Jeder KI-Agent ist ein Modell, das Tools in einer bestimmten Reihenfolge aufruft. Die einzige entscheidende Frage lautet: Wer legt diese Reihenfolge fest? Bei einem Loop-Agent entscheidet das Modell zur Laufzeit. Bei einem Graph-Agent bestimmst du sie vorab, und das Modell füllt die einzelnen Schritte aus. Die meisten Debatten über Agent-Frameworks drehen sich letztlich um genau diese Wahl.
Ein Loop-Agent ist die einfachste funktionierende Variante: Du sendest dem Modell die Aufgabe und eine Liste von Tools, führst das angeforderte Tool aus, hängst das Ergebnis an und wiederholst den Vorgang, bis das Modell ohne Tool-Aufruf antwortet. Das ist das ReAct-Muster. Die Tool-Use-APIs von OpenAI und Anthropic, das Vercel AI SDK und LangChains createAgent bieten es direkt an. Es ist erstaunlich leistungsfähig: Die meisten Coding-Assistenten und Recherche-Agenten beruhen genau auf dieser Schleife.
Seine Stärke ist die Flexibilität: Der Ablauf muss nicht im Voraus feststehen, deshalb eignen sich offene Aufgaben wie Recherche, Debugging oder „Finde heraus, warum diese Bestellung fehlgeschlagen ist“. Seine Schwäche ist dieselbe. Die Zahl der Schritte ist unbekannt, also auch Kosten und Latenz. Das Modell kann sich im Kreis drehen, eine Prüfung überspringen oder ein unerwünschtes Tool aufrufen. Leitplanken halten es auf Kurs: Schrittlimit (stopWhen im Vercel AI SDK), Tokenbudget, Tool-Freigabeliste und Validierung der endgültigen Antwort.
Ein Graph-Agent bildet den Ablauf mit expliziten Knoten und Kanten ab: klassifizieren, abrufen, entwerfen, validieren, einen Menschen fragen, schreiben. Jeder Knoten kann ein Modellaufruf, ein Tool oder einfacher Code sein. Kanten können sich verzweigen oder gezielt zurückführen: „Validierung fehlgeschlagen, zurück zum Entwurf“. Der Zustand ist ein explizites Objekt, das nach jedem Knoten gespeichert wird. LangGraph ist das bekannteste Beispiel: In Python und TypeScript ergänzt es Checkpoints. So kann ein Lauf für die Freigabe durch einen Menschen pausieren und Stunden später exakt an der Stelle fortgesetzt werden, an der er angehalten hat.
Seine Stärke ist die Kontrolle. Du weißt, welche Schritte in welcher Reihenfolge passieren können und wo ein Mensch zustimmen muss. Jeder Lauf lässt sich Knoten für Knoten nachverfolgen, die Kosten werden durch die Graphstruktur begrenzt, und ein Fehler in Schritt fünf startet die ersten vier Schritte nicht erneut. Dafür braucht es mehr Entwurfsarbeit, und die Freiheit ist geringer: Passt eine Aufgabe nicht in den Graphen, kann der Agent sich nicht improvisierend daraus befreien.
Zeit bis zum ersten Prototyp
Offene Aufgaben
Planbare Kosten und Latenz
Fehlersuche und Tracing
Menschliche Freigaben
Lange und fortsetzbare Abläufe
Sichere Schreibvorgänge (Geld, personenbezogene Daten)
Als Tabelle anzeigen
| Kriterium | Loop-Agent | Graph-Agent |
|---|---|---|
| Zeit bis zum ersten Prototyp | 5 / 5 | 2 / 5 |
| Offene Aufgaben | 5 / 5 | 2 / 5 |
| Planbare Kosten und Latenz | 2 / 5 | 4 / 5 |
| Fehlersuche und Tracing | 2 / 5 | 5 / 5 |
| Menschliche Freigaben | 2 / 5 | 5 / 5 |
| Lange und fortsetzbare Abläufe | 1 / 5 | 5 / 5 |
| Sichere Schreibvorgänge (Geld, personenbezogene Daten) | 2 / 5 | 5 / 5 |
Direkt gegenübergestellt geht es weniger um „Was ist besser?“ als um „Wo liegt deine Aufgabe?“ – zwischen offen und wiederholbar, zwischen günstigen und teuren Fehlern. Interessant ist, dass die Grenze unschärfer ist als in der Werbung: LangChains createAgent ist eine Schleife, läuft seit Version 1.0 aber auf der LangGraph-Laufzeit. Eine Schleife ist schlicht der kleinstmögliche Graph.
Blasengröße: typische Zahl der Modellaufrufe pro Aufgabe
Als Liste anzeigen
- Ein einzelner Modellaufruf — Ein Prompt, eine Antwort: am vorhersehbarsten, am wenigsten autonom. (1 Modellaufruf)
- Graph-Agent — Geplante Schritte und Verzweigungen; das Modell arbeitet in jedem Knoten. (eine feste Zahl von Aufrufen)
- Graph mit eingebauter Schleife — Ein fester Ablauf mit einem offenen Schritt, etwa Recherche. (feste Schritte + begrenzte Schleife)
- Loop-Agent — Das Modell wählt jeden nächsten Schritt, bis es fertig ist. (so viele Aufrufe wie nötig)
Meine Faustregel: Mit einer Schleife für Exploration und interne Tools beginnen, bei denen ein Mensch das Ergebnis ohnehin liest. Zum Graphen wechseln, wenn sich der Prozess wiederholt, Geld oder Kundendaten berührt, eine Freigabe benötigt oder länger als eine Anfrage läuft. Die besten Produktivsysteme kombinieren meist beides: einen Graphen für den Geschäftsprozess und eine kleine Schleife in einem seiner Knoten – etwa einen Recherche-Schritt, der mehrmals suchen darf, bevor er ein sauberes Ergebnis an den nächsten deterministischen Knoten übergibt.
Für beide Ansätze gelten dieselben Regeln: typisierte Tool-Eingaben, ein festes Budget, ein Protokoll für jeden Schritt und keine Änderung am führenden Datensystem ohne Validierung. In TypeScript oder Python sind das einige Dutzend Zeilen rund um den Modellaufruf – und sie machen den Unterschied zwischen einer Demo und einem Produkt. Wenn du einen Ablauf an einen Agenten übergeben möchtest, schick mir die Schritte so, wie dein Team sie heute erledigt. Ich sage dir, ob eine Schleife, ein Graph oder ein Graph mit einer Schleife darin passt.
Geben Sie dem nächsten Produkt jemanden, der bleibt.
Bereit für den Start? Schreiben Sie mir – ich kann sofort beginnen und bleiben. Langfristige Mandate statt Übergabe nach zwei Wochen. Lassen Sie uns über Ihr Projekt, die Anforderungen und den besten Weg nach vorn sprechen.