Was ein KI-Agent wirklich ist: der Loop aus Perceive, Plan, Act, Observe

Geben Sie das in einen modernen KI-Assistenten ein: "Recherchiere die 3 größten Wettbewerber von Notion und stelle sie in einer Vergleichstabelle dar."

Beobachten Sie, was passiert. ErErDas Verhältnis von Interaktionen (Likes, Kommentare, Shares) zur Reichweite eines Inhalts. Zeigt, wie stark die Zielgruppe reagiert, gemessen an der Zahl der Personen, die den Inhalt gesehen haben.Vollständige Definition ansehen → durchsucht das Web. Er liest ein paar Seiten. Er merkt, dass er nur zwei belastbare Wettbewerber gefunden hat, also sucht er erneut. Er zieht Preise, prüft eine Bewertungsseite und baut dann die Tabelle. Sie haben eine Anweisung gegeben, und er hat von sich aus vielleicht acht Schritte gemacht.

Dieser selbstgesteuerte Loop ist der ganze Unterschied zwischen einem Agenten und einem Chatbot. Ein Chatbot antwortet. Ein Agent arbeitet.

Agent vs. einzelner Prompt

Ein einzelner Prompt ist eine Frage rein, eine Antwort raus. Sie fragen, das Modell antwortet nur mit dem, was es schon weiß. Wenn es frische Informationen oder eine Berechnung braucht, kann es sie sich nicht holen. Es rät einfach.

Ein KI-AgentKI-AgentSoftware, die ein Ziel eigenständig verfolgt: Sie plant Schritte, nutzt Werkzeuge und handelt mit wenig menschlichem Eingriff.Vollständige Definition ansehen → ist ein Sprachmodell, das Aktionen ausführen, die Ergebnisse sehen und entscheiden kann, was als Nächstes zu tun ist, und das wiederholt, bis das Ziel erreicht ist. Das Schlüsselwort ist *Loop*. Der Agent ist nicht auf einen Zug beschränkt. Er macht weiter, bis die Aufgabe erledigt ist oder er entscheidet, dass er feststeckt.

Hier die einfache Definition, mit der wir arbeiten:

Ein Agent ist ein Sprachmodell plus Tools plus ein Loop.

Ein Tool ist jede Aktion, die das Modell auslösen kann: eine Websuche, ein Rechner, eine Datenbankabfrage, das Senden einer E-Mail, das Ausführen von Code. Der Loop ist der Motor, der das Modell diese Tools wiederholt nutzen lässt und dabei nachsteuert.

Der Loop: Perceive, Plan, Act, Observe

Jeder Agent, egal von welchem Anbieter, durchläuft eine Variante dieses vierstufigen Zyklus. Verfolgen wir ihn anhand der Wettbewerbsrecherche.

1. Perceive

Der Agent nimmt die aktuelle Situation auf: Ihre Anweisung plus alles, was er bisher weiß.

Am Anfang ist "Perceive" nur Ihr Prompt: *"Recherchiere die 3 größten Wettbewerber von Notion und stelle sie in einer Vergleichstabelle dar."* Später im Loop heißt Perceive auch, die Ergebnisse der eigenen vorherigen Aktionen zu lesen (die Suchergebnisse, die gerade zurückkamen).

2. Plan

Der Agent entscheidet den nächsten Schritt. Nicht das ganze Projekt, nur den nächsten Zug.

Seine interne Überlegung kkDie durchschnittliche Zahl neuer Nutzer, die jeder bestehende Nutzer über Empfehlungen generiert. Über 1,0 verstärkt sich das Wachstum selbst und wird exponentiell.Vollständige Definition ansehen →önnte lauten: *"Ich kenne die größten Wettbewerber von Notion nicht aus dem Kopf mit aktuellen Daten. Ich sollte zuerst das Web durchsuchen."*

Das ist der Teil, den man unterschätzt. Der Agent folgt keinem festen Skript, das Sie geschrieben haben. Er wählt jeden Schritt danach, was er gerade weiß.

