Agentic Systems sind keine Magie — sie sind komponierbare Patterns. Memory, Tools, Loops, Guardrails. Lerne das Vokabular, und die Architektur folgt. Eine Reference für Builder, Operator und Decision-Maker.
Offener Standard, der AI-Agents erlaubt, Tools, APIs und Datenquellen über ein einheitliches Interface zu verbinden.
Claude verbindet sich via MCP mit GitHub, um Code autonom zu lesen und zu schreiben.
Der kontinuierliche Reasoning-Zyklus, den ein AI-Agent durchläuft — Input wahrnehmen, Plan bilden, Aktionen ausführen, Ergebnisse beobachten.
Ein Agent liest ein Error-Log, plant einen Fix, führt den Code aus und prüft, ob die Tests bestehen.
Die Fähigkeit eines AI-Modells, externe Funktionen aufzurufen — APIs, Code-Runner, Browser — um in der realen Welt zu handeln.
Agent ruft mitten im Gespräch eine Weather-API auf, um zu beantworten: „Sollte ich morgen nach NYC fliegen?"
Der Top-Level-Agent, der Ziele in Subtasks zerlegt und an spezialisierte Subagents delegiert.
Ein Coding-Orchestrator dispatcht parallel einen Test-Agent, einen Lint-Agent und einen Deploy-Agent.
Ein fokussierter AI-Agent, der eine spezifische Aufgabe innerhalb einer größeren Multi-Agent-Pipeline ausführt.
Ein „Summarizer"-Subagent kondensiert 50 Research-Paper, bevor der Main-Agent Insights synthetisiert.
Wie Agents Informationen speichern und abrufen — in-context (temporär) oder über externe Stores (persistent).
Agent erinnert sich an deinen Coding-Style aus einer Vorsession, gespeichert in einer Vector-Database.
AI-Outputs an verifizierte externe Datenquellen koppeln, um Halluzinationen zu reduzieren und Accuracy zu erhöhen.
Agent zitiert Live-Aktienkurse von der Bloomberg-API, statt Zahlen aus den Training-Daten zu generieren.
Regeln und Constraints, die Agents davon abhalten, schädliche, nicht-autorisierte oder out-of-scope Aktionen auszuführen.
Agent wird daran gehindert, Production-Databases zu löschen — auch wenn die Anweisung lautet „alles aufräumen".
Isolierte Umgebung, in der Agents Code ausführen, ohne das Host-System oder Production zu beeinflussen.
Claude Code führt User-Scripts in einem Docker-Container aus, bevor Änderungen aufs echte Repo angewendet werden.
Ein Design-Pattern, bei dem Agents pausieren und menschliche Bestätigung einholen, bevor sie kritische Aktionen ausführen.
Agent draftet eine Client-E-Mail, wartet aber auf dein Approval, bevor sie rausgeht.
Die maximale Textmenge, die ein Agent in einer einzelnen Interaction lesen und verarbeiten kann — sein Attention Span.
Ein 200K-Token-Window erlaubt einem Agent, eine komplette Codebase zu lesen, bevor er eine einzige Zeile schreibt.
Ein System, in dem mehrere spezialisierte AI-Agents zusammenarbeiten — jeder bearbeitet unterschiedliche Tasks, um komplexe Ziele schneller und zuverlässiger zu lösen.
Ein Agent recherchiert, einer schreibt, einer fact-checkt — alle koordiniert von einem Orchestrator.
Ein Orchestrator treibt den Loop, dispatcht Subagents, nutzt Tools über MCP, grounded Outputs an echten Daten und pausiert für Human Approval bei kritischen Gates.
Der vollständige Artikel und das PDF sind Member-Inhalte. Magic-Link-Login, keine Kreditkarte, kein Risiko — und beides ist sofort verfügbar.