Deep Agents

Die meisten KI-Agenten, die heute im Einsatz sind, lassen sich als flache Agenten beschreiben: Sie bearbeiten überschaubare Aufgaben in wenigen Schritten und innerhalb eines einzigen Kontextfensters. Für einfache Automatisierungen reicht das aus. Für komplexe, langläufige Aufgaben wie tiefgehende Recherchen, mehrstufige Softwareentwicklung oder wissenschaftliche Datenauswertung stoßen sie jedoch strukturell an Grenzen.

Deep Agents bezeichnen eine neue Generation von Architekturen, die diese Grenzen durch strategisches Planen, persistentes Gedächtnis und intelligente Aufgabenverteilung überwinden.

Warum flache Agenten scheitern

Ein einzelner Agent mit einem langen Kontext scheitert typischerweise aus drei Gründen:

• Der Kontext wächst mit jedem Schritt und überfordert irgendwann die Verarbeitungskapazität des Modells.
• Vergessene Schritte: Bei sehr langen Aufgaben „vergisst" das Modell frühe Anweisungen oder übersieht bereits abgearbeitete Teilaufgaben.
• Vermischte Verantwortlichkeiten: Ein Agent, der gleichzeitig planen, suchen, schreiben und validieren soll, macht bei jeder dieser Aufgaben Fehler, die sich über die Laufzeit akkumulieren.

Die fünf Merkmale von Deep Agents

1. Strukturiertes Planen

Anstatt spontan im Kontext zu reagieren, pflegen Deep Agents einen strukturierten Aufgabenplan, eine lebendige Aufgabenliste, die während der Ausführung aktualisiert, erweitert und bei Bedarf korrigiert wird. Der Plan wird extern gespeichert (z. B. in einer Datei oder Datenbank) und ist damit unabhängig vom flüchtigen Kontext.

Das Ergebnis: Der Agent verliert nicht den Überblick über langläufige Ziele und kann nach Unterbrechungen oder Fehlern gezielt an der richtigen Stelle fortfahren.

2. Orchestrator-Subagent-Architektur

Ein zentraler Orchestrator-Agent übernimmt Planung und Koordination. Er delegiert spezialisierte Teilaufgaben an Subagenten, jeder mit eigenem, fokussiertem Kontext:

    flowchart TB
    O["Orchestrator<br/>(Planung & Koordination)"]

    O --> R["Recherche-Agent"]
    O --> A["Analyse-Agent"]
    O --> V["Verifikations-Agent"]
  

Die Trennung der Verantwortlichkeiten verbessert nicht nur die Zuverlässigkeit, sondern ermöglicht auch den gezielten Einsatz verschiedener Modelle. Ein leistungsstarkes, aber teureres Modell übernimmt die Planung, während kostengünstigere Modelle repetitive Subaufgaben ausführen.

3. Persistentes Gedächtnis und agentengestützte Suche

Deep Agents verlassen sich nicht ausschließlich auf den Konversationsverlauf. Zwischenergebnisse werden in externen Speichern abgelegt, etwa in Dateien, Vektordatenbanken oder strukturierten Notizen, und bei Bedarf gezielt abgerufen. Dies erlaubt es, relevante Informationen wieder in den Kontext zu laden, ohne ihn vollständig zu befüllen.

Fortgeschrittene Ansätze kombinieren dabei semantische Suche (vektorbasiert, inhaltlich ähnliche Dokumente) mit strukturierten Abfragen (schlüsselwortbasiert, exakte Treffer) zu hybriden Retrievalstrategien.

4. Context Engineering

Der wichtigste Hebel für die Verlässlichkeit eines Deep Agents ist nicht das Modell selbst, sondern die Qualität seiner Instruktionen. Dieser Bereich wird als Context Engineering bezeichnet und umfasst die systematische Gestaltung von System-Prompts, Werkzeugdefinitionen, Ausgabeformaten und Fehlerbehandlungsregeln.

Zu kurze, zu vage oder widersprüchliche Instruktionen sind die häufigste Ursache für unzuverlässiges Agentenverhalten. Details dazu im Abschnitt Context Engineering.

5. Verifikation

Verifikation ist die am häufigsten unterschätzte Komponente eines Agentensystems. Auch leistungsstarke Modelle halluzinieren, sind anfällig für sycophantisches Verhalten (sie bestätigen, was der Nutzer hören möchte) und können durch manipulierte Werkzeugausgaben fehlgeleitet werden (Prompt Injection).

Verifikation kann auf zwei Wegen implementiert werden:

• Automatisiert: Ein LLM bewertet die Ausgabe eines anderen Agenten anhand definierter Kriterien (LLM-as-a-Judge).
• Menschlich: Eine Fachperson prüft kritische Zwischenergebnisse vor dem nächsten Schritt.

In Hochschulkontexten empfiehlt sich eine Kombination: automatisierte Plausibilitätsprüfung für Routinevorgänge, menschliche Kontrolle bei fachlich relevanten oder sicherheitskritischen Ergebnissen.

Anwendungsbeispiel: Akademisches Recherchesystem

Ein Deep Agent für systematische Literaturrecherche könnte so strukturiert sein: