KI-Agenten entwickeln: Praxiseinblicke von Andrew Ng und LangChain

Rückblick auf ein Gespräch aus dem Jahr 2025: Andrew Ng über agentische Systeme, Evaluationen, Sprachschnittstellen und Tempo in KI-Teams
Aktualisiert:
Abstract
- #Agentische Systeme
- #KI-Entwicklung
- #Andrew Ng
- #LangChain
- #AI-Startups
- #Workflow-Automatisierung
- #Evaluation-Tools
- #Voice-Interfaces
- #Model Context Protocol
- #Programmieren lernen
Weniger über den Begriff „Agent“ streiten, mehr bauen: die Ratschläge von Andrew Ng an Entwicklerteams
Ist das schon ein Agent oder nur ein Workflow? Über diese Frage stritt die KI-Branche lange. Andrew Ng, Gründer von DeepLearning.AI und AI Fund, hielt die Debatte für wenig hilfreich. Im Mai 2025 sprach er auf der LangChain-Konferenz Interrupt in San Francisco mit LangChain-Mitgründer Harrison Chase darüber, was Teams beim Bau agentischer Anwendungen tatsächlich weiterbringt.
Hinweis: Dieser Beitrag stammt aus dem Jahr 2025 und gibt die Aussagen des Gesprächs aus damaliger Sicht wieder. Wie Coding-Agenten inzwischen in wiederkehrenden Schleifen selbstständig arbeiten, zeigt der Beitrag über Loops in Claude Code und Codex.
Agentische Systeme statt Streit um Begriffe
Vom Etikett „Agent“ zur Frage nach dem Grad der Autonomie
Andrew Ng hatte rund anderthalb Jahre vor dem Gespräch vorgeschlagen, nicht mehr zu fragen, ob ein System ein „echter Agent“ ist. Stattdessen solle man von agentischen Systemen sprechen, also von Anwendungen, die in unterschiedlichem Maß selbstständig handeln.
Der Vorteil dieser Sichtweise ist praktisch: Entwickler können Systeme mit wenig oder viel Autonomie bauen, ohne sich vorher auf eine Definition einigen zu müssen. Entscheidend ist, ob das System eine Aufgabe zuverlässig löst, nicht, in welche Schublade es gehört.
Das Spektrum der Autonomie in der Praxis
Nach Ngs Beobachtung bewegten sich die meisten Geschäftsanwendungen 2025 im Bereich linearer Workflows mit gelegentlichen Verzweigungen. Typische Beispiele aus seiner Aufzählung:
- Formulare auf Websites prüfen
- Compliance-Abgleiche in Datenbanken durchführen
- Recherchen im Web automatisieren
- Daten per Kopieren und Einfügen zwischen Systemen übertragen
Für komplexere Abläufe mit mehreren Verzweigungen und Schleifen nutzte Ngs Team nach eigener Aussage regelmäßig LangGraph, das Framework von LangChain für zustandsbehaftete Agenten-Workflows.
Welche Fähigkeiten Agent-Entwickler brauchten
Geschäftsprozesse in Arbeitsschritte zerlegen
Als eine der größten Hürden für Unternehmen nannte Ng die Aufgabe, bestehende Geschäftsprozesse in agentische Workflows zu übersetzen. Dafür hielt er drei Fähigkeiten für entscheidend:
Die richtige Granularität finden: Komplexe Aufgaben müssen in kleine, gut prüfbare Einzelschritte zerlegt werden. Das verlangt technisches Verständnis und Kenntnis des Geschäftsprozesses zugleich.
Evaluationen einbauen: Systematische Tests zeigen, wie gut einzelne Schritte funktionieren und wo Schwachstellen liegen.
Iterativ verbessern: Erfahrene Teams entwickeln laut Ng ein Gespür dafür, wann ein Ansatz trägt und wann ein anderer Weg nötig ist.
KI-Werkzeuge als Bausteinkasten
Ng verglich KI-Werkzeuge mit Lego-Steinen. Je mehr verschiedene Steine ein Entwickler kennt, desto schneller kann er daraus komplexe Systeme zusammensetzen.
Werkzeuge, die Ng für unterschätzt hielt
Evaluationen: pragmatisch statt perfekt
Viele sprachen 2025 über Evaluationen, also automatisierte Tests für die Ausgaben von KI-Systemen, aber nur wenige setzten sie konsequent ein. Ng empfahl einen pragmatischen Einstieg:
- Schnell anfangen: einfache Evaluationen in etwa 20 Minuten bauen, die die menschliche Prüfung ergänzen
- Unvollkommen starten: mit groben Tests beginnen und sie nach und nach verbessern
- Gezielt absichern: Regressionstests für Fehler schreiben, die immer wieder auftreten
Sprachschnittstellen: mehr Interesse in Unternehmen als bei Entwicklern
Sprachanwendungen stießen nach Ngs Eindruck bei Unternehmen auf großes Interesse, in der Entwickler-Community aber noch auf wenig Aufmerksamkeit. Er nannte Gründe, warum sie sich lohnen, und die wichtigste technische Hürde:
- Weniger Hemmschwelle: Sprechen fällt vielen Menschen leichter als Tippen.
- Natürlicher Ablauf: Nutzer können Gedanken spontan äußern und sich unterwegs korrigieren.
- Hohe Anforderungen an die Latenz: Antworten sollten in unter einer Sekunde kommen, ideal sind weniger als 500 Millisekunden, damit sich ein Gespräch natürlich anfühlt.
