Agenten

1Begriff

(KI-)Agent: ein System, das ein Ziel verfolgt, dafür selbstständig plant, Werkzeuge benutzt und Ergebnisse prüft. Formel: Agent = LLM + Harness + Werkzeuge + Ziel.

2Bedeutung

Der Sprung von „KI als Ratgeber“ zu „KI als Mitarbeiter“: Ein Chatbot sagt dir, wie man eine Reise bucht – ein Agent bucht sie. Das aktuell wichtigste Entwicklungsfeld der Branche.

3Funktionsweise

Die agentische Schleife (Schaubild 9): Kontext sammeln → planen → Werkzeug aufrufen (per Function Calling: das Modell „bestellt“ strukturiert eine Aktion, der Harness führt sie aus) → Ergebnis bewerten → wiederholen bis fertig. Dazu: Memory (Notizen über Sitzungen hinweg), ggf. Subagenten und ein Verification Loop (Tests o.ä. als objektives Fertig-Kriterium).

4Hintergrund

2023 (AutoGPT) war Hype ohne Substanz; seit 2024/25 tragen bessere Modelle + MCP + gereifte Harnesses echte Produktivität – v.a. beim Coding, in Recherche und Kundenservice. Wichtigste Sicherheitsfrage: Wie viel darf der Agent ohne Rückfrage? (Human-in-the-Loop, Berechtigungen, Sandbox).

5Alternativen / Bauformen

• Einfacher Chat + Mensch: oft völlig ausreichend und risikoärmer.
• Feste Automatisierung (Skripte, n8n/Zapier): deterministisch, billig – KI nur punktuell einstreuen.
• Frameworks für Eigenbau: LangGraph, CrewAI, AutoGen, OpenAI Agents SDK, Claude Agent SDK.
• Fertige Agenten: Claude Code, Codex, Deep-Research-Funktionen, openClaw.

6Vor- & Nachteile

• + Erledigt Mehrschritt-Arbeit; arbeitet parallel/nachts; nutzt echte Systeme.
• − Fehler multiplizieren sich über Schritte; Kosten können explodieren (Schleifen!); Sicherheitsfläche wächst (Prompt Injection, ungewollte Aktionen).

7Kosten

Agenten sind Token-Fresser: eine komplexe Aufgabe kann Hunderttausende Tokens umsetzen (viele Schleifendurchläufe × großer Kontext) – ein Agenten-Nachmittag am Spitzenmodell kostet schnell 5–50 €. Deshalb: Budgets/Limits setzen, Mittelklasse-Modelle für Routineschritte routen.

1Begriff

Harness (engl. „Zuggeschirr“): die Software um das Modell – Werkzeuge, Kontextverwaltung, Ausführungsumgebung, Schleifensteuerung. Beispiel: Claude Code ist das Harness, Claude das Modell darin.

2Bedeutung

Erklärt, warum dieselben Modelle so unterschiedlich „gut“ wirken: Ein starkes Modell in schwachem Harness stolpert; ein gutes Harness holt aus Mittelklasse-Modellen erstaunliches heraus. Beim Werkzeugvergleich vergleichst du meist Harnesses, nicht Modelle.

3Funktionsweise

Der Harness (1) baut den Kontext (Context Engineering: Systemprompt, Steuer-Dateien, Memory, Werkzeug-Ergebnisse), (2) stellt Werkzeuge bereit & führt Modell-„Bestellungen“ aus, (3) erzwingt Sicherheit (Berechtigungen, Sandbox), (4) managt die Schleife inkl. Compaction bei vollem Kontextfenster, (5) behandelt Fehler und Wiederholungen.

4Hintergrund

⚠Namensfalle „Harness vs. Harness“: Agentic Harness (dieses Konzept) ≠ Harness.io – eine kommerzielle DevOps-Plattform für CI/CD/Software-Delivery (harness.io). Gleiches Wort, völlig andere Kategorie. Auch „Test-Harness“ (Testrahmen im Software-Testing) ist wieder etwas anderes. Kontext prüfen!

