaktionen |
| Modellbasierter Reflex-Agent | Nutzt ein internes Zustandsmodell | Begrenzt | Umgebungen, die ein einfaches Gedächtnis erfordern |
| Zielbasierter Agent | Wählt Aktionen aus, die auf ein definiertes Ziel hinführen | Ja | Klare Ziele mit wechselnden Wegen |
| Nutzenbasierter Agent | Wählt das wertvollste Ergebnis | Fortgeschrittene Abwägungsanalyse | Mehrere konkurrierende Ziele |
| Lernender Agent | Verbessert sich durch Erfahrung oder Feedback | Kann sich mit der Zeit weiterentwickeln | Aufgaben, die von Anpassung profitieren |
Ein reaktiver Agent reagiert auf das, was er im aktuellen Moment wahrnimmt. Ein zielbasierter Agent berücksichtigt, wie sich eine Aktion auf einen zukünftigen Zustand auswirkt. Dieses vorausschauende Verhalten macht zielbasierte Systeme besser geeignet, wenn das Ziel stabil, der Weg dorthin aber unklar ist.
Ein nutzenbasierter Agent löst ein anderes Entscheidungsproblem. Er vergleicht mögliche Ergebnisse und weist ihnen einen Wert zu. Ein Kundenservice-System kann beispielsweise Lösungsgeschwindigkeit, Erstattungskosten und Kundenzufriedenheit gegeneinander abwägen, um eine Antwort zu wählen. Ein zielbasierter Agent konzentriert sich in der Regel darauf, ob der Zielzustand erreicht wurde. Ein zielbasiertes System kann trotzdem lernende oder nutzenbasierte Komponenten enthalten, wenn der Workflow dies erfordert.
Zielbasierter Agent vs. aufgabenbasierter Agent
Sowohl aufgabenbasierte als auch zielbasierte Agenten können nützliche Arbeit automatisieren. Der Unterschied liegt darin, auf welcher Ebene das System Anweisungen erhält und Erfolg misst.
| Dimension | Aufgabenbasierter Agent | Zielbasierter Agent |
|---|---|---|
| Ausgangspunkt | Eine konkrete Anweisung | Ein gewünschtes Ergebnis |
| Umfang | Eine definierte Aufgabe | Ein verknüpfter Workflow |
| Nächste Aktion | In der Regel vom Nutzer oder Workflow vorgegeben | Vom Agenten selbst gewählt |
| Erfolgsmaß | Aufgabenabschluss | Zielerreichung |
| Anpassung | Oft eingeschränkt | Kann bei veränderten Bedingungen neu planen |
| Menschliche Eingabe | Kann bei jedem Schritt erforderlich sein | Meist nur an Grenzpunkten oder bei Ausnahmen erforderlich |
Aufgabenbasierte Agenten sind sinnvoll, wenn die Aktion bereits bekannt ist. Zielbasierte Agenten sind sinnvoll, wenn das Ergebnis klar ist, der Weg dorthin aber variieren kann. Ein aufgabenbasiertes System kann ein Feld aus einem Dokument extrahieren. Ein zielbasiertes System kann diese Extraktion als einen Schritt in einem größeren Prozess nutzen, der die Informationen validiert und Ausnahmen weiterleitet.
Der Unterschied betrifft die Verantwortung im Workflow, nicht die Anzahl der Agenten. Ein einzelner Agent kann ein umfassendes Ziel verfolgen. Mehrere Agenten können auch separate Aufgaben ausführen, ohne einen übergeordneten Plan zu teilen.
Anwendungsfälle zielbasierter Agenten
Zielbasierte Agenten eignen sich für Umgebungen, in denen das Ziel klar ist, sich die Bedingungen aber vor Abschluss der Aufgabe ändern können.
Robotik und Lagerautomatisierung
Ein Lagerroboter kann das Ziel erhalten, ein Paket zu einem Versandbereich zu transportieren. Er muss das Paket identifizieren, eine Route planen, Hindernissen ausweichen und seine Position überwachen. Blockiert ein anderer Roboter den geplanten Weg, kann der Agent eine alternative Route bewerten.
Das Ziel bleibt gleich. Die Abfolge der Aktionen ändert sich je nach Umgebung. Damit ist Robotik ein anschauliches Beispiel für Planung auf einen zukünftigen Zustand hin, statt nur auf das nächstgelegene Hindernis zu reagieren.
Kundensupport und Problemlösung
Ein Support-Workflow kann Erfolg als Lösung eines Kundenproblems mit einer korrekten und genehmigten Antwort definieren. Der Agent kann die Konversation lesen, Kontoinformationen abrufen, eine Wissensbasis konsultieren und feststellen, ob eine Eskalation nötig ist.
Das System sollte nicht bereits nach dem Entwurf einer Antwort Erfolg beanspruchen. Es sollte prüfen, ob die Antwort das Problem tatsächlich behandelt und ob eine erforderliche Aktion abgeschlossen wurde. Sensible Änderungen sollten weiterhin einer menschlichen Genehmigung unterliegen.
