LLM-Agenten: Von statischen Vorlagen zu dynamischen Laufzeitgraphen

In den letzten Jahren haben große Sprachmodelle (LLMs) die Art und Weise, wie komplexe Aufgaben gelöst werden, grundlegend verändert. Durch die Kombination von LLM-Aufrufen, Informationsabruf, Tool‑Nutzung, Code‑Ausführung, Speicher‑Updates und Verifikationsschritten entstehen ausführbare Arbeitsabläufe, die als Agentic Computation Graphs (ACGs) bezeichnet werden.

Eine aktuelle Übersicht untersucht die neuesten Ansätze zur Gestaltung und Optimierung solcher ACGs. Dabei wird unterschieden zwischen statischen Methoden, die vor dem Einsatz ein wiederverwendbares Workflow‑Gerüst festlegen, und dynamischen Methoden, die das Netzwerk für jeden Durchlauf individuell auswählen, generieren oder anpassen – sowohl vor als auch während der Ausführung.

Die Literatur wird ferner entlang dreier Dimensionen strukturiert: zu welchem Zeitpunkt die Struktur bestimmt wird, welcher Teil des Workflows optimiert wird und welche Signale die Optimierung leiten. Zu diesen Signalen gehören Aufgabenmetriken, Verifikationssignale, Präferenzen der Nutzer sowie aus Ausführungstraces abgeleitete Rückmeldungen.

Darüber hinaus trennt die Studie zwischen wiederverwendbaren Vorlagen, run‑spezifischen Realisierungen und Ausführungstraces, um Designentscheidungen von tatsächlich eingesetzten Strukturen und Laufzeitverhalten zu differenzieren. Abschließend wird ein struktur‑sensibler Evaluationsrahmen vorgestellt, der neben herkömmlichen Aufgabenmetriken auch graph‑level Eigenschaften, Ausführungskosten, Robustheit und strukturelle Variation über verschiedene Eingaben hinweg berücksichtigt.