3. Act

Der Agent nutzt ein Tool. Hier ruft er ein Websuche-Tool mit einer Query wie `Notion competitors 2026` auf.

Das ist der Moment, in dem ein Agent den Chatbot hinter sich lässt. Er produziert nicht mehr nur Text. Er tut etwas in der Welt und bekommt echte Daten zurück.

4. Observe

Der Agent liest, was die Aktion zurückgegeben hat. Die Suche liefert Coda, Obsidian und einen vagen Hinweis auf "andere".

Jetzt bewertet er: *"Ich habe zwei starke Wettbewerber und eine Lücke. Ich brauche einen weiteren."*

Und dann startet der Loop neu. Er perceives die aktualisierte Situation, plant eine zweite Suche (best all-in-one workspace apps 2026), handelt und beobachtet erneut. Er könnte drei oder vier Mal durchlaufen: eine Suche pro Wettbewerber, eine für Preise, eine zur Verifizierung. Erst wenn er genug hat, hört er auf und schreibt die Tabelle.

Dieser wiederholte Zyklus, getrieben vom eigenen Urteil des Modells darüber, was noch fehlt, macht ihn zum Agenten.

Wie der Loop im Code aussieht

Sie müssen das nicht von Null bauen (die SDKs unten übernehmen das für Sie), aber das Skelett zu sehen, lässt das Konzept einrasten. Das ist anbieterneutraler Pseudocode für den Loop:

goal = "Research top 3 competitors to Notion and build a comparison table."
messages = [{"role": "user", "content": goal}]

while True:
    # PERCEIVE + PLAN: Modell betrachtet alles Bisherige und entscheidet den nächsten Schritt
    response = model.generate(messages, tools=[web_search])

    if response.tool_call:
        # ACT: das vom Modell angeforderte Tool ausführen
        result = run_tool(response.tool_call)   # z. B. web_search("Notion competitors 2026")

        # OBSERVE: Ergebnis zurückgeben, damit das Modell es im nächsten Zug wahrnehmen kann
        messages.append(response)
        messages.append({"role": "tool", "content": result})
    else:
        # Kein Tool nötig: das Modell hat seine endgültige Antwort (die Tabelle)
        print(response.content)
        break

Lesen Sie die Kommentare, dann sehen Sie alle vier Schritte. model.generate ist Perceive und Plan. run_tool ist Act. Das Anhängen des Ergebnisses ist Observe. Der while-Loop ist das, was aus einer Einmalantwort einen Agenten macht. Das Modell, nicht Sie, entscheidet, wann Schluss ist, indem es eine endgültige Antwort statt eines weiteren Tool-Calls zurückgibt.

Warum der Loop mehr zählt als das Modell

Eine verbreitete Annahme: "Ein schlaueres Modell macht einen besseren Agenten." Teilweise richtig. Aber der Loop ist das, was die Fähigkeit des Modells zur *Korrektur* freischaltet.

Wenn die erste Suche Müll liefert, merkt ein Agent das im Observe-Schritt und probiert eine andere Query. Ein einzelner Prompt kann das nicht. Er legt sich auf seine eine Antwort fest, samt Fehlern.

Deshalb können Agenten auch offene Aufgaben bearbeiten. Sie müssen nicht im Vorfeld wissen, wie viele Suchen es braucht, um drei Wettbewerber zu finden. Der Agent findet das unterwegs heraus.

Der Trade-off: Loops können lange laufen, mehr kosten und sich gelegentlich im Kreis drehen. Gutes Agent-Design setzt dem Loop Grenzen, zum Beispiel "stoppe nach 10 Schritten" oder "stoppe, wenn die Tabelle vollständig ist". Solche GuardrailsGuardrailsRegeln und Kontrollen, die ein KI-System in sicheren, rechtskonformen und markengerechten Grenzen halten und unerwünschte Ausgaben blockieren.Vollständige Definition ansehen → behandeln wir später in diesem Block.

Tools sind die Hände des Agenten

Ohne Tools ist selbst der Loop nutzlos. Ein Modell, das nur reden kann, kann nichts recherchieren. Tools sind die Art, wie der Agent über seinen eigenen Kopf hinausgreift.

