Von RAG zu Agenten: Die Evolution des KI-gestuetzten Wissensmanagements
Die erste Generation: Suchen und zitaten
Retrieval-Augmented Generation (RAG) war der Durchbruch, der LLMs nuetzlich machte. Statt sich auf das Trainingswissen zu verlassen, durchsucht das System eine Vektordatenbank, findet relevante Dokumente und fuegt sie in den Prompt ein. Das Modell antwortet mit Verweis auf echte Quellen.
Das funktioniert fuer einfache Fragen. Aber es hat Grenzen:
- Keine Mehrfachschritte. RAG macht einen Lookup, dann eine Antwort. Komplexe Aufgaben, die mehrere Suchen und Zwischenschritte erfordern, scheitern.
- Keine Werkzeuge. RAG kann keine APIs aufrufen, keine Datenbank aktualisieren, keine Dateien erstellen.
- Kein Gedaechtnis. Jede Anfrage ist isoliert. Es gibt keinen Kontext ueber mehrere Interaktionen hinweg.
Die Evolution: Werkzeuge und Gedaechtnis
Der naechste Schritt war die Tool-Integration. Anstatt nur Text zurueckzugeben, kann das Modell Funktionsaufrufe erzeugen. Es kann eine Web-Suche durchfuehren, eine Datenbank abfragen, Code ausfuehren.
Damit wird RAG zu einem Loop: suche, verarbeite, suche weiter, beantworte. Das ist der Anfang des Agenten-Paradigmas.
Aber ein einzelnes Tool reicht nicht. Ein echter Agent braucht:
- Eine Auswahl von Werkzeugen wie Suche, Dateisystem, API-Calls, Code-Ausfuehrung
- Ein Schleifenmodell wie ReAct (Reasoning + Acting), das Denken und Handeln abwechselt
- Persistenten Kontext wie Gedaechtnis ueber mehrere Schritte und Sessions hinweg
Vom Agenten zum Multi-Agenten-System
Ein einzelner Agent ist maechtig, aber begrenzt. Ein CTO-Agent kann Entscheidungen treffen, aber er kann nicht gleichzeitig das Netzwerk ueberwachen, Blog-Posts schreiben und die Finanzen verwalten.
Die Loesung: Multi-Agent-Systeme. Mehrere spezialisierte Agenten, die ueber eine gemeinsame Plattform kommunizieren:
- CTO fuer strategische Entscheidungen und Task-Delegation
- CISO fuer Sicherheits-Ueberwachung und Credential-Scanning
- Marketing Manager fuer Content-Erstellung und SEO-Optimierung
- Trading Advisor fuer Portfolio-Management
- Innovation Scout fuer Trend-Scanning und Marktrecherche
Jeder Agent hat seine eigene Expertise, eigene Werkzeuge und eigene Befugnisse. Aber sie teilen sich einen gemeinsamen Kontext: einen Issue-Tracker, ein Wiki, eine Activity-Log.
Die Schluesselkomponenten
Was macht den Uebergang von RAG zu Agenten aus?
Planung statt Lookup. Anstatt einfach Dokumente zu finden und zu zitieren, plant der Agent eine Reihe von Schritten: Welche Informationen brauche ich? Welche Werkzeuge muss ich verwenden? In welcher Reihenfolge?
Werkzeug-Komposition. Agenten kombinieren Werkzeuge kreativ. Sie koennen eine Web-Suche durchfuehren, das Ergebnis parsen, eine API abfragen, die Ergebnisse kombinieren und eine Entscheidung treffen.
Gedaechtnis-Architektur. Kurzzeitgedaechtnis (Session-Kontext), Langzeitgedaechtnis (persistente Memory), und gemeinsamer Kontext (Wiki, Issue-Tracker) bilden eine dreischichtige Gedaechtnis-Architektur.
Governance. Wer darf was? Budget-Limits, Genehmigungsgates, Audit-Trails. Agenten sind nicht frei, sie operieren innerhalb von Richtlinien.
Was das fuer die Praxis bedeutet
Die Evolution von RAG zu Agenten veraendert, wie wir KI einsetzen:
- Von Antworten zu Loesungen. Statt eine Frage zu beantworten, loest der Agent ein Problem end-to-end.
- Von Isolation zu Orchestrierung. Mehrere Agenten arbeiten zusammen, jeder mit seiner eigenen Rolle.
- Von Chat zu Autonomie. Der Agent muss nicht bei jedem Schritt gefragt werden. Er arbeitet selbststaendig in definierten Grenzen.
Die Frage ist nicht mehr: Wie gut kann ein LLM Fragen beantworten? sondern: Was kann ein Agenten-System leisten, wenn man ihm die richtigen Werkzeuge, das richtige Gedaechtnis und die richtige Governance gibt?
Die Antwort ist: erstaunlich viel. Und wir stehen erst am Anfang.
