Was sind agentische Workflows?

Die zugrunde liegende Infrastrukturlogik eines aktiven agentischen Systems beruht auf kontinuierlichen Wahrnehmungs-, Schlussfolgerungs- und Handlungsschleifen. Wenn ein autonomer KI-Agent ein übergeordnetes Ziel erhält, zerlegt er es sofort in aufeinanderfolgende, überschaubare Teilaufgaben. Diese Aufteilung ist entscheidend, da sich das Modell so auf die unmittelbaren Anforderungen konzentrieren kann. Dadurch wird die kognitive Belastung drastisch reduziert und es werden Halluzinationen vermieden, die oft auftreten, wenn Modelle versuchen, komplexe Probleme in einem einzigen Rechenvorgang zu lösen.

Während der aktiven Ausführungsphase verarbeitet das Modell kontinuierlich Live-Telemetriedaten, löst erforderliche APIs aus und bewertet die Ergebnisse seiner Aktionen. Da der Agent dynamisch arbeitet, kann er Laufzeitfehler oder unerwartete Datenformate selbstständig umgehen, um das gewünschte Ergebnis zu erzielen, ohne bei jedem Schritt auf ein manuelles Eingreifen warten zu müssen.

Zur Veranschaulichung betrachten wir ein schrittweises Unternehmensszenario, in dem ein agentischer Workflow bei der Modernisierung einer Anwendungskomponente hilft und einen herkömmlichen, manuellen Prozess zur Fehlerbehebung ersetzt:

Der KI-Agent nimmt eine Warnung über eine verminderte Leistung in einem Mikrodienst auf und gleicht autonom aktive Deployments in Google Kubernetes Engine (GKE) mit kürzlich vorgenommenen Codeänderungen in Cloud Source Repositories ab, um den Auswirkungsbereich zu definieren. 

Das System fragt direkt Anwendungslogs in Cloud Logging und Messwerte in Cloud Monitoring ab, um den spezifischen API-Aufruf mit hoher Latenz oder die Ressourcenkonkurrenz zu isolieren, die die Verlangsamung verursacht.

Mithilfe von Infrastruktur-APIs stellt der Agent einen temporären, isolierten GKE-Cluster bereit, um eine vorgeschlagene Konfigurationsänderung oder einen Code-Patch sicher anzuwenden und zu bewerten, ohne den Produktions-Traffic zu beeinträchtigen.

Wenn ein vorgeschlagener Fix die Latenz in der Sandbox nicht behebt, ändert der Agent seine Strategie. Statt abzustürzen oder ein allgemeines Fehlerticket zu senden, bewertet er die Ressourcenauslastung des Containers und versucht alternative Optimierungen, z. B. das Anpassen von Parametern für die automatische Pod-Skalierung oder das Vorschlagen von Code-Refactoring, bis eine funktionierende Lösung gefunden ist.

Nachdem der Agent eine erfolgreiche Fehlerbehebung validiert hat, stellt er die Lösung für eine obligatorische Human-in-the-Loop-Prüfung (HITL) bereit. Sobald ein menschlicher Systemarchitekt die Änderung genehmigt, wendet der KI-Agent die Optimierung auf die Produktion an und zeichnet seine gesamte Logik zur Fehlerbehebung in der Langzeit-Speicherbank auf, um zukünftige Reaktionen auf Vorfälle zu beschleunigen.

Um eine zuverlässige Autonomie zu erreichen, strukturieren Entwickler diese Workflows mithilfe bestimmter architektonischer Designmuster, die vorgeben, wie der KI-Agent in seiner Umgebung „denkt“ und agiert.

• Das Planungsmuster (Aufgabenzerlegung): Wenn ein Agent ein umfangreiches, komplexes Ziel erhält, wie z. B. „Migriere diese Legacy-Anwendung zu GKE“, zerlegt er es sofort in eine Reihe kleinerer, sequenzieller Unteraufgaben: „Abhängigkeiten analysieren“, „Komponenten containerisieren“, „Netzwerk einrichten“, „In Staging testen“. Dieses Muster reduziert die kognitive Belastung des Modells, verankert seine Argumentation in überschaubaren Schritten und reduziert Halluzinationen drastisch.
• Das Tool verwendet ein Muster: KI-Agenten wählen dynamisch aus, welche API, welches Skript oder welche Abfrage ausgeführt werden soll, basierend auf dem Kontext der aktuellen Unteraufgabe. Mithilfe von Frameworks wie Agentic RAG (Retrieval-Augmented Generation) ruft der Agent aktiv den benötigten Kontext aus Datenbanken, Code-Repositories oder dem Web ab, anstatt passiv auf eine Eingabeaufforderung zu warten. Ein Agent kann beispielsweise Cloud Asset Inventory APIs verwenden, um die aktuelle Infrastruktur zu verstehen.
• Reflexionsmuster (Selbstkorrektur): Dieses Muster basiert auf einer iterativen Feedbackschleife, bei der ein Agent eine Aufgabe ausführt (z. B. einen Terraform-Codeblock schreibt), die resultierenden Build- oder Bereitstellungsprotokolle liest, seine eigene Ausgabe kritisiert und die Lösung automatisch neu schreibt, bis die Tests bestanden und die Ausführung erfolgreich ist. Dies ist entscheidend für die zuverlässige Generierung von Infrastruktur als Code (IaC).

Agentenbasierte Workflows entwickeln sich rasant von konzeptionellen Frameworks zu produktionsreifen Softwarebereitstellungen in wichtigen Unternehmensbereichen. Sie führen zu erheblichen Verbesserungen bei der Entwicklung, Bereitstellung und Verwaltung von Anwendungen in der Cloud.

KI-Agenten können vorhandene lokale Anwendungen analysieren, Abhängigkeiten identifizieren und detaillierte Berichte und Migrationspläne erstellen, um sie auf cloudnative Plattformen wie GKE oder Cloud Run zu verschieben.

Multi-Agenten-Systeme können die Anwendungsleistung, die Ressourcennutzung und die Kosten in Echtzeit überwachen. KI-Agenten können automatisch Optimierungen vorschlagen oder anwenden, z. B. Skalierungsanpassungen, Datenbankabfrageoptimierung oder Code-Refactoring, um sicherzustellen, dass Anwendungen effizient und kostengünstig ausgeführt werden.

Entwicklerorientierte Agents können vorhandene Codebasen lesen, die Anwendungslogik verstehen und refaktorierte Code-Snippets vorschlagen oder automatisch generieren, um die Leistung zu verbessern, cloudnative Muster zu übernehmen oder die Sicherheit zu erhöhen. Oft sind sie in Tools wie Cloud Assist für Codevorschläge eingebunden.

Bei Leistungsregressionen können KI-Agenten automatisch Untersuchungen einleiten, Logs und Messwerte aus Cloud Logging und Cloud Monitoring korrelieren und die Ursachen in verteilten Anwendungskomponenten ermitteln, wodurch die mittlere Zeit bis zur Lösung verkürzt wird. Die Funktion „Prüfungen“ von Cloud Assist wurde für solche Fälle entwickelt. 

KI-Agenten im Bereich der Sicherheit können Anwendungscode, Konfigurationen und bereitgestellte Umgebungen kontinuierlich auf Sicherheitslücken und Richtlinienverstöße scannen und automatisch Schritte zur Behebung generieren oder Sicherheitsteams benachrichtigen.

Agenten können Testfälle generieren, Integrationstests ausführen und Testergebnisse analysieren. So erhalten Entwickler kontinuierlich Feedback und der Softwareentwicklungszyklus wird beschleunigt.