Was ist ein KI-Agent

Hinweis: Dieses Dokument ist eine automatische Übersetzung des englischen Originals.

Was ist ein KI-Agent

Ein KI-Agent ist ein Softwaresystem, das seine Umgebung wahrnehmen, Entscheidungen treffen und Aktionen ausführen kann, um Ziele zu erreichen — ohne dass ein Mensch jeden Schritt anleiten muss. Stellen Sie sich den Unterschied zwischen einem Taschenrechner und einer persönlichen Assistenz vor: Ein Taschenrechner beantwortet genau die Frage, die Sie eingetippt haben, während eine Assistenz Ihr übergeordnetes Ziel versteht, herausfindet, welche Schritte zu unternehmen sind, sie ausführt, die Ergebnisse prüft und fortfährt, bis die Aufgabe erledigt ist.

In der Welt der KI trägt das Wort „Agent“ eine spezifische Bedeutung: Das System arbeitet in einer Schleife. Es empfängt Eingaben, überlegt, was zu tun ist, führt eine Aktion aus, beobachtet das Ergebnis und entscheidet dann, ob es einen weiteren Schritt unternimmt oder aufhört. Diese Wahrnehmen-Schlussfolgern-Handeln-Beobachten-Schleife ist es, die einen Agenten von einem einfachen Chatbot unterscheidet. Ein Chatbot beantwortet einen Prompt und wartet auf den nächsten; ein Agent verfolgt ein Ziel über mehrere Schritte hinweg und nutzt dabei Werkzeuge, Gedächtnis und Planung.

In der Krypto-KI sind Agenten besonders reizvoll, weil Blockchains eine natürliche Umgebung für autonomes Handeln bieten: das Signieren von Transaktionen, das Verwalten von Wallets, das Interagieren mit Smart Contracts und das Bewegen von Werten — alles über Code, alles ohne menschlichen Vermittler.

Kurz gesagt: Ein KI-Agent nimmt wahr, entscheidet und handelt. Ein Chatbot reagiert nur auf Prompts.

Was es ist

Ein KI-Agent ist ein Programm, das über die Beantwortung einer einzelnen Frage hinausgeht. Vier Fähigkeiten unterscheiden ihn von einfacheren KI-Schnittstellen:

Wahrnehmung — der Agent empfängt Eingaben: Text, On-Chain-Daten, Markt-Feeds, Nutzeranfragen oder Sensorsignale.
Schlussfolgern — er verarbeitet diese Eingabe, um einen Plan oder eine Entscheidung zu bilden. Dies kann ein Large Language Model (LLM), ein eigenes Modell oder eine strukturierte Logikschicht umfassen.
Handeln — er führt reale Operationen aus: API-Aufrufe, das Deployen von Verträgen, das Auslösen von Workflows, das Senden von Nachrichten oder das Interagieren mit anderen Agenten.
Gedächtnis und Werkzeuge — viele Agenten bewahren den Kontext über Sitzungen hinweg (Gedächtnis) und nutzen externe Werkzeuge (APIs, Datenbanken, Smart Contracts, andere Agenten), um Aufgaben zu erfüllen, die nicht in einem einzigen Prompt erledigt werden können.

Nicht jedes System, das als „Agent“ bezeichnet wird, besitzt alle vier. Manche sind dünne API-Wrapper ohne echte Entscheidungsfindung. In DecAIHub helfen die Evidenztabelle und die AI reality-Flags, echte Agenten von umbenannten Chatbots zu unterscheiden.

Wie es funktioniert

Die Agenten-Schleife

Ein gut gestalteter KI-Agent folgt einem wiederkehrenden Zyklus. Das Verständnis jedes Schritts hilft zu beurteilen, ob ein Projekt, das den Einsatz von Agenten behauptet, dies auf sinnvolle Weise tut.

Wahrnehmen — der Agent empfängt Eingaben aus seiner Umgebung. Im Krypto-Kontext kann das bedeuten, On-Chain-Daten zu lesen (Token-Salden, Transaktionshistorie, Zustände von Liquiditätspools), Markt-Feeds zu überwachen, eine Nutzeranweisung in natürlicher Sprache zu empfangen oder auf Ereignisse von anderen Agenten zu warten.
Schlussfolgern — der Agent verarbeitet die Eingabe und plant seinen nächsten Schritt. Hier kommt das KI-Modell ins Spiel. Ein LLM könnte eine Nutzeranfrage interpretieren („verschiebe meine Stablecoins in den Vault mit der höchsten Rendite“), sie in Teilaufgaben zerlegen, Optionen bewerten und eine Strategie auswählen. Einige Agenten nutzen Chain-of-Thought-Prompting, bei dem das Modell seine Überlegungen explizit ausschreibt, bevor es entscheidet.
Handeln — der Agent führt die gewählte Aktion aus. Das kann bedeuten, eine API aufzurufen, eine Blockchain-Transaktion zu signieren, einen Smart Contract zu deployen, eine Benachrichtigung zu senden oder eine Teilaufgabe an einen anderen Agenten zu delegieren. Der Handlungsschritt ist es, der Agenten reale Wirkung verleiht — und reales Risiko.
Beobachten — der Agent prüft das Ergebnis seiner Aktion. War die Transaktion erfolgreich? Hat die API die erwarteten Daten zurückgegeben? Wurde das Ziel erreicht, oder braucht der Agent eine weitere Iteration?
Iterieren oder aufhören — auf Basis der Beobachtung kehrt der Agent entweder zu Schritt 1 zurück (den neuen Zustand wahrnehmen und die nächste Aktion planen) oder kommt zu dem Schluss, dass die Aufgabe abgeschlossen ist.

Diese Schleife kann für eine einfache Aufgabe einmal ausgeführt werden oder für einen komplexen Workflow Dutzende Iterationen durchlaufen. Anders als ein Chatbot — der eine Antwort erzeugt und wartet — fährt ein Agent autonom fort, bis sein Ziel erreicht oder eine Abbruchbedingung erfüllt ist.

Gedächtnistypen

Agenten, die mehrstufige Aufgaben bewältigen, brauchen eine Form von Gedächtnis:

Kurzzeitgedächtnis (auch Arbeitsgedächtnis oder Kontextfenster genannt) — die Informationen, die der Agent während einer einzelnen Aufgabe vorhält. Dies wird oft durch das Kontextfenster des LLM begrenzt.
Langzeitgedächtnis — persistenter Speicher, der über Sitzungen hinweg erhalten bleibt. Ein Agent könnte Nutzerpräferenzen, vergangene Aktionen, gelernte Strategien oder angesammeltes Wissen in einer Vektordatenbank oder einem strukturierten Speicher ablegen.
Episodisches Gedächtnis — Aufzeichnungen bestimmter vergangener Interaktionen oder Ereignisse, die der Agent abrufen und für künftige Entscheidungen heranziehen kann.

Gedächtnis ist ein zentrales Unterscheidungsmerkmal. Ein Agent ohne persistentes Gedächtnis kann nicht aus vergangenen Interaktionen lernen oder Kontinuität über Sitzungen hinweg wahren — er setzt sich faktisch bei jedem Lauf zurück.

Werkzeugnutzung

Ein leistungsfähiger Agent verlässt sich nicht allein auf sein Schlussfolgerungsmodell. Er nutzt Werkzeuge — externe Funktionen, APIs oder Dienste, die seine Fähigkeiten erweitern:

Lesen des Blockchain-Zustands über RPC-Aufrufe
Ausführen von Transaktionen über Wallet-Integrationen
Abfragen von Datenbanken oder Wissensdatenbanken
Aufrufen anderer KI-Modelle (z. B. eines Bildmodells oder eines spezialisierten Klassifikators)
Interagieren mit anderen Agenten in einem Multi-Agenten-System

Die Kombination aus Schlussfolgern (was zu tun ist) und Werkzeugnutzung (wie es zu tun ist) macht moderne KI-Agenten deutlich leistungsfähiger als Chatbots.

