LLM-Agenten verstehen: vom Chatbot zum Agenten

Kaum ein Begriff wird gerade so inflationär benutzt wie „Agent“. Dabei steckt ein klarer, nützlicher Unterschied dahinter – und wer ihn versteht, durchschaut sofort, was Marketing ist und was echte Fähigkeit. Dieser Artikel räumt ohne Hype auf, geerdet an Werkzeugen, die ich täglich nutze.

Ein Chatbot nimmt deine Frage und gibt eine Antwort – ein Durchgang, fertig. Ein Agent bekommt ein Ziel und arbeitet eigenständig darauf hin: Er plant, nutzt Werkzeuge, prüft das Ergebnis und korrigiert sich, bis das Ziel erreicht ist. Der Chatbot redet, der Agent erledigt.

Das Herz jedes Agenten ist eine Schleife:

1. Denken: Was ist der nächste sinnvolle Schritt zum Ziel?
2. Handeln: Ein Werkzeug aufrufen – Datei lesen, Befehl ausführen, API anfragen.
3. Beobachten: Das Ergebnis ansehen und daraus den nächsten Schritt ableiten.

Diese Schleife läuft so lange, bis die Aufgabe erledigt ist. Genau das macht aus einem reinen Sprachmodell einen Akteur – es darf zwischendurch in der echten Welt nachsehen, statt alles in einem Rutsch zu erraten.

Ohne Werkzeuge bleibt der beste Agent ein Schwätzer. Erst der Zugriff auf Dateien, Shell, APIs oder Datenbanken macht ihn handlungsfähig. Der heute wichtigste Standard dafür ist MCP – was das genau ist, erkläre ich hier. Vereinfacht: MCP ist die genormte Steckdose, an der ein Agent seine Werkzeuge findet.

• Assistent: schlägt vor, du führst aus (klassischer Chat).
• Copilot: handelt, fragt aber vor kritischen Schritten nach (so arbeite ich meist mit Claude Code).
• Autonom: arbeitet längere Ketten allein ab, du prüfst am Ende.

Mehr Autonomie ist nicht automatisch besser – sie braucht klare Grenzen und Vertrauen in die Werkzeuge.

So ein Agent muss nicht in der Cloud laufen. Mein Setup steuert einen ganzen Blog von einem sparsamen Mini-PC aus, auf dem auch die nötigen Dienste liegen:

Ehrlich bleiben: Agenten sind kein Selbstläufer.

• Halluzinationen: Ein falscher Zwischenschritt pflanzt sich durch die Schleife fort.
• Kosten & Zeit: Viele Schleifendurchläufe = viele Tokens; das summiert sich.
• Kontrolle: Je autonomer, desto wichtiger sind Berechtigungen und ein Mensch, der gegenprüft – gerade bei schreibenden Aktionen.

Ein Agent ist ein LLM in einer Schleife aus Denken, Handeln und Beobachten – mit Werkzeugen als Händen. Kein Zauber, aber ein echter Sprung gegenüber dem Chatbot. Wer es praktisch ausprobieren will, fängt am besten konkret an: KI-Agenten im Terminal oder gleich ein dauerhaft laufender Agent auf dem Server.