Ein Tech-Baum für agentische Patterns — schalte nur frei, was deine Aufgabe braucht.

• Die Aufgabe Tool-Nutzung erfordert und der genaue Weg nicht im Voraus geplant werden kann.
• Der Agent adaptiv auf Tool-Ergebnisse reagieren muss.
• Anpassungsfähigkeit wichtiger ist als die Minimierung von LLM-Aufrufen.

• Der Plan im Voraus bekannt ist — verwende Plan-and-Execute.
• Kosten pro LLM-Aufruf streng begrenzt sind.
• Die Aufgabe reine Textgenerierung ohne externe Daten ist.

Hohe Anpassungsfähigkeit wird auf Kosten eines deutlich höheren Token- und Aufrufvolumens pro Schritt erkauft.

• Das Gesamtziel sich klar in testbare Teilaufgaben aufgliedern lässt.
• Die Ausführung nachvollziehbar und zentral steuerbar sein muss.
• Kosten oder Latenz relevant sind und LLM-Aufrufe minimiert werden sollen.

• Die Umgebung hochdynamisch ist und der Plan sich aufgrund früher Tool-Ergebnisse grundlegend ändern könnte.
• Die Aufgabe explorativ ist und der nächste Schritt vom vorherigen Ergebnis abhängt.

Bessere Struktur und Testbarkeit gegenüber ReAct, aber mit dem Risiko, dass der Agent an veralteten oder ungeeigneten Plänen festhält.

• Die erforderlichen Tool-Aufrufe zu Beginn identifizierbar sind.
• LLM-Aufrufe drastisch reduziert werden müssen.

• Tool-Ergebnisse stark verzweigen.
• Interaktive Fehlerbehandlung pro Zwischenschritt kritisch ist.

Deutlich niedrigere LLM-Kosten und Latenz, jedoch auf Kosten der Anpassungsfähigkeit während der Ausführung.

• Ergebnisqualität Vorrang vor minimaler Latenz hat.
• Fehler vom Modell durch gezielte Selbstkritik erkannt werden können.

• Die Selbsteinschätzung des Modells unzuverlässig ist.
• Harte externe Validierungen existieren.
• Latenz und Kosten streng begrenzt sind.

Führt zu höherer Ergebnisqualität, verursacht aber zusätzliche Token-Kosten und kann zu falschem Vertrauen führen.

• Das Problem mehrere plausible Lösungspfade hat.
• Frühe Entscheidungen hohe Folgewirkungen haben.
• Der Suchraum vom LLM sinnvoll bewertet werden kann.

• Die Aufgabe linear oder direkt lösbar ist.
• Kosten und Latenz gering bleiben müssen.

Ermöglicht eine deutlich breitere und tiefere Erkundung des Lösungsraums, führt aber zu exponentiell steigendem Rechen- und Token-Aufwand.

• Die stochastische Vielfalt von Modellen genutzt werden soll.
• Das Ergebnis robust gegen einzelne Logikfehler in einzelnen Durchläufen sein muss.

• Die Aufgabe ohnehin deterministisch validierbar ist.
• Die Kosten pro Anfrage streng begrenzt sind.

Deutlich robustere Antworten gegenüber falschen Pfaden, erkauft durch mehrfache Inferenzkosten.

• Berechnungen, Datentransformationen oder komplexe Tool-Aufrufe präzise ausführbar sein müssen.
• Das Ergebnis reproduzierbar sein soll.
• Mehrstufige Logik sich als ein Programm sauberer komponieren lässt denn als Kette einzelner Tool-Aufrufe.

• Code-Ausführung nicht sicher in einer Sandbox isoliert werden kann.
• Die Aufgabe rein sprachlicher Natur ist.
• Der Overhead einer Code-Laufzeit einen einzelnen direkten Tool-Aufruf überwiegt.

Maximale Präzision und Reproduzierbarkeit stehen einem hohen Sandbox-, Sicherheits- und Laufzeit-Overhead gegenüber.

• Die Aufgabe sich natürlich in Phasen aufteilt, die jeweils ein überprüfbares Zwischenprodukt liefern.
• Kontrolle wichtiger ist als Autonomie.

• Der Workflow stark verzweigt oder Ergebnisse dynamisch neue Ziele erzeugen.
• Schritte ohne Abhängigkeiten parallelisiert werden können.

Hohe Vorhersagbarkeit des Kontrollflusses wird auf Kosten geringer Flexibilität erkauft; der Ausgabeinhalt bleibt an jedem LLM-Knoten nicht-deterministisch.

• Verschiedene Anfrageklassen eine unterschiedliche Behandlung erfordern.
• Spezialisierte Tools für spezifische Absichten existieren.
• Fehlrouting hohe Kosten verursacht.

• Alle Aufgaben denselben Ablauf nutzen.
• Die Klassifizierung instabil ist.
• Die Routing-Logik komplexer wird als die Aufgabe selbst.