Reale Beispiele aus der Industrie

Mehrere bekannte Frameworks und Projekte veranschaulichen, wie KI-Agenten in der Praxis funktionieren:

AutoGPT — eines der ersten breit diskutierten Projekte für autonome Agenten. Es demonstrierte das Konzept eines LLM-gestützten Agenten, der Ziele setzen, sie in Teilaufgaben zerlegen, im Web surfen und Code ausführen konnte — alles ohne Schritt-für-Schritt-Anleitung durch Menschen.
LangChain — ein populäres Open-Source-Framework zum Bauen LLM-gestützter Anwendungen, einschließlich Agenten. LangChain bietet Abstraktionen für Werkzeugnutzung, Gedächtnis, das Verketten von Prompts und Agenten-Schleifen und ist damit eine grundlegende Bibliothek für viele Krypto-KI-Projekte.
CrewAI — ein Framework mit Fokus auf Multi-Agenten-Systeme, in denen mehrere spezialisierte Agenten an einer Aufgabe zusammenarbeiten und jeweils eine definierte Rolle spielen. Dies spiegelt wider, wie einige Krypto-Projekte Agentenschwärme für komplexe Workflows architekturieren.

Diese Namen erscheinen in vielen Beschreibungen von Krypto-KI-Projekten. Wenn ein Projekt sagt, es „nutzt LangChain“, bedeutet das, dass es ein bestehendes Framework für die Agenten-Orchestrierung übernommen hat. Wenn es sagt, es habe „ein eigenes Agenten-Framework gebaut“, erfordert die Behauptung Tier-1-Evidenz zur Verifizierung.

KI-Agent vs. Chatbot vs. Assistent

Diese Begriffe überschneiden sich, sind aber nicht austauschbar:

Fähigkeit	Chatbot	Assistent	Agent
Reagiert auf Prompts	Ja	Ja	Ja
Nutzt Werkzeuge und APIs	Selten	Manchmal	Oft
Trifft mehrstufige Entscheidungen	Nein	Begrenzt	Ja
Handelt autonom	Nein	Nein	Ja
Verfolgt langfristige Ziele	Nein	Selten	Oft
Lernt aus vergangenen Interaktionen	Nein	Selten	Manchmal
Arbeitet ohne kontinuierliche Eingabe	Nein	Nein	Ja

Ein Chatbot beantwortet eine Frage nach der anderen. Er hat keine Ziele, keine Werkzeuge und kein Gedächtnis über das aktuelle Gespräch hinaus. Ein Assistent kann im Web suchen oder Dokumente zusammenfassen, aber er wartet auf Anweisungen und setzt sich keine eigenen Ziele. Ein Agent formuliert Pläne, wählt Werkzeuge aus, führt Aktionen aus und bewertet Ergebnisse — manchmal über Sitzungen und Dienste hinweg, manchmal ohne jegliches menschliche Eingreifen, nachdem das anfängliche Ziel gesetzt wurde.

Für einen tieferen Vergleich siehe Assistent vs. Copilot vs. Chatbot vs. Agent.

Warum KI-Agenten die häufigste Kategorie in DecAIHub sind

AI/Agents ist die größte Kategorie im DecAIHub-Register. Die Schnittstelle von KI und Krypto schafft einen natürlichen Anwendungsfall: Agenten können Wallets halten, Transaktionen signieren, Positionen verwalten und mit Smart Contracts interagieren — alles ohne menschlichen Vermittler.

Häufige Unterkategorien umfassen:

AI/Agents | DeFi — Agenten, die Trades, Liquidität oder Rendite-Strategien autonom verwalten.
AI/Agents | Infra — Plattformen zum Bauen, Bereitstellen oder Orchestrieren von Agenten.
AI/Agents | Consumer — persönliche Assistenten, Begleiter oder Kreativwerkzeuge für Endnutzer.
AI/Agents | Gaming — NPCs, Spiele-Coaches oder KI-gesteuerte Spielökonomien.
AI/Agents | Meme — Agenten rund um Meme-Kultur oder Narrativ-Tokens, oft persönlichkeitsgetriebene Social-Media-Bots.

Jede Unterkategorie kombiniert die Agenten-Architektur mit einer spezifischen Krypto-Domäne. Wie diese zusammengesetzten Labels zu lesen sind, erläutert So liest du zusammengesetzte AI-Kategorien.