5Alternativen / Vertreter

• Coding-Harnesses: Claude Code, Codex CLI, Gemini CLI, Cursor, Aider.
• General-Purpose: openClaw, Open Interpreter.
• Selbst bauen: Agent-SDKs/LangGraph – maximale Kontrolle, maximaler Aufwand.

6Vor- & Nachteile eines guten Harness

• + Mehr Erfolgsquote, weniger Tokens (kluger Kontext), Sicherheit eingebaut, reproduzierbare Abläufe.
• − Jeder Harness prägt Arbeitsweise & Lock-in; Qualität schwer von außen zu beurteilen (Benchmarks messen meist Modell+Harness zusammen).

7Kosten

Harnesses selbst meist gratis/im Abo enthalten; ihr Effekt auf die Token-Rechnung ist der eigentliche Kostenfaktor – gute Kontextverwaltung spart real Geld.

1Begriff

MCP = Model Context Protocol, offener Standard (Anthropic, 11/2024) zur Verbindung von KI-Anwendungen mit Werkzeugen/Datenquellen. MCP-Server = andockbares Werkzeugpaket; MCP-Client = der Agent/die App. modelcontextprotocol.io

2Bedeutung

Löst das M×N-Problem: Statt jede App mit jedem Dienst einzeln zu verkabeln, spricht alles einen Standard. Ein einmal gebauter GitHub-/Datenbank-/Slack-Server funktioniert mit jedem MCP-fähigen Agenten – der Ökosystem-Effekt hat MCP zum Branchenstandard gemacht (auch OpenAI & Google unterstützen es).

3Funktionsweise

Ein Server bietet drei Dinge an: Tools (Aktionen mit Parametern – „create_issue“), Resources (lesbare Daten) und Prompts (Vorlagen). Der Client verbindet sich (lokal via stdio oder übers Netz via HTTP), listet die Angebote, und das Modell ruft sie per Function Calling ab. Konfiguration meist eine JSON-Zeile („mcpServers: …“).

4Hintergrund

Tausende Server existieren (Verzeichnisse/Registries bei Anthropic, GitHub u.a.). Sicherheits-Kernpunkt: Ein MCP-Server handelt mit deinen Rechten – bösartige oder gekaperte Server bzw. Prompt Injection über gelesene Inhalte sind reale Angriffsvektoren. Nur geprüfte Server, minimale Berechtigungen, sensible Aktionen hinter Freigabe.

5Alternativen

• Klassisches Function Calling: Werkzeuge fest in die eigene App programmiert – ohne Standard, aber simpel.
• OpenAPI/Plugins-Ansätze: ältere Versuche (ChatGPT-Plugins) – von MCP abgelöst.
• Automatisierungsplattformen (n8n, Zapier): verbinden Dienste ohne LLM-Standard, inzwischen selbst mit MCP-Brücken.

6Vor- & Nachteile

• + Ein Standard für alles, riesiges Server-Angebot, lokal wie remote, herstellerneutral.
• − Sicherheit/Vertrauen je Server prüfen; viele Server = viel Kontextverbrauch (Tool-Listen); Standard noch in Bewegung.

7Kosten

Protokoll & die meisten Server: Open Source, gratis. Kosten entstehen bei den dahinterliegenden Diensten (API-Gebühren) und indirekt über Tokens (Werkzeug-Definitionen und -Ergebnisse belegen Kontext).

1Begriff

Skill: ein Ordner mit einer SKILL.md (Markdown mit Beschreibung im YAML-Kopf) plus optionalen Skripten/Vorlagen – wiederverwendbares Vorgehenswissen für Agenten. Offener Standard „Agent Skills“ (Doku).

2Bedeutung

Skills machen Expertenwissen teilbar: „So erstellen wir Angebote“, „So baut man saubere Excel-Dateien“ – einmal aufgeschrieben, wendet es jeder Agent an. Abgrenzung: MCP gibt Können (Werkzeuge), Skills geben Wissen-wie (Vorgehen).