Präzisere Behandlung wird auf Kosten zusätzlicher Entscheidungslogik und des Risikos von Fehlklassifizierungen erkauft.

• Die Eingabe natürlich segmentierbar ist und Aufgaben unabhängig sind, um Latenz zu reduzieren (Sectioning).
• Robustheit wichtiger ist als einzelne Ausführungskosten (Voting).

• Starke Abhängigkeiten zwischen Segmenten bestehen.
• Semantisches Zusammenführen schwierig ist.
• Latenz- und Token-Budgets streng begrenzt sind.

Niedrigere Latenz und höhere Robustheit werden gegen erhöhte Integrationskomplexität und mehrfache Ausführungskosten erkauft.

• Das Ergebnis iterativ verbessert werden kann.
• Externe Validierung einen Retry auslöst.
• Tool-Ergebnisse neue Iterationen erfordern.

• Keine stabile Abbruchbedingung existiert.
• Kosten außer Kontrolle geraten können.
• Fehler sich durch Wiederholung verstärken.

Adaptive Verbesserung wird mit dem Risiko endloser oder sehr teurer Ausführungsschleifen erkauft.

• Qualitätskriterien explizit formuliert werden können.
• Iterative Verbesserung messbar ist.
• Kreative Ausgaben eine rigorose Prüfung benötigen.

• Der Evaluator keine zuverlässigen Signale liefern kann.
• Schema-Validierung ausreicht.
• Das Budget keine mehrfachen Durchläufe erlaubt.

Bessere Ausgabequalität wird gegen zusätzliche Evaluierungskomplexität und Latenz erkauft.

• Ergebnisqualität schrittweise steigt und Zwischenzustände bewahrt werden müssen.
• Externes Feedback leicht verfügbar ist.

• Ein gültiges Ergebnis typischerweise in einem Schritt generiert wird.
• Revisionen klare Signale vermissen lassen.
• Konsistenz durch wiederholtes Umschreiben nachlässt.

Verbesserte Artefaktqualität wird auf Kosten längerer Laufzeiten und möglicher thematischer Drift erkauft.

• Teilaufgaben erst zur Laufzeit erkennbar werden.
• Worker hochspezialisierte Funktionen übernehmen.
• Aggregation zentral kontrolliert bleiben muss.

• Ein statischer Workflow ausreicht.
• Workern klare Verantwortlichkeiten fehlen.
• Der Orchestrator zum schwerwiegenden Engpass wird.

Hochflexible Delegation wird gegen erheblichen Koordinations- und Integrationsaufwand erkauft.

• Große Eingaben in unabhängige Chunks aufgeteilt werden können.
• Aggregationslogik klar definierbar ist.
• Durchsatz-Skalierbarkeit kritisch ist.

• Globale Abhängigkeiten zwischen Chunks bestehen.
• Die Reduktion semantischen Wert verlieren würde.
• Ein zentraler Kontext erforderlich ist.

Hervorragende Skalierungsfähigkeiten werden gegen das Risiko inkonsistenter Teilergebnisse erkauft.

• Das Anfragevolumen hoch ist und gemischte Schwierigkeiten aufweist.
• Kosten eine erstrangige Einschränkung sind.
• Ein günstigeres Modell einen nennenswerten Anteil des Traffics ohne Qualitätsverlust bewältigt.

• Jede Aufgabe das beste Modell benötigt.
• Das Komplexitätsraster instabil ist — Fehlrouting-Kosten übersteigen die Einsparungen.
• Die Latenz eines zusätzlichen Routing-Hops inakzeptabel ist.

Große Kosteneinsparungen werden gegen den Aufwand des Abstimmens und kontinuierlichen Validierens des Komplexitätsrasters erkauft.

• Zentrale Kontrolle und Nachvollziehbarkeit wesentlich sind.
• Mehrere Spezialisten koordiniert werden müssen.
• Aufgaben dynamisch delegiert werden.

• Vollständig dezentralisierte Kooperation benötigt wird.
• Der Supervisor zum Single Point of Failure zu werden droht.
• Die Delegation für einfaches Routing statisch genug ist.

Klare operative Kontrolle wird auf Kosten eines potenziellen Koordinierungsengpasses aufrechterhalten.

• Die Anzahl der Agenten groß ist.
• Domänen in Sub-Teams organisiert werden müssen.
• Lokale Entscheidungen zentral aggregiert werden müssen.

• Eine kleine Anzahl von Agenten ausreicht.
• Kommunikationspfade kurz bleiben müssen.
• Verantwortlichkeiten nicht sauber getrennt werden können.

Skalierbare Organisationsstruktur wird gegen höhere Komplexität und längere Entscheidungspfade erkauft.

• Verantwortung klar zwischen Spezialisten wechselt.
• Nutzerinteraktionen zum passenden Agenten wechseln müssen.
• Sicherheitsgrenzen pro Agent gelten.