Weil das Wort „Agent“ im Krypto-Marketing beliebt ist, trägt diese Kategorie auch das höchste Risiko von AI-washing. Viele Projekte bezeichnen sich als „KI-Agenten-Plattformen“, während sie kaum mehr als einen Chatbot oder einen dünnen API-Wrapper bieten.

Wo es in DecAIHub-Projektkarten erscheint

Wenn ein Projekt behauptet, KI-Agenten zu haben, prüfen Sie diese Signale in der Projektkarte:

Feld AI component — beschreibt es ein echtes Agenten-Framework (z. B. agentic framework (memory/actions/plugins), AI agent platform (workflows/tools/KB)) oder ist die Beschreibung vage und marketingorientiert?
Evidenztabelle — gibt es Tier-1-Quellen (Quellcode, technische Dokumentation, Live-Demos), die bestätigen, dass der Agent wahrnehmen, entscheiden und handeln kann? Tier-1-Evidenz umfasst öffentliche Repositorys, detaillierte technische Dokumentation und funktionierende Produktdemonstrationen.
DecAI Fit — ein hoher DecAI Fit-Score bedeutet, dass die Agenten-Behauptung durch nachprüfbare Evidenz über drei Dimensionen hinweg gestützt ist: AI reality, Onchain necessity und Token necessity. Ein niedriger Score oder ein positioning only-Label bedeutet, dass zum Prüfdatum Evidenz fehlt.
ai_score — die AI reality-Komponente von DecAI Fit, berechnet als min(3, AI_0 + AI_1 + AI_2 + AI_3 + AI_4) aus fünf binären Flags (Skala 0–3). Für Agentenprojekte erfordert ein aussagekräftiger ai_score Belege dafür, dass der Agent tatsächlich autonome Entscheidungen trifft, statt nur Prompts weiterzuleiten.

Die Schlüsselfrage lautet immer: Trifft der Agent tatsächlich Entscheidungen, oder ist er ein API-Wrapper, der das Modell eines anderen ohne jede Autonomie aufruft?

Was dieser Begriff allein nicht beweist

Ein Produkt einen „KI-Agenten“ zu nennen beweist nicht, dass es echte KI nutzt. Manche „Agenten“ sind regelbasierte Bots mit einem KI-Label — eine Praxis, die als AI-washing bekannt ist.
Das Agenten-Label beweist nicht, dass die On-Chain-Integration sinnvoll oder der Token notwendig ist. Ein Projekt kann einen funktionierenden Agenten haben, aber keinen Bedarf an einer Blockchain oder einem Token.
Die Agenten-Architektur allein sagt nichts über Qualität, Zuverlässigkeit oder Reife der zugrunde liegenden Modelle aus. Ein Prototyp-Agent und ein produktionsreifer Agent können beide „KI-Agenten“ genannt werden.
Die Nutzung eines Agenten-Frameworks (wie LangChain) beweist nicht, dass das Projekt über eigene KI verfügt. Frameworks sind Werkzeuge; entscheidend sind die Daten, Modelle und die darauf aufgebaute Logik.

Nicht verwechseln mit

Chatbot — ein System, das auf einzelne Prompts reagiert, ohne Ziele, Planung oder Werkzeugnutzung. Viele als „KI-Agenten“ vermarktete Produkte sind funktional Chatbots.
Automatisierung — regelbasierte Skripte, die vordefinierter Logik folgen (wenn X, dann Y). Automatisierung beinhaltet kein Lernen oder Schlussfolgern. Ein Trading-Bot, der festen Regeln folgt, ist Automatisierung, kein KI-Agent.
KI-Komponente — eine Beschreibung der spezifischen KI-Technologie innerhalb eines Projekts. Ein Agent ist eine Architektur; die KI-Komponente ist das Modell oder System, das das Schlussfolgern des Agenten antreibt.
API-Wrapper — ein Produkt, das Nutzereingaben an ein Drittanbieter-KI-Modell sendet und die Ausgabe zurückgibt. Ein API-Wrapper mag in seiner Schnittstelle wie ein Agent aussehen, hat aber keine autonome Entscheidungsfindung.
Multi-Agenten-System — ein System, in dem mehrere Agenten interagieren, koordinieren oder konkurrieren. Jeder einzelne Agent ist weiterhin ein KI-Agent; das Multi-Agenten-Label beschreibt die Systemarchitektur.