3Funktionsweise

Clever am Design: Beim Start liest der Agent nur Name+Kurzbeschreibung aller Skills (spart Kontext). Passt eine Aufgabe, lädt er die volle SKILL.md nach und folgt ihr; enthaltene Skripte kann er ausführen. Aufruf auch direkt per /skill-name.

4Hintergrund

Von Anthropic eingeführt (10/2025), als offener Standard auch von anderen Harnesses übernommen – Skills gelten als „das MCP für Prozeduren“. Diese Landkarte hier wurde übrigens unter Mithilfe solcher Skills gebaut.

5Alternativen

• CLAUDE.md/AGENTS.md: immer geltende Regeln (Skills = bei Bedarf geladene Verfahren).
• Prompt-Vorlagen: Vorläufer ohne Auto-Auslösung/Dateien.
• Fine-Tuning: Verhalten ins Modell brennen – teurer, unflexibler.
• RAG über Prozess-Doku: Wissen finden statt befolgen.

6Vor- & Nachteile

• + Versionierbar (Git!), teilbar, kontext-effizient, ohne Programmierung erstellbar – Markdown reicht.
• − Auto-Auslösung hängt an guter Beschreibung; Skills Dritter = Vertrauensfrage (schon Malware-Fälle in Community-Hubs); Wildwuchs ohne Pflege.

7Kosten

Kostenlos – nur Schreibzeit. Spart real Geld: gute Skills reduzieren Wiederholungs-Prompts und Fehlversuche.

1Begriff

Subagent: ein vom Haupt-Agenten gestarteter Unter-Agent mit eigenem Kontextfenster, eigenem System-Prompt und (meist eingeschränkten) Werkzeugen; liefert am Ende nur eine Zusammenfassung zurück.

2Bedeutung

Löst zwei Kernprobleme: Kontext-Hygiene (die 200-Dateien-Recherche verstopft nicht das Hauptgespräch) und Parallelität (mehrere Teilaufgaben gleichzeitig).

3Funktionsweise

Der Hauptagent formuliert einen Auftrag („Durchsuche das Repo nach allen API-Aufrufen“), der Subagent arbeitet isoliert seine eigene agentische Schleife ab und gibt ein komprimiertes Ergebnis zurück. Definierbar als Markdown-Profile (z.B. .claude/agents/): Name, Zweck, erlaubte Werkzeuge, Modell.

4Hintergrund

Muster aus der Praxis: Explore/Research-Agent (viel lesen, wenig zurückgeben), Reviewer (kritisch prüfen, getrennt vom Autor-Kontext!), Worker-Fleet (20 Dateien parallel migrieren, je isoliert). Steigerung „Agent Teams“/Multi-Agent: gleichberechtigte Agenten mit Koordination – mächtig, aber komplex.

5Alternativen

• Alles im Hauptkontext: einfach, aber Kontext läuft voll und „verschmutzt“.
• Mehrere separate Sitzungen von Hand: der manuelle Vorläufer.
• Workflow-Engines: deterministisch orchestrierte Agent-Ketten für wiederholbare Pipelines.

6Vor- & Nachteile

• + Sauberer Hauptkontext, Parallel-Speed, Spezialisierung, Sicherheits-Sandboxing pro Subagent.
• − Informationsverlust an der Übergabe (nur die Zusammenfassung kommt zurück); mehr Tokens insgesamt; Fehlersuche über mehrere Kontexte schwieriger.

7Kosten

Parallelität kostet: 5 Subagenten ≈ bis zu 5× Tokens der Einzelaufgabe. Gegenmittel: günstigere Modelle für Routine-Subagenten (Recherche), Spitzenmodell nur für Synthese/Review.

1Begriff

Konnektor: eine fertig eingerichtete Verbindung eines KI-Assistenten zu einem Dienst (Google Drive, Slack, GitHub, Notion, Kalender …) – aktivierbar per Klick + Login statt per Konfigurationsdatei.

2Bedeutung

Die Consumer-Verpackung der Werkzeug-Anbindung: Was Entwickler als MCP-Server konfigurieren, schalten Endnutzer als „Connector“ frei. Erst Konnektoren machen Assistenten im Alltag nützlich („Was steht heute in meinem Kalender?“).

