AI Agent vs. Workflow: Wann sollte ein Model Schritte auswählen?
Automatische Übersetzung Dieser Artikel wurde automatisch aus der englischen Originalversion übersetzt.
Verwende einen Workflow, wenn du die Schritte und Verzweigungen im Voraus festlegen kannst. Verwende einen Agent, wenn vordefinierte Regeln die nächste sinnvolle Aktion nicht zuverlässig abdecken können und ein Model Ergebnisse interpretieren muss, um diese Aktion auszuwählen. Workflows können anhand von Tool Results verzweigen und Models aufrufen, um Anfragen zu klassifizieren oder Zusammenfassungen zu schreiben. Diese Funktionen allein erfordern noch keinen Agent Loop.
Ich würde mit einem festen Workflow beginnen und Model-ausgewählte Schritte nur dort ergänzen, wo der Workflow bei realen Tasks scheitert. Das folgt Anthropic’s Unterscheidung zwischen vordefinierten Workflows und modelgesteuerten Agents. Die entscheidende Frage ist, was das Model entscheiden muss – und erst danach, welches Framework gewählt wird.
Letzte Prüfung: 2026-09-08.
Zwei Support-Anfragen vergleichen
„Wo ist Bestellung 123?“ hat einen bekannten Pfad: Zugriff prüfen, die Bestellung abrufen, ihren Versandstatus auslesen und das Ergebnis zurückgeben. Ein Model kann die Antwort formulieren, muss aber nicht entscheiden, welches System als Nächstes abgefragt wird. Für fehlende Bestellungen und Servicefehler können explizite Verzweigungen definiert werden.
„Warum schlägt dieser Job erst nach einem Neustart fehl?“ ist weniger vorhersehbar. Das erste Log kann auf eine fehlende Datei, ein veraltetes Credential oder einen Service hindeuten, der zu spät startet. Ein Agent kann dieses Ergebnis untersuchen und die nächste Prüfung auswählen. Die Anwendung muss dennoch einschränken, auf welche Dateien und Tools er zugreifen darf.
Dieses zweite Muster bildet den Kern von ReAct: abwechselnde Aktionen und Observations, die die nächste Aktion verändern können. Das schafft Flexibilität, erhöht aber auch die Zahl der Möglichkeiten, eine wenig hilfreiche Aktion auszuwählen.
Den kleinstmöglichen Umfang an Model-Steuerung wählen
| Was der Task benötigt | Ausgangspunkt | Wofür du weiterhin verantwortlich bist |
|---|---|---|
| Bekannte Schritte und Fehlerverzweigungen | Gewöhnlicher Workflow | Validierung, Retries und Fehlerbehandlung |
| Eine Auswahl zwischen bekannten Routen | Classifier gefolgt von festen Workflows | Routing-Tests und ein Pfad für unsichere Fälle |
| Ein Tool-Plan, der vor der Ausführung geschrieben werden kann | Geplanter Tool-Graph, etwa ReWOO | Plan-Validierung und Recovery bei fehlschlagenden Annahmen |
| Nächste Aktionen benötigen Model-Urteil | Begrenzter Agent Loop, etwa ReAct | Tool-Berechtigungen, Stop-Regeln und Completion Checks |
| Große Teilaufgaben mit lokaler Exploration | Plan-and-execute | Gemeinsamer State und explizite Regeln für Planänderungen |
Auch ein von einem Model erzeugter Plan benötigt vor der Ausführung eine Validierung. ReWOO trennt Planung, Tool-Ausführung und Antwortsynthese; die Permission- oder Recovery-Regeln deiner Anwendung liefert es nicht mit. Wenn die Tool-Sequenz im Code bereits bekannt ist, bietet ein von einem Model geschriebener Plan möglicherweise keinen Mehrwert.
Die Entscheidung testen, bevor weitere Agents hinzugefügt werden
Vergleiche den festen Workflow und den Agent anhand derselben Tasks, Tools, Daten und desselben Gesamtbudgets. Berücksichtige ein fehlendes Ergebnis, einen Timeout und ein Ergebnis, das die wahrscheinlich nächste Aktion verändert. Zähle fehlgeschlagene und nicht abgeschlossene Versuche. Miss korrekte Abschlüsse, unnötige Aktionen, verstrichene Zeit und Kosten.
Prüfe bei jedem Pfad, der externen State verändert, vor einem Retry, was tatsächlich passiert ist, wenn ein Tool Call in einen Timeout gelaufen ist. Eine verlorene Antwort kann eine bereits abgeschlossene Aktion verbergen; die Anwendung benötigt daher eine stabile Operations-ID oder eine zuverlässige Statusabfrage. AWS’ Leitfaden für sichere Retries erläutert den Vertrag für die Request-Identität.
Behalte den Agent nur dann bei, wenn die zusätzlichen Auswahlmöglichkeiten genügend Workflow-Fehler beheben, um ihre Kosten zu rechtfertigen. Dieselbe Arbeit auf mehrere Agents aufzuteilen, ist ein separates Experiment.
Weiterführende Lektüre
- Reasoning Loops von AI Agents vergleicht ReAct, ReWOO und Plan-and-execute anhand eines durchgängigen Systems.
- Harness Engineering erklärt, wer Aktionen prüft und entscheidet, dass das Ergebnis vollständig ist.
- Long-running Agent Runtimes behandelt Recovery, wenn die Arbeit länger läuft als ihr Worker.
- Vergleich von Agent Frameworks unterstützt bei der Auswahl einer Implementierung, sobald der Control Flow feststeht.