KI News: Kurz und klar.

In diesem Tutorial zeigen wir, wie Haystack die Entwicklung fortschrittlicher, agentenbasierter KI-Systeme ermöglicht, die weit über einfache Beispiele hinausgehen und gleichzeitig vollständig lauffähig bleiben. Wir legen den Fokus auf eine zusammenhängende, end‑to‑end Lösung, die Orchestrierung, zustandsabhängige Entscheidungsfindung, Tool‑Ausführung und strukturierten Kontrollfluss hervorhebt und damit demonstriert, wie komplexes Agentenverhalten sauber umgesetzt werden kann.

Clawdbot ist ein quelloffener persönlicher KI‑Assistent, den Sie auf Ihrer eigenen Hardware betreiben können. Er verbindet große Sprachmodelle von Anbietern wie Anthropic und OpenAI mit praktischen Tools – von Messaging‑Apps über Dateisysteme, Shell und Browser bis hin zu Smart‑Home‑Geräten. Dabei bleibt die Steuerung der Automatisierung vollständig in Ihrer Hand, sodass Sie die Orchestrierung selbst bestimmen können. Mit Clawdbot lassen sich Chat‑Befehle in echte, automatisierte Abläufe umwandeln, ohne dass Sie auf externe Dienste angewiesen sind.

Multi-Agenten-Systeme (MAS) versprechen höhere Intelligenz, indem sie mehrere Agenten koordinieren. In der Praxis liefern aktuelle Designansätze jedoch nicht die erwarteten Ergebnisse. Die Schwächen liegen in der methodischen Komplexität – die Orchestrierung erfolgt noch immer sequentiell auf Codeebene, was die globale Systemlogik einschränkt und bei steigender Agentenkomplexität schlecht skaliert – und in der Unsicherheit über die tatsächlichen Vorteile gegenüber Ein-Agenten-Systemen (SAS).

In einem neuen Beitrag wird gezeigt, wie Entwickler mit einer leistungsstarken Kombination aus Strands Agents, Amazon Bedrock AgentCore und dem NVIDIA NeMo Agent Toolkit skalierbare KI-Agenten erstellen, testen, optimieren und in die Produktion auf Amazon Web Services (AWS) bringen können.

Die KI‑gestützte Softwareentwicklung hat die Autovervollständigung längst hinter sich gelassen. Der nächste große Schritt ist das sogenannte agentische Coding: KI‑Systeme, die nicht nur Code generieren, sondern auch planen, ausführen und anhand von Feedback iterieren können.

Moderne KI‑Systeme greifen auf eine Vielzahl von Modellen und Tools zurück, um komplexe Aufgaben zu lösen. Die Koordination dieser Modelle wird häufig von großen Sprachmodellen (LLMs) übernommen, die dabei auf qualitative Beschreibungen der Modelle zurückgreifen. Diese Beschreibungen spiegeln jedoch nicht die tatsächlichen Leistungs- und Energieeigenschaften wider, was zu suboptimalen Auswahlentscheidungen, geringerer Genauigkeit und höheren Stromkosten führt.

In einem praxisnahen Tutorial wird gezeigt, wie man eine fortschrittliche Agent‑KI mit dem Control‑Plane‑Designpattern entwickelt. Schritt für Schritt werden die einzelnen Komponenten implementiert und erklärt, wobei der Control‑Plane als zentrale Orchestrierungseinheit fungiert. Er koordiniert die eingesetzten Tools, überwacht Sicherheitsregeln und strukturiert den gesamten Denk‑ und Entscheidungsprozess.

GitHub hat bei der Universe 2025-Konferenz die neue Plattform Agent HQ vorgestellt, die Unternehmen eine zentrale Steuerung für sämtliche KI-Coding-Agenten bietet – statt eines eigenen Agenten. Durch die Integration von Agenten von Anthropic, OpenAI, Google, Cognition und xAI wird GitHub zu einer Orchestrierungs‑Schicht, die alle Agenten unter einem Dach zusammenführt.

In diesem Tutorial wird ein schlanker, effizienter Rahmen vorgestellt, der zeigt, wie man aus der Dokumentation von Software-Tools standardisierte, aufrufbare Schnittstellen erzeugt, diese Tools zentral registriert und anschließend in einer automatisierten Pipeline ausführt. Dabei bauen wir zunächst einen einfachen Konverter, entwickeln anschließend Mock-Tools für Bioinformatik und organisieren sie in einem zentralen System. Das Ergebnis ist ein wiederverwendbares Orchestrierungs-Framework, das die gesamte Prozesskette von der Dokumentation bis zur Ausführung automatisierter Workflows nahtlos verbindet.

Ein neues Forschungsprojekt namens Agentic‑AI Healthcare präsentiert ein datenschutzbewusstes, mehrsprachiges System, das mithilfe des Model Context Protocol (MCP) mehrere intelligente Agenten orchestriert. Ziel ist es, Patienten in einer sicheren Umgebung zu unterstützen, indem Symptome abgefragt, medikamentöse Vorschläge gemacht und Termine geplant werden.

Der Artikel erklärt, wie man mit dem Agenten-Framework LangGraph KI‑Workflows erstellt, die flexibel und leistungsfähig sind. Dabei werden konkrete Schritte und Beispiele vorgestellt, die zeigen, wie man Aufgaben in modulare Agenten zerlegt und diese orchestriert. Auf der Plattform Towards Data Science wurde das Thema erstmals veröffentlicht und bietet damit einen praxisnahen Einstieg in die Entwicklung agentischer KI‑Systeme.

McKinsey sieht in der agentischen KI einen Weg, das „Generative‑AI‑Paradox“ zu überwinden. Laut der Beratungsgesellschaft nutzen fast vier von fünf Unternehmen generative KI, doch nur wenige erzielen damit einen messbaren Nutzen für ihr Ergebnis.