3Funktionsweise

Unter der Haube: OAuth-Login beim Dienst („Claude darf deine Dateien lesen“) + ein (oft MCP-basierter) Werkzeugsatz. Der Assistent sieht danach neue Tools („search_drive“, „send_slack_message“) und nutzt sie in der agentischen Schleife. Rechte-Umfang bestimmst du bei der Freigabe.

4Hintergrund

Begriffs-Wirrwarr geordnet: MCP = Protokoll (Technik) · MCP-Server = das Werkzeugpaket · Konnektor = die Nutzer-Verpackung einer Dienst-Verbindung · Plugin = Installationsbündel aus mehreren Bausteinen · Tool = die einzelne Aktion. Alle Anbieter (Claude, ChatGPT, Gemini, Copilot) bauen ihre Konnektor-Kataloge massiv aus.

5Alternativen

• MCP manuell: mehr Auswahl & Kontrolle, mehr Aufwand.
• Automatisierungsplattformen (Zapier/n8n/Make): Dienst-Verbindungen ohne KI-Assistent, teils als Konnektor-Brücke nutzbar.
• Copy & Paste: die Nicht-Lösung, aus der Konnektoren erlösen.

6Vor- & Nachteile

• + Null Technik-Hürde, geprüfte Kataloge, Rechte per OAuth widerrufbar.
• − Datenzugriff Dritter bewusst machen (was darf der Assistent sehen?); Katalog begrenzt; Firmen-Governance nötig (wer darf was verbinden?).

7Kosten

Meist in Abos enthalten; manche Dienste setzen deren Bezahlstufen voraus. Firmen: Admin-Kontrolle über erlaubte Konnektoren ist in Business-Tarifen enthalten.

1Begriff

Plugin: installierbares Bündel aus Skills, MCP-Servern, Subagenten-Profilen und Einstellungen – verteilt über Marketplaces (Kataloge).

2Bedeutung

Macht Agenten-Setups reproduzierbar: Statt zehn Einzelteile zu konfigurieren, installiert ein Team „das Vertriebs-Plugin“ – und jeder hat dieselben Fähigkeiten, Werkzeuge und Regeln.

3Funktionsweise

Ein Plugin ist ein versioniertes Paket (Git-Repo) mit Manifest; Installation registriert alle Bestandteile im Harness. Namensräume (plugin:skill) verhindern Kollisionen; Updates kommen zentral über den Marketplace.

4Hintergrund

Muster bekannt aus Browsern/VS Code, übertragen auf Agenten (Claude Code Plugins, ChatGPT-Apps, Gemini Extensions – jeweils eigene Ökosysteme). Gleiches Vertrauensthema wie überall: Fremd-Plugins = Fremdcode mit deinen Rechten.

5Alternativen

• Einzelbausteine von Hand (Skills/MCP direkt): flexibler, aber je Nutzer Aufwand.
• Geteiltes Projekt-Repo mit .claude/-Ordner: „Plugin light“ für ein einzelnes Projekt.
• Zentral verwaltete Einstellungen (Org-Policies): erzwingen statt anbieten.

6Vor- & Nachteile

• + Ein-Klick-Rollout, Versionierung, Team-Einheitlichkeit, Kombinierbarkeit.
• − Vertrauens-/Sicherheitsprüfung nötig; Plugin-Konflikte möglich; Ökosysteme je Anbieter getrennt (kein Universal-Plugin).

7Kosten

Meist kostenlos/Open Source; kommerzielle Plugins entstehen gerade. Versteckte Kosten: mehr installierte Werkzeuge = mehr Kontextverbrauch.

1Begriff

Artefakt: ein von der KI erzeugtes, eigenständiges Ergebnis-Objekt – Dokument, Code-Datei, kleine Web-App, Grafik, Dashboard – getrennt vom Chatverlauf gespeichert und bearbeitbar.