• Mehrere Agenten gleichzeitig beitragen müssen.
• Die Kontrolle bei einem zentralen Supervisor verbleiben muss.
• Kontextübertragung nicht zuverlässig begrenzt werden kann.

Klare Verantwortungsübertragung wird mit dem Risiko erkauft, beim Handoff wichtigen Kontext zu verlieren.

• Dezentralisierte Erkundung gewünscht ist.
• Aufgaben adaptiv verteilt werden können.
• Zentrale Kontrolle zu starr wäre.

• Strikte Nachvollziehbarkeit erforderlich ist.
• Nachrichten-Floods verhindert werden müssen.
• Klare Verantwortlichkeit emergentes Verhalten überwiegt.

Hohe Anpassungsfähigkeit wird auf Kosten geringerer Vorhersagbarkeit und schwieriger Fehlersuche erkauft.

• Perspektiven sichtbar zusammengeführt werden müssen.
• Diskussion Teil des Lösungsprozesses ist.
• Rollen flexibel interagieren müssen.

• Ein deterministischer Ablauf erforderlich ist.
• Das Token-Budget stark eingeschränkt ist.
• Verantwortlichkeiten streng isoliert bleiben müssen.

Reichhaltige Interaktion wird gegen hohe Token-Kosten und schwierige Ablaufsteuerung erkauft.

• Das Problem kontroverse Beurteilungen erlaubt.
• Gegenargumente helfen, logische Schwächen aufzudecken.
• Entscheidungen eine strenge Verifikation erfordern.

• Fakten leicht überprüfbar sind.
• Eine Debatte künstliche Konflikte erzeugen würde.
• Latenzbudgets eng sind.

Eine strenge Verifikation schwieriger Entscheidungen wird auf Kosten erhöhten Aufwands und des Risikos einer Überdiskussion erreicht.

• Aufgaben offen, mehrstufig und tool-intensiv sind.
• Mehrere Spezialisten über lange Zeiträume mit hoher Autonomie agieren müssen.

• Ein einfacher Workflow ausreicht.
• Prüfbarkeit deterministische Schritte erfordert.
• Betriebskosten streng begrenzt sind.

Enorme Aufgabenabdeckung wird auf Kosten außergewöhnlich hoher Betriebs- und Orchestrierungskomplexität gewonnen.

• Viele Agenten asynchron beitragen.
• Gemeinsamer Zustand wichtiger ist als direkte Konversation.
• Zwischenergebnisse persistent bleiben müssen.

• Strenge lineare Steuerung erforderlich ist.
• Zustandskonsistenz nicht garantiert werden kann.
• Ein einfacher Chat-Kontext ausreicht.

Hochgradig entkoppelte Zusammenarbeit wird auf Kosten anspruchsvoller Zustandsverwaltung und Konsistenzanforderungen erreicht.

• Aufgaben dynamisch verteilt werden müssen.
• Agenten unterschiedliche Kapazitäten oder Kosten besitzen.
• Priorisierung auf Nutzensignalen beruht.

• Delegation festgelegt ist.
• Bieten mehr Overhead als Wert erzeugt.
• Compliance strikte regelbasierte Zuweisung vorschreibt.

Skalierbare und flexible Ressourcenzuweisung wird auf Kosten der schwierigen Gestaltung von Anreiz- und Auktionsstrukturen gewonnen.

• Spezialisten gekapselt werden müssen.
• Der Hauptagent absolute Kontrolle behalten muss.
• Sicherheitsgrenzen strikt getrennt sein müssen.

• Gleichberechtigte Zusammenarbeit erforderlich ist.
• Spezialisten langfristige Autonomie benötigen.
• Schnittstellenverträge instabil sind.

Hervorragende Kapselung wird auf Kosten eingeschränkter Unabhängigkeit der Sub-Agenten erreicht.

• Koordination vollständig nachverfolgbar und testbar sein muss.
• Komplexe Abläufe mit Zyklen und strikten Bedingungen stabil in Produktion laufen müssen.

• Ein linearer Workflow ausreicht.
• Graph-Wartung den Nutzen überwiegt.
• Emergenz gegenüber expliziter Steuerung bevorzugt wird.

Extreme Vorhersagbarkeit und Steuerbarkeit werden auf Kosten erheblichen Modellierungsaufwands gewonnen.

• Die Aufgabe offene Recherche, Wettbewerbsanalyse oder Literatur-/F&E-Synthese über viele Quellen ist.
• Breite und Neuheit wichtiger sind als eine einzelne Abfrage.
• Befunde synthetisiert und zitiert werden müssen, nicht nur abgerufen.

• Die Antwort eine begrenzte Abfrage oder ein einzelner Abruf ist.
• Kosten- und Latenzbudgets eng sind — dieses Pattern ist ressourcenintensiv.
• Der Wissensraum klein genug für einen einzigen Durchgang ist.

Breite, Neuheit und Synthesequalität werden bei hohen Token- und Latenzkosten gewonnen; es braucht starke Stoppkriterien, um unbegrenzte Erkundung zu vermeiden.