Gängige Tool-Typen, die Sie in echten Agenten sehen:

• Suche / Retrieval: Websuche oder das Nachschlagen in den internen Dokumenten Ihres Unternehmens.
• Compute: ein Rechner oder ein Code-Runner für Mathematik und Datenarbeit.
• Lesen/Schreiben in Systemen: eine Datenbank abfragen, ein Spreadsheet aktualisieren, eine Slack-Nachricht senden.
• Andere Agenten: ja, ein Agent kann einen anderen Agenten als Tool aufrufen.

Für die Wettbewerbsaufgabe brauchte der Agent genau ein Tool: Websuche. Fügen Sie ein "In Google Sheets schreiben"-Tool hinzu, und derselbe Agent könnte die fertige Tabelle direkt in Ihren Workspace legen, ohne Copy-Paste.

Wenn Sie eine klare, kostenlose Einführung dazu wollen, wie Tool-Nutzung und Agent-Loops zusammenpassen: Anthropics Guide Building Effective Agents ist im Geist anbieterneutral und wird in der Branche breit zitiert.

Wo die Anbieter ins Spiel kommen

Der Loop aus Perceive, Plan, Act, Observe ist bei allen Anbietern identisch. Unterschiedlich ist das Toolkit, das jeder zum Bauen mitgibt:

• OpenAI Agents SDK
• Claude Agent SDK (Anthropic)
• Googles Agent Development Kit (ADK)

Alle drei kapseln denselben Loop, übernehmen die Tool-Calling-Mechanik und ergänzen Features wie Memory und Guardrails. Wählen Sie eines nach dem Modell, das Sie schon nutzen; die Konzepte, die Sie hier gelernt haben, lassen sich direkt übertragen. Die Anbieter-Deep-Dive-Blöcke später in diesem Kurs behandeln jedes SDK praktisch.

Fürs Erste zählt das mentale Modell mehr als das Tool. Wenn Sie verstehen, dass ein Agent *Modell plus Tools plus ein Loop* ist, verstehen Sie jedes Agent-Framework, das 2026 auf dem Markt ist.

Ein schneller Selbsttest

Fragen Sie sich bei jedem KI-Feature, das Sie nutzen: *Führt es mehrere Aktionen aus und entscheidet die nächste auf Basis der Ergebnisse?*

• "Fasse diese E-Mail zusammen." Ein Schritt, keine Tools. Kein Agent. Nur ein Prompt.
• "Prüfe meinen Kalender, finde nächste Woche einen freien 30-Minuten-Slot und schreibe SamSamServiceable Addressable Market: der Teil des TAM, den Sie mit Ihrem aktuellen Geschäftsmodell, Ihrer Geografie und Ihren Vertriebskanälen realistisch erreichen können.Vollständige Definition ansehen → eine E-Mail mit dem Vorschlag." Mehrere Aktionen, Entscheidungen auf Basis des Gefundenen. Agent.

Die Trennlinie ist der Loop, nicht wie beeindruckend die Antwort klingt.

Wichtigste Erkenntnisse

• Ein Agent = ein Sprachmodell + Tools + ein Loop. Nehmen Sie eines davon weg, und Sie sind wieder beim Chatbot.
• Der Loop hat vier Schritte: Perceive, Plan, Act, Observe. Der Agent wiederholt sie und wählt jeden nächsten Schritt nach dem, was er gerade gelernt hat, bis das Ziel erreicht ist.
• Tools sind die Hände des Agenten. Websuche, Code, Datenbanken, andere Agenten. Ohne sie kann der Loop die reale Welt nicht berühren.
• Der Loop, nicht die reine Modellintelligenz, lässt einen Agenten sich von schlechten Ergebnissen erholen und offene Aufgaben bearbeiten, bei denen Sie nicht jeden Schritt skripten können.
• Das Konzept ist anbieterneutral. Die SDKs von OpenAI, Claude und Google kapseln alle denselben Loop, lernen Sie das Muster also einmal, dann überträgt es sich überall.