Häufig gestellte Fragen

Was ist der Unterschied zwischen einem KI-Agenten und einem Chatbot?

Ein Chatbot reagiert auf einen einzelnen Prompt und wartet auf den nächsten. Er hat keine Ziele, keine Werkzeuge und typischerweise kein Gedächtnis über das aktuelle Gespräch hinaus. Ein KI-Agent setzt Ziele, plant Schritte zu ihrer Erreichung, nutzt Werkzeuge (APIs, Datenbanken, Smart Contracts), um Aktionen auszuführen, und bewertet Ergebnisse — oft ohne weitere menschliche Eingabe. Die Agenten-Schleife (wahrnehmen, schlussfolgern, handeln, beobachten) ist der zentrale architektonische Unterschied.

Können KI-Agenten Krypto-Wallets halten?

Ja. Ein KI-Agent kann eine Krypto-Wallet kontrollieren, wenn er Zugriff auf die privaten Schlüssel der Wallet hat oder mit einem Wallet-Management-Dienst integriert ist. Das ermöglicht dem Agenten, autonom Transaktionen zu signieren, Mittel zu bewegen, mit DeFi-Protokollen zu interagieren oder Verträge zu deployen. Einem Agenten die Verwahrung einer Wallet zu geben, bringt jedoch erhebliche Sicherheits- und Vertrauensfragen mit sich, die Projekte transparent adressieren müssen.

Nutzen wirklich alle Krypto-„Agenten“-Projekte echte KI-Agenten?

Nein. Der Begriff „Agent“ wird im Krypto-Marketing locker verwendet. Einige als Agenten bezeichnete Projekte sind einfache Chatbots, regelbasierte Bots oder API-Wrapper, denen autonome Entscheidungsfindung fehlt. Der AI reality-Score von DecAIHub und die Evidenzstufen helfen, Projekte mit echten Agenten-Fähigkeiten von jenen zu unterscheiden, die den Begriff nur zur Positionierung verwenden.

Was macht einen KI-Agenten autonom?

Autonomie bedeutet, dass der Agent ein Ziel über mehrere Schritte hinweg verfolgen kann, ohne bei jedem Schritt menschliche Anweisung zu benötigen. Er nimmt seine Umgebung wahr, überlegt die beste Aktion, führt diese Aktion aus, beobachtet das Ergebnis und entscheidet, was als Nächstes zu tun ist — alles eigenständig. Der Grad der Autonomie variiert: Manche Agenten bitten vor risikoreichen Aktionen um menschliche Bestätigung, während andere vollständig unabhängig arbeiten.

Wie verifiziert DecAIHub, ob ein Agentenprojekt echte KI hat?

DecAIHub bewertet Agentenprojekte mit einer strukturierten Evidenzmethodik. Prüfer suchen nach Tier-1-Evidenz (öffentlicher Code, technische Dokumentation, funktionierende Demos), Tier-2-Evidenz (Audits durch Dritte, Interviews, detaillierte Blogbeiträge) und Tier-3-Evidenz (Marketingmaterialien, Behauptungen in sozialen Medien). Das Feld AI component beschreibt, was der Agent tatsächlich tut, und der ai_score (0–3, abgeleitet aus fünf binären Flags AI_0 bis AI_4) spiegelt die Tiefe und Nachprüfbarkeit der KI-Behauptungen wider. Projekte ohne nachprüfbare KI-Evidenz erhalten ai_score = 0.

Siehe auch

Externe Referenzen

LangChain Documentation — das am weitesten verbreitete Open-Source-Framework zum Bauen LLM-gestützter Agenten.
AutoGPT (GitHub) — eines der frühesten Open-Source-Projekte für autonome Agenten.
Lilian Weng — LLM Powered Autonomous Agents — ein umfassender technischer Überblick über Agenten-Architekturen, Gedächtnis, Planung und Werkzeugnutzung.
CrewAI Documentation — Framework für Multi-Agenten-Orchestrierung mit rollenbasierten Agenten.
Andrew Ng on AI Agentic Workflows — eine zugängliche Einführung dazu, warum agentische Workflows Einzel-Prompt-Ansätze übertreffen.