Model Context Protocol: ein Standard für Anbindungen
Das Model Context Protocol (MCP) standardisiert, wie KI-Anwendungen auf Datenquellen und Schnittstellen zugreifen. Ng bezeichnete es als noch unfertig, sah aber den Nutzen klar: Statt für jede Kombination aus Anwendung und Datenquelle eine eigene Anbindung zu bauen (n×m), genügt pro Anwendung und pro Datenquelle je eine (n+m). Wie MCP und verwandte Protokolle heute zusammenspielen, erklärt der Beitrag zu MCP, A2A und weiteren Agenten-Protokollen.
KI-gestütztes Programmieren
Mehr als „Vibe Coding“
Den damals populären Begriff „Vibe Coding“ hielt Ng für irreführend. Gutes Programmieren mit KI-Unterstützung sei eine anspruchsvolle geistige Arbeit. Er betonte drei Punkte:
- Präzise formulieren: Einem Computer genau zu sagen, was er tun soll, wird zur Schlüsselkompetenz.
- Neue Sprachen erschließen: Auch erfahrene Entwickler nutzen KI-Assistenten, um in weniger vertrauten Programmiersprachen zu arbeiten.
- Fehler verstehen: Fehlermeldungen lesen und systematisch debuggen zu können, bleibt notwendig.
Warum Programmieren lernen sich weiter lohnte
Der Behauptung, KI mache das Programmieren überflüssig, widersprach Ng. Die Geschichte zeige: Je einfacher Programmieren wird, desto mehr Menschen tun es. Bei AI Fund konnten nach seiner Darstellung alle Beschäftigten programmieren, von der Empfangskraft bis zum Chefjuristen, was die Produktivität deutlich erhöht habe.
Was KI-Startups nach Ng erfolgreich machte
Zwei Erfolgsfaktoren: Tempo und technische Tiefe
Geschwindigkeit: Den wichtigsten Hinweis auf späteren Erfolg sah Ng in der Ausführungsgeschwindigkeit. Ein eingespieltes Team arbeite weit schneller, als es langsamere Unternehmen gewohnt seien.
Technische Tiefe: Weil sich die Technik so schnell entwickelte, hielt er tiefes technisches Wissen für seltener und damit wertvoller als Erfahrung in Vertrieb und Markteinführung.
Empfehlungen für Gründer
Aus Ngs Aussagen ergaben sich für Gründer einige Leitlinien:
- auf Tempo setzen, schnell iterieren und laufend dazulernen
- tiefes technisches Wissen ins Team holen, weil es seltener ist als Wissen über Vertrieb, Preise und Marketing
- das Geschäftliche nicht unterschätzen, es ist laut Ng wichtig, aber meist leichter zu erschließen
Offene Baustellen aus Sicht von 2025
Multi-Agenten-Systeme: noch am Anfang
Die Kommunikation zwischen Agenten bezeichnete Ng als große offene Aufgabe. Innerhalb eines Teams, das alle Agenten selbst baut, funktioniere das Zusammenspiel. Zwischen Agenten verschiedener Organisationen sei es noch nicht ausgereift.
Entwicklungen mit Folgen für die Praxis
- Längere Kontextfenster: Sprachmodelle, die deutlich mehr Text auf einmal verarbeiten, veränderten die bewährten Verfahren für RAG-Systeme, also für Anwendungen, die Antworten mit nachgeschlagenen Dokumenten anreichern.
- Agentische Sprach-Workflows: Native Speech-to-Speech-Modelle hielt Ng für schwer kontrollierbar; besser steuerbar sei ein agentischer Voice-Stack aus mehreren Verarbeitungsschritten.
Was von Ngs Ratschlägen für Teams bleibt
Ngs Botschaft war 2025 bewusst unspektakulär: Erfolg mit agentischen Systemen hänge weniger von Definitionen ab als von sauberer Umsetzung. Prozesse zerlegen, früh testen, schnell nachbessern und das eigene Werkzeugwissen laufend erweitern. Für die meisten Teams war das ein realistischerer Einstieg als der Versuch, sofort einen vollständig autonomen Agenten zu bauen.
Bemerkenswert ist, wie stark er dabei auf Evaluationen setzte. Wer einen agentischen Workflow ohne Tests betreibt, merkt Verschlechterungen erst, wenn Nutzer sich beschweren. Ngs Rat, lieber mit groben Tests zu starten als mit gar keinen, galt unabhängig vom eingesetzten Framework.
Wer agentische Abläufe mit mehreren zusammenarbeitenden Agenten aufbauen möchte, findet auf unserer Themenseite zu CrewAI Informationen zu Beratung und Seminaren.
Häufige Fragen zum Gespräch
Was ist der Unterschied zwischen einem Agenten und einem agentischen System?
„Agentisches System“ bezeichnet nach Ng jede Anwendung mit einem gewissen Grad an Autonomie, ohne die Frage zu klären, ob es sich um einen „echten“ Agenten handelt. Das erlaubt es Teams, sich auf die Lösung zu konzentrieren statt auf die Einordnung.
Warum hielt Ng Geschwindigkeit für den wichtigsten Erfolgsfaktor von KI-Startups?
Ng nannte Geschwindigkeit aus den Erfahrungen von AI Fund den wichtigsten Prädiktor für den Erfolg eines Startups. Viele hätten noch nie gesehen, wie schnell ein eingespieltes Team umsetzen kann: weit schneller, als es langsamere Unternehmen gewohnt seien.
Lohnt es sich trotz KI-Assistenten, programmieren zu lernen?
Nach Ngs Einschätzung ja. Wer Programmierkonzepte versteht, kann KI-Systemen präzisere Anweisungen geben. Das hielt er in vielen Berufen für zunehmend wichtig, nicht nur in der Softwareentwicklung.
Kategorien
Schlagworte