Agentic Workflow
Ein Arbeitsablauf, bei dem ein LLM nicht nur einmal antwortet, sondern plant, Werkzeuge nutzt, die eigenen Ergebnisse bewertet und über mehrere Schritte auf ein Ziel hin iteriert. Der Wechsel vom "Chatbot, der antwortet" zum "Agenten, der Aufgaben erledigt".
Muster (populär gemacht u. a. von Andrew Ng): Reflexion (das Modell prüft und verbessert den eigenen Entwurf), Werkzeugnutzung (suchen, Code ausführen, APIs aufrufen), Planung (eine Aufgabe in Teilschritte zerlegen) und Multi-Agent (mehrere spezialisierte Agenten arbeiten zusammen). Statt eines einzelnen Aufrufs entsteht eine Schleife oder ein Graph von Aufrufen, die auf ein Ziel hinarbeiten, oft mit ReAct als Antriebsmotor. Gewinn: Komplexe, mehrstufige Aufgaben lassen sich lösen (eine ganze Funktion samt Tests programmieren, recherchieren und einen Bericht schreiben), an denen eine einzelne Antwort scheitern würde. Preis: mehr Aufrufe (Kosten/Latenz), schwerer zu debuggen, und das Risiko, dass der Agent "entgleist". Der Kern der Agenten-Welle von 2024–2025. Verwandt mit ReAct-Agent und Multi-Agent-System.