Einarbeitung neuer Mitarbeiter
Die Einarbeitung neuer Mitarbeiter umfasst verknüpfte Aufgaben, die von Rolle, Standort, Starttermin und Genehmigungsstatus abhängen. Ein zielbasierter Agent kann das übergeordnete Ergebnis im Blick behalten, statt jede Anfrage als isolierte Aktion zu behandeln.
Er kann Dokumente sammeln, Informationen überprüfen, Kontoanfragen vorbereiten und auf die Genehmigung einer Führungskraft warten. Fehlt ein erforderliches Feld, kann der Agent pausieren oder die fehlende Information anfordern. Er sollte keine Berechtigungsregel umgehen, nur um den Plan voranzutreiben.
Recherche- und Content-Workflows
Ein Recherche-Workflow kann mit dem Ziel beginnen, einen strukturierten Bericht auf Basis verlässlicher Belege zu erstellen. Der Agent kann die Fragestellung in Teilthemen unterteilen, genehmigte Quellen durchsuchen, Ergebnisse ordnen und Lücken identifizieren.
Stützt eine Quelle eine Aussage nicht, kann der Agent den Rechercheplan überarbeiten. Ein Überprüfungsschritt kann feststellen, ob der abschließende Bericht die ursprüngliche Frage beantwortet. Eine menschliche Überprüfung bleibt wichtig, wenn der Bericht eine folgenreiche Entscheidung beeinflusst.
Vorfallreaktion und Betrieb
Ein Agent zur Vorfallreaktion kann darauf hinarbeiten, die Ursache eines Dienstproblems zu identifizieren. Er kann Protokolle prüfen, aktuelle Deployments überprüfen, Abhängigkeiten kontrollieren und Belege systemübergreifend vergleichen.
Der Workflow kann sich ändern, sobald neue Signale auftreten. Ein Agent kann ein Rollback oder eine Konfigurationsänderung empfehlen, doch Aktionen mit Auswirkungen auf die Produktion sollten eine Autorisierung erfordern. Die zielbasierte Schleife hilft, die Untersuchung zu strukturieren, ohne dass aus einer Empfehlung unkontrollierte Ausführung wird.
Vorteile zielbasierter Agenten
Bessere Handhabung mehrstufiger Aufgaben
Ein zielbasierter Agent kann zusammenhängende Aktionen um ein Endergebnis herum organisieren. Sie müssen nicht jeden risikoarmen Schritt vorgeben, wenn der Workflow klare Grenzen hat.
Mehr Flexibilität als regelbasierte Automatisierung
Feste Regeln funktionieren gut unter stabilen Bedingungen. Zielbasierte Systeme können einen anderen zugelassenen Pfad wählen, wenn sich eine Eingabe ändert oder eine erwartete Aktion fehlschlägt.
Klarere Erfolgskriterien
Ein definiertes Ziel macht die Bewertung aussagekräftiger. Das System kann prüfen, ob das angestrebte Ergebnis erreicht wurde, statt Erfolg an der Länge oder Flüssigkeit einer Antwort zu messen.
Bessere Workflow-Kontinuität
Der Agent kann den Aufgabenstatus beibehalten und erkennen, was noch offen ist. Das ist wichtig, wenn ein Workflow für eine Genehmigung pausiert oder auf Informationen aus einem anderen System wartet.
Nützlichere Delegation an Menschen
Menschen können das Ergebnis, die Einschränkungen und die Genehmigungspunkte festlegen. Der Agent kann dann routinemäßige Entscheidungen innerhalb dieses Handlungsrahmens verwalten, während Menschen sich um Ausnahmen und folgenreiche Entscheidungen kümmern.
So entwerfen Sie einen zuverlässigen zielbasierten Agenten
Ein zuverlässiges Design beginnt beim Workflow, nicht beim Modell. Verwenden Sie die kleinste Architektur, die die Aufgabe sicher erledigen kann.
Definieren Sie ein messbares Ziel: Formulieren Sie eine Abschlussbedingung, die ein Bewerter überprüfen kann.
Legen Sie Erfolgs- und Fehlerbedingungen fest: Erklären Sie, wann der Agent fortfahren, anhalten oder eskalieren soll.
Zerlegen Sie das Ziel in Teilaufgaben: Geben Sie jeder Teilaufgabe ein klares Ergebnis und eine klare Abhängigkeit.
Beschränken Sie den Zugriff auf Tools: Stellen Sie nur die für die aktuelle Rolle erforderlichen Tools bereit.
Trennen Sie Lese- und Schreibrechte: Behandeln Sie das Abrufen von Informationen anders als zustandsverändernde Aktionen.
Fügen Sie Genehmigungsschritte ein: Verlangen Sie vor sensiblen oder nicht rückgängig zu machenden Vorgängen eine Bestätigung.
Protokollieren Sie die Ausführung: Erfassen Sie Pläne, Tool-Aufrufe, Ergebnisse und Zustandsänderungen.
Setzen Sie Ausführungsgrenzen: Nutzen Sie Zeit-, Runden-, Wiederholungs- und Kostengrenzen.
Testen Sie den gesamten Workflow: Bewerten Sie Ergebnisse, nicht nur einzelne Modellantworten.
