# Grundlagen: Agent vs. Workflow — und wann nicht > Was ein System agentisch macht, wann ein Agent das falsche Werkzeug ist, und warum Autonomie ein Trade-off ist — die Entscheidungen, bevor die erste Zeile Agent-Code steht. Track: [Agentic AI](https://physar.tech/learn/agentic-ai) Kanonische Fassung: https://physar.tech/learn/agentic-ai/agent-foundations Stand: 2026-07-22 Interaktiver Teil: 8 Checks (nur im Browser) ## Agentic AI: wann ein Agent das richtige Werkzeug ist — und wann nicht ### Was ein System agentisch macht Der Unterschied ist nicht „benutzt ein LLM“, sondern **wer den Kontrollfluss steuert**. In einem klassischen **Workflow** entscheidet dein **Code**, welcher Schritt als Nächstes kommt. In einem **Agenten** entscheidet das **LLM** selbst, was als Nächstes zu tun ist — welches Tool, welcher Schritt, wann fertig. | | | | --- | --- | | Workflow | Code steuert den Fluss; feste, bekannte Schritte; deterministisch | | Agent | LLM steuert den Fluss; Pfad wird zur Laufzeit entschieden; nichtdeterministisch | > **Kernidee:** Ein Agent tauscht Kontrolle gegen Flexibilität. Das ist mächtig — und teuer. Die erste Frage ist nie „wie baue ich den Agenten“, sondern „**brauche** ich einen?“ ### Agent vs. Workflow: der Pfad entscheidet Wenn die **Schritte im Voraus bekannt** sind (extrahieren → prüfen → speichern), ist das ein Workflow — auch wenn einzelne Schritte ein LLM nutzen. Ein Agent lohnt sich erst, wenn der **Pfad selbst** unbekannt ist: die nötigen Schritte hängen von Zwischenergebnissen ab, die man vorab nicht kennt. > **Merksatz:** Feste Schritte → orchestriere sie im Code. Nur wo der Weg wirklich dynamisch ist, gib die Fluss-Kontrolle ans Modell ab. ### Der teuerste Fehler: wann NICHT Der häufigste und teuerste Anfängerfehler ist, einen Agenten zu bauen, wo ein Workflow oder ein einzelner Aufruf gereicht hätte. Für eine **gut definierte, hochvolumige** Aufgabe addiert ein Agent Nichtdeterminismus, Kosten, Latenz und **Angriffsfläche** — ohne Gegenwert. > **Blast-Radius denken:** Mehr Autonomie heißt mehr Fähigkeit, aber auch weniger Vorhersagbarkeit und größerer Schaden, wenn es schiefgeht. Agentisch ist ein Kostenpunkt, kein Feature. ### Autonomie ist ein Trade-off Autonomie ist keine Skala, auf der „mehr“ besser ist. Jede Stufe zusätzlicher Freiheit kauft Fähigkeit **und** Risiko/Unvorhersehbarkeit. Die Regel: die **geringste** Autonomie, die die Aufgabe löst. Fester Workflow → **LLM wählt aus Optionen** → LLM plant Schritte → Voll autonomer Agent > **Least Autonomy:** Fang links an und geh nur nach rechts, wenn die Aufgabe es erzwingt — nicht, weil „Agent“ spannender klingt. ### Grenz die Aufgabe ein Ein eng **abgegrenzter** Agent (klarer Aufgabenbereich, kleine Tool-Menge) ist zuverlässiger, testbarer und sicherer als ein offener „mach-alles“-Generalist. Der Entwurfsraum eines offenen Agenten ist zu groß, um ihn zu prüfen oder abzusichern. > **Merksatz:** Ein Agent für **eine** klar umrissene Aufgabe schlägt einen, der alles können soll — Enge ist hier eine Tugend. ### Kosten, Latenz & Nichtdeterminismus Ein Agent **schleift**: jede Runde ist mindestens ein LLM-Aufruf. Die Basis-Kosten und -Latenz liegen dadurch weit über einem Einzelaufruf — von Anfang an einplanen und budgetieren. Und der Pfad ist **nichtdeterministisch**: dasselbe Ziel kann über verschiedene Schritte laufen. Du kannst keinen exakten Ablauf unit-testen — du testest **Ergebnisse und Verhalten** über viele Läufe und sicherst mit Guardrails ab. > **Ops-Denkweise:** Ein Agent ist Betrieb, kein Prompt: Budget, Beobachtbarkeit und Guardrails gehören von der ersten Zeile an dazu. ### Nicht mit Multi-Agent anfangen — gleich im Check Die Versuchung, ein Schwarm aus spezialisierten Agenten zu bauen, ist groß — und meist verfrüht. Multi-Agent addiert Koordinations-Overhead und neue Fehlerquellen. Ein **einzelner** Agent mit guten Tools trägt erstaunlich weit; erhöhe die Architektur-Komplexität erst bei echtem Bedarf. > **Gleich im Check:** Du entscheidest jetzt selbst: Agent oder Workflow, welche Autonomie, welcher Zuschnitt — und wann der ehrlichste Move ist, **keinen** Agenten zu bauen. ## Quellen - Building Effective Agents — Anthropic, 2024 - ReAct: Synergizing Reasoning and Acting in Language Models — Yao et al., 2023 - The Rise and Potential of Large Language Model Based Agents: A Survey — Xi et al., 2023 - OWASP Top 10 for LLM Applications (2025) — LLM06 Excessive Agency - OWASP Top 10 for LLM Applications (2025) — LLM10 Unbounded Consumption