---
title: "Was ein Agent wirklich ist — StudioMeyer Academy"
description: "Nicht jeder LLM-Call ist ein Agent. Die Unterscheidung ist wichtig wenn Du ernsthaft bauen willst."
canonical: "https://studiomeyer.academy/lernwege/fuer-entwickler/lektionen/01-was-ist-ein-agent"
language: de
image: "https://studiomeyer.academy/og/academy-og-share.png"
publisher: "StudioMeyer Academy, https://studiomeyer.academy (llms.txt: https://studiomeyer.academy/llms.txt)"
---

## Die typische Falsch-Definition

"Ein Agent ist ein LLM das was machen kann." Das reicht nicht.

Ein LLM-Call ist: Du gibst einen Prompt rein, kriegst eine Antwort zurück. Das ist ein Funktion-Call, kein Agent.

Ein **Agent** ist ein System das:

1. Ein **Ziel** verfolgt (nicht nur eine Frage beantwortet)
2. **Autonom entscheidet** welche Schritte es nimmt
3. **Tools nutzt** um mit der Welt zu interagieren (Files lesen, Web suchen, Code schreiben)
4. **In einer Schleife läuft** bis das Ziel erreicht ist oder aufgegeben wird

Die Schleife ist der Unterschied. Ein Agent beobachtet → entscheidet → handelt → beobachtet wieder. Mehrmals.

## Einfaches Beispiel

**Kein Agent:** "Claude, schreib mir eine Email an Kunden XY." → Claude schreibt eine Email. Fertig. Ein Turn.

**Agent:** "Claude, finde die 10 größten Kunden die seit 30 Tagen nichts bestellt haben und schick jedem eine personalisierte Re-Engagement-Email." → Claude muss: CRM-Daten lesen, filtern, sortieren, pro Kunde History ansehen, Email generieren, versenden, Report schreiben. Mehrere Turns, mehrere Tools, eigene Planung.

## Die vier Anatomie-Stücke eines Agents

**1\. Instructions** (das Ziel + Spielregeln) "Du bist ein Sales-Assistent. Finde Kunden X. Regel: kein Kunde mit negativer Notiz in Timeline."

**2\. Tools** (was er benutzen darf) Liste von Funktionen mit Namen, Beschreibung und Input/Output-Schema. Z.B. get\_customers, send\_email, log\_action.

**3\. Memory** (was er sich merkt während der Task läuft) Kurzzeit: Was habe ich bisher gemacht. Langzeit: Was habe ich aus fruheren Tasks gelernt.

**4\. Loop** (die Ausfuehrungs-Schleife) Der Agent-Runner ruft das LLM auf, liest die Entscheidung ("ich will Tool X mit Input Y aufrufen"), führt das aus, gibt das Ergebnis zurück zum LLM, fragt wieder. Bis der Agent "fertig" meldet.

## Wer das gebaut hat

Claude Agent SDK von Anthropic. OpenAI Agents SDK. Langchain Agents. Alle drei machen dasselbe: ein Runner der Tool-Calls in einer Schleife orchestriert.

Du kannst einen Agent in 50 Zeilen Code bauen. Der Komplexitaets-Unterschied ist nicht die Schleife, sondern wie gut Du die vier Anatomie-Stücke designst.

## Der praktische Punkt

Nicht alles braucht einen Agent. Die meisten Aufgaben lassen sich mit einem einzigen LLM-Call lösen, wenn Du den Prompt gut baust. Agents sind für Aufgaben mit **unbekannter Anzahl von Schritten**.

"Schreib mir diese Email" → kein Agent nötig. "Recherchiere Markt X und gib mir einen Report" → Agent. Der Agent muss entscheiden wie tief er recherchiert, welche Quellen, wann er fertig ist.

## Nächste Lektion

Die eine Pattern die 80% der ernsthaften Agent-Systeme 2026 nutzen: CEO-Worker. Ein Agent der andere Agents orchestriert. Das ist Lektion 2.

Du kannst alle Inhalte frei lesen. Mit einem Konto bleibt dein Fortschritt gespeichert.

[Anmelden](https://studiomeyer.academy/login?next=%2Flernwege%2Ffuer-entwickler%2Flektionen%2F01-was-ist-ein-agent)

Für Entwickler · Modul 1 von 1

## Für Entwickler

[Zum Lernweg](https://studiomeyer.academy/lernwege/fuer-entwickler)

## Deine Notizen

Melde Dich an, um Deine eigenen Notizen zu dieser Lektion zu speichern.

[Anmelden](https://studiomeyer.academy/login?next=%2Flernwege%2Ffuer-entwickler%2Flektionen%2F01-was-ist-ein-agent)

## Sitemap

Öffentliche Seiten dieser Website als Markdown: [Sitemap](https://studiomeyer.academy/sitemap.md). Kuratierter Einstieg: [llms.txt](https://studiomeyer.academy/llms.txt), Volltext: [llms-full.txt](https://studiomeyer.academy/llms-full.txt).