2Bedeutung

Verschiebt KI-Nutzung von „Antworten lesen“ zu „Werkstücke erhalten“: Das Gespräch ist der Weg, das Artefakt das Produkt. Diese Landkarte ist selbst ein Artefakt – jederzeit wieder öffnbar und aktualisierbar.

3Funktionsweise

Der Assistent erkennt „substanzielles Ergebnis“ und legt es als eigenes Objekt an (bei Claude im Seitenbereich). Artefakte sind iterierbar („mach den Header blau“ ändert das Objekt, statt alles neu zu tippen), versioniert, teilbar und bei HTML/Apps direkt lauffähig.

4Hintergrund

Von Claude (2024) populär gemacht; Pendants: ChatGPT „Canvas“, Gemini „Canvas“. Trend: Artefakte werden zu Mini-Apps – interaktive Tools, die ohne Programmierkenntnis entstehen und im Team geteilt werden.

5Alternativen

• Datei-Downloads: klassisch (docx/xlsx/pdf) – fürs Weiterverarbeiten in Office.
• Direkt ins Zielsystem: per Konnektor/MCP gleich ins Wiki/Repo schreiben.
• Copy & Paste aus dem Chat: der alte, fehleranfällige Weg.

6Vor- & Nachteile

• + Ergebnis bleibt, Iteration statt Neuanfang, live nutzbar, teilbar.
• − An die Plattform gebunden; für „richtige“ Software irgendwann zu klein – dann Übergang zu echtem Repo + Agentic Coding.

7Kosten

In den Abos enthalten; keine Extra-Kosten.

1Begriff

OpenClaw (zuvor Clawdbot/Moltbot): quelloffener (MIT), autonomer persönlicher KI-Assistent, der dauerhaft auf eigener Hardware läuft und über Messenger (WhatsApp, Telegram, Slack, Discord …) bedient wird. openclaw.ai · GitHub

2Bedeutung

Das prominenteste Beispiel für „Agent als Dauerdienst“: nicht nur antworten, sondern rund um die Uhr E-Mails, Dateien, Kalender, Browser bedienen – auch ungefragt nach Zeitplan. Anfang 2026 viral (45k+ GitHub-Sterne in Tagen).

3Funktionsweise

Ein Node.js-„Gateway“-Prozess bündelt: Messenger-Adapter, Sitzungs-/Warteschlangenverwaltung, Agenten-Runtime (gleiche Schleife wie Schaubild 9) und einen Heartbeat-Scheduler für eigeninitiative Läufe. Modell-agnostisch: Cloud (Anthropic/OpenAI/Google) oder lokal via Ollama. Fähigkeiten als SKILL.md-Dateien, Community-Austausch über den Hub „ClawHub“; Gedächtnis als lokale Markdown-Dateien.

4Hintergrund — die Warngeschichte

Die Kehrseite kam schnell: eine kritische Lücke (CVE-2026-25253, Remote-Code-Ausführung per WebSocket-Hijacking), 230+ bösartige Skills im Community-Hub, ~26 % geprüfter Skills mit Schwachstellen, Fälle von Kosten-Explosionen (fehlkonfigurierte Heartbeats: hunderte $/Monat) und ungewollten autonomen Aktionen. openClaw ist damit das Lehrstück für Chancen und Risiken voller Autonomie.

5Alternativen

• Open Interpreter / OpenHands / Goose: verwandte offene Agenten, enger fokussiert.
• Claude Code & Co.: kommerzielle Harnesses mit Berechtigungssystem – kontrollierter.
• n8n + LLM: Automatisierung mit deterministischem Rahmen statt freier Autonomie.

6Vor- & Nachteile

• + Volle Datenhoheit (lokal, offen), Messenger-Bedienung, echte Proaktivität, lebendige Community.
• − Erhebliche Sicherheits-/Kostenrisiken (s.o.), Selbstverantwortung für Betrieb & Härtung, junge Codebasis.

7Kosten

Software gratis; laufende Kosten = Modell: lokal (64 GB+-Hardware sinnvoll) nur Strom; mit Cloud-Modellen je nach Aktivität ~20–500 $/Monat – Ausgabenlimits setzen!