So funktioniert es: Der ReAct-Loop
Das Kernprinzip hinter modernen AI Agents ist der ReAct-Loop — ein Zyklus aus Reasoning (Denken) und Acting (Handeln). Er läuft so lange, bis das Ziel erreicht oder eine Eskalation nötig ist.
Ziel empfangen (Goal)
Der Agent bekommt ein klar formuliertes Ziel. Je präziser das Ziel, desto besser das Ergebnis. Vage Ziele wie „mach mein Marketing besser" sind nutzlos. Präzise Ziele wie „sende jedem Lead, der seit 5 Tagen nicht geantwortet hat, eine personalisierte Follow-up-E-Mail" funktionieren.
Planen (Reason)
Der Agent zerlegt das Ziel in Teilschritte, bewertet verfügbare Werkzeuge und legt die Reihenfolge fest. Dieser Schritt ist das „Denken" des Agenten — er entscheidet, welche Informationen er braucht und welche Aktionen er ausführen wird.
Werkzeug auswählen und ausführen (Act)
Der Agent wählt das passende Werkzeug und führt die Aktion aus: E-Mail lesen, Datenbank abfragen, Text erstellen, API aufrufen, Datei lesen. Er nutzt nur Werkzeuge, die ihm explizit zur Verfügung gestellt wurden.
Ergebnis beobachten (Observe)
Der Agent bewertet das Ergebnis der Aktion. Hat sie funktioniert? Braucht er weitere Informationen? Muss er den Plan anpassen? Diese Beobachtung fließt in den nächsten Reasoning-Schritt ein.
Wiederholen oder abschließen
Der Loop wiederholt sich, bis das Ziel erreicht ist. Wenn der Agent auf ein Problem stößt, das außerhalb seines definierten Rahmens liegt, eskaliert er an den zuständigen Menschen — mit vollständigem Kontext über alles, was er bisher getan hat.
Die 4 Kernkomponenten eines AI Agents
| Komponente | Funktion | Beispiel |
|---|---|---|
| LLM (Gehirn) | Versteht Ziele, plant Schritte, interpretiert Ergebnisse | GPT-4, Claude, Gemini |
| Werkzeuge (Tools) | Ermöglichen Aktionen in externen Systemen | E-Mail-API, Kalender, Websuche, Datenbank |
| Gedächtnis (Memory) | Speichert Kontext und Ergebnisse für spätere Nutzung | Vektordatenbank, Konversationshistorie |
| Planung (Planning) | Zerlegt Ziele in Teilschritte und koordiniert deren Ausführung | ReAct, Chain-of-Thought, Tree-of-Thought |
Vorteile der Agenten-Architektur
- Adaptive Problemlösung. Der Agent passt seinen Plan an, wenn etwas nicht funktioniert — statt bei der ersten Ausnahme zu stoppen wie ein Skript.
- Werkzeugintegration. Ein Agent kann mit jedem System sprechen, das eine API hat: CRM, ERP, E-Mail, Kalender, interne Wissensbasis.
- Parallele Ausführung. In Multi-Agent-Setups laufen mehrere Subagenten gleichzeitig an verschiedenen Teilaufgaben.
- Persistentes Gedächtnis. Der Agent erinnert sich an frühere Interaktionen und Ergebnisse — er ist kein Praktikant am ersten Tag jeden Morgen.
- Auditierbarkeit. Jeder Schritt im ReAct-Loop wird protokolliert. Du siehst, was der Agent gedacht, entschieden und ausgeführt hat.
Nachteile und Grenzen der Architektur
- Latenz durch mehrstufige Loops. Jeder Reasoning-Schritt kostet Zeit. Zeitkritische Anwendungen mit unter einer Sekunde Reaktionszeit sind begrenzt geeignet.
- Kosten skalieren mit Komplexität. Mehr Schritte = mehr LLM-Aufrufe = höhere API-Kosten. Einfache, regelbasierte Tasks sind oft günstiger als klassische Automatisierung.
- Fehler können sich akkumulieren. Wenn der Agent in einem frühen Schritt einen Fehler macht, baut er auf falschen Grundlagen weiter. Checkpoints und Verifikationsschritte sind nötig.
- Werkzeug-Grenzen definieren Agent-Grenzen. Was kein Werkzeug hat, kann der Agent nicht tun. Sorgfältige Werkzeugdefinition ist entscheidend.
Beispiele für AI Agents in der Praxis
E-Mail-Agent (ReAct-Loop in 4 Schritten)
- Ziel: Beantworte alle eingehenden Kundenfragen zu Rechnungen automatisch.
- Plan: E-Mail lesen → Kategorie erkennen (Rechnungsfrage?) → Kundendaten aus CRM laden → Antwort-Template mit personalisierten Daten befüllen → als Entwurf speichern.
- Ausführung: API-Calls zu E-Mail-System und CRM, Text-Generierung, Entwurf erstellen.
- Beobachtung: Entwurf erstellt? Wenn ja: abschließen. Wenn Daten unklar: Mensch zur Prüfung flaggen.
Research-Agent (Dauerbetrieb)
Ein Research-Agent läuft täglich: Er durchsucht definierte Quellen (Branchennews, Wettbewerber-Websites, LinkedIn, Patent-Datenbanken), extrahiert relevante Informationen, bewertet die Relevanz und erstellt ein priorisiertes Briefing — ohne dass jemand Suchbegriffe eingibt oder Ergebnisse filtert.
Use Cases für Unternehmen im Mittelstand
Die Architektur von AI Agents macht sie besonders geeignet für Workflows, die zu komplex für ein einfaches Skript, aber zu repetitiv für qualifizierte Mitarbeiter sind:
- E-Mail-Management. Priorisierung, Kategorisierung, Routineantworten — 200 Mails täglich ohne manuelle Durchsicht.
- Outreach-Automatisierung. Personalisierte Sequenzen, Engagement-Tracking, Follow-ups — über Wochen ohne menschliche Steuerung.
- Datenverarbeitung. Verträge, Rechnungen, Bewerbungen — strukturiert und verarbeitet in Minuten statt Stunden.
Wie Amazing Agents AI Agents implementiert
Jeder Agent, den Amazing Agents baut, folgt dem gleichen Architekturprinzip: klares Ziel, definierte Werkzeuge, persistentes Gedächtnis, Audit-Trail, Human-in-the-Loop an kritischen Punkten. Kein Agent geht live ohne definierten Rollback-Pfad und Monitoring.
Für komplexe Workflows kombinieren wir mehrere Agenten in einem koordinierten System. Mehr dazu: Was ist ein Multi-Agent-System?
Grundlagen zu KI-Agenten: Was sind KI-Agenten? · Unterschied zur Automatisierung: AI Agents vs. klassische Automatisierung