Erweitern Sie schrittweise: Beginnen Sie mit einem Agenten und fügen Sie Koordination erst hinzu, wenn ein konkreter Bedarf erkennbar wird.
Die praktische Regel ist einfach: Verwenden Sie die Architektur mit der geringsten Komplexität, die den Workflow zuverlässig abschließen kann. Mehr Autonomie ist nur dann sinnvoll, wenn sie ein bestimmtes operatives Problem löst.
Lernen Sie Kimi Agent kennen: ein zielbasierter Agent, den Sie schon heute nutzen können
Die Planungsschleife in diesem Leitfaden ist nicht nur Theorie. So führt Kimi Agent reale Aufgaben aus. Sie beschreiben das Ergebnis in einem Satz, und Kimi zerlegt es in Teilaufgaben und führt jeden Schritt mit integrierten Tools aus. Anschließend bewertet er das Ergebnis, bevor er das fertige Resultat liefert. Es muss keine Orchestrierungsebene aufgebaut und kein Workflow-Code gepflegt werden.
Ziel nennen, Ergebnis erhalten
Kimi Agent funktioniert genau so, wie ein zielbasierter Agent funktionieren sollte: Geben Sie ihm ein Ziel, keine Vorgehensweise. Er plant den Weg selbst und liefert Arbeit, die Sie direkt verwenden können.
Ein Recherchebericht mit zitierten Quellen, über Kimi Deep Research
Eine funktionierende mehrseitige Website, erstellt aus einem kurzen Briefing
Eine PPT-Präsentation, ein Dokument oder eine Tabelle, bereit zur Bearbeitung
Sie können bis zu 50 Dateien gleichzeitig als Ausgangsmaterial hochladen, sodass vorhandene PDFs, Folien und Bilder Teil des Aufgabenkontexts werden.
Lange Aufgaben laufen von selbst bis zum Abschluss
Ein zielbasierter Agent zeigt seinen Wert bei Arbeiten, die mehr als einen Schritt erfordern. Kimi Deep Research läuft typischerweise 10 bis 25 Minuten pro Aufgabe und arbeitet im Hintergrund weiter, sodass Sie die Seite verlassen und zu einem fertigen Bericht zurückkehren können. Der Agent verfolgt seinen eigenen Fortschritt, statt darauf zu warten, dass Sie jeden Schritt anstoßen.
Ein Ziel auf Hunderte parallele Aufgaben skalieren
Wenn ein einzelner Agent für den Umfang der Aufgabe nicht ausreicht, verteilt Kimi Agent Swarm das Ziel auf über 100 Sub-Agenten und unterstützt bis zu 1.500 parallele Tool-Aufrufe. Er ist für groß angelegte Suche, umfangreiches Schreiben und Batch-Verarbeitung ausgelegt – dieselbe zielbasierte Schleife, vervielfacht.
Sie bestimmen weiterhin die Grenzen
Zielbasiertes Design belässt die Kontrolle über Ergebnisse bei den Menschen, und Kimi funktioniert genauso. Sie legen das Ziel und die Einschränkungen fest, prüfen dann den Plan und das Ergebnis. Wichtige Fakten und folgenreiche Entscheidungen bleiben unter menschlicher Aufsicht. Autonomie übernimmt den Weg, das Urteil bleibt bei Ihnen.
Einschränkungen und Herausforderungen
Zielbasierte Agenten bieten mehr Flexibilität als starre Automatisierung, bringen aber auch neue Fehlerarten mit sich. Ein unklares Ziel kann den Agenten in die falsche Richtung lenken, während ein großer Entscheidungsraum die Planung aufwendig macht. Pläne können außerdem veralten, wenn sich die Umgebung ändert. Konkurrierende Prioritäten erfordern unter Umständen nutzenbasiertes Denken oder menschliches Urteilsvermögen statt eines einfachen Abschlusstests. Fehlfunktionen von Tools und veraltete Daten schaffen zusätzliches Risiko, besonders wenn der Agent externe Systeme verändern kann. Zuverlässige Einsätze erfordern daher validierte Tool-Ergebnisse, kontrolliertes Neuplanen, eingeschränkte Berechtigungen, sichtbare Protokolle und menschliche Freigabe für Aktionen mit großer Auswirkung.
Fazit
Ein zielbasierter Agent arbeitet auf ein definiertes Ergebnis hin, statt nur auf die jeweils letzte Eingabe zu reagieren. Er nutzt eine Schleife, die Planung mit Aktion verbindet, und bewertet anschließend das beobachtete Ergebnis, bevor er entscheidet, was als Nächstes folgt. Dieser Ansatz passt zu Arbeitsabläufen, bei denen das Ziel klar ist, der Weg dorthin sich aber ändern kann. Beginnen Sie mit klaren Erfolgskriterien und eingeschränkten Berechtigungen. Fügen Sie zusätzliche Komplexität nur hinzu, wenn der Arbeitsablauf es erfordert. Kimi Agent bietet eine praktische Möglichkeit, zielorientierte Aufgabenausführung zu erproben, ohne eine Agenten-Architektur von Grund auf selbst zu entwickeln.