Einen KI-Agenten erstellen kannst du heute ohne eine Zeile Code, in einem Automatisierungswerkzeug wie n8n oder Make, oder mit einem SDK direkt in Python oder TypeScript. In beiden Fällen besteht der Agent aus denselben Teilen: einem Sprachmodell, Anweisungen, einem Auslöser und Werkzeugen, die das Modell selbst aufrufen darf. Diese Anleitung zeigt, wie du ihn planst, mit welchen Werkzeugen du ihn baust und wie du ihn testest, bevor er echte Arbeit übernimmt. Was ein KI-Agent grundsätzlich ist und welche Risiken er mitbringt, erklärt kiagentensicherheit.de.
Vor dem Bau: Aufgabe, Auslöser und Grenzen festlegen
Eine zu breit gefasste Aufgabe macht einen Agenten unberechenbar. Anthropic rät in seinem Leitfaden zum Bau von Agenten, mit der einfachsten Lösung zu beginnen und Komplexität nur dann hinzuzufügen, wenn sie nötig ist. Oft reicht ein fester Workflow mit einem einzelnen KI-Schritt. Ein Agent lohnt sich, wenn sich die nötigen Schritte vorher nicht festlegen lassen.
Beantworte vor dem ersten Klick fünf Fragen schriftlich:
- Aufgabe: Was genau soll der Agent erledigen, in einem Satz?
- Auslöser: Startet ihn eine E-Mail, ein Formular, ein Zeitplan oder ein Chat?
- Werkzeuge: Welche Systeme muss er lesen, in welche darf er schreiben?
- Grenzen: Welche Aktionen braucht eine Freigabe durch einen Menschen?
- Erfolg: Woran erkennst du, dass ein Durchlauf richtig war?
Braucht ein Agent sehr viele Werkzeuge, teile die Aufgabe in mehrere kleinere Agenten auf. Anregungen für gut abgegrenzte Aufgaben findest du in den Beispielen für KI-Agenten.
Werkzeuge zum Erstellen von KI-Agenten im Vergleich
| Werkzeug | Code nötig | Geeignet für | Stand November 2026 |
|---|---|---|---|
| n8n, AI-Agent-Node | nein | Agenten in Workflows, selbst gehostet oder Cloud | Agent braucht mindestens ein Werkzeug, Freigaben pro Werkzeug möglich |
| Make AI Agents | nein | Agenten in Make-Szenarien ohne eigenen Server | Werkzeuge: Module, Szenarien, MCP-Server, andere Agenten |
| ChatGPT Workspace Agents | nein | Teams in ChatGPT Business, Enterprise, Edu | laufen in der Cloud, auch in Slack nutzbar |
| OpenAI Agents SDK | ja (Python) | eigene Anwendungen mit mehreren Agenten | Agenten, Handoffs, Guardrails, Tracing, MCP-Anbindung |
| Claude Agent SDK | ja (Python, TypeScript) | Agenten, die Dateien lesen, Befehle ausführen, recherchieren | dieselben Werkzeuge und dieselbe Agenten-Schleife wie Claude Code |
| Claude Managed Agents | ja (API) | Agenten, die Anthropic betreibt | Sitzungen in einer Sandbox von Anthropic oder einer eigenen |
Ein Hinweis zu OpenAI: Den visuellen Agent Builder aus AgentKit stellt OpenAI ein. Ab dem 30. November 2026 ist er laut OpenAI nicht mehr verfügbar. Baue neue Agenten deshalb nicht mehr darauf auf.
Schritt für Schritt: KI-Agent in n8n erstellen
n8n ist für viele der Einstieg, weil du die Community Edition kostenlos selbst hosten kannst. Der Ablauf:
- Lege einen neuen Workflow an und wähle einen Auslöser, zum Beispiel einen Chat-Trigger zum Testen oder einen Gmail-Trigger für echte Fälle.
- Füge den Node „AI Agent“ hinzu. Seit Version 1.82.0 arbeitet jeder AI-Agent-Node als Tools Agent, du musst keinen Agententyp mehr wählen.
- Verbinde ein Chat-Modell, etwa von OpenAI, Anthropic oder Mistral, und hinterlege die Zugangsdaten.
- Schreibe die Systemanweisung: Rolle, Aufgabe, erlaubte Aktionen, Ausgabeformat und was der Agent tun soll, wenn Informationen fehlen.
- Hänge mindestens ein Werkzeug an. n8n verlangt das ausdrücklich. Typisch sind Google Sheets, ein HTTP-Request oder ein anderer Workflow als Werkzeug.
- Ergänze bei Bedarf einen Speicher, damit der Agent sich innerhalb eines Gesprächs an frühere Nachrichten erinnert.
- Setze vor jedes Werkzeug mit Außenwirkung eine menschliche Freigabe. n8n wartet dann, bis jemand per Slack, Teams, E-Mail oder n8n-Chat entscheidet.
- Teste im Chat mit echten Beispielen und prüfe in der Ausführungsansicht, welche Werkzeuge der Agent mit welchen Eingaben aufgerufen hat.
Eine ausführliche Anleitung mit Node-Einstellungen steht unter KI-Agent mit n8n. Wenn du n8n noch nicht kennst, beginne mit dem n8n-Tutorial.
Variante ohne eigenen Server: KI-Agent in Make bauen
In Make gehört jeder Agent zu einem Szenario. Du startest mit einem Auslöser, wählst Anbieter und Modell und schreibst die Anweisungen. Als Werkzeuge gibst du dem Agenten einzelne Module für Ein-Schritt-Aufgaben, ganze Szenarien für mehrstufige Abläufe, Werkzeuge externer MCP-Server oder andere Agenten. Jedes Szenario, das als Werkzeug dient, endet mit einem Return-Modul, damit das Ergebnis beim Agenten ankommt.
Wichtig ist das Gedächtnis: Lässt du die Conversation ID leer, erinnert sich der Agent nicht an frühere Durchläufe. Nach jedem Lauf zeigt der Reiter „Reasoning“, wie der Agent entschieden hat. Welche Plattform besser zu dir passt, vergleicht n8n vs. Make.
Mit Code: Wann sich ein SDK lohnt
Ein SDK lohnt sich, wenn der Agent Teil einer eigenen Anwendung wird, viele Agenten zusammenarbeiten oder du volle Kontrolle über Ablauf und Kosten brauchst.
Das OpenAI Agents SDK für Python arbeitet mit wenigen Bausteinen: Agenten sind Sprachmodelle mit Anweisungen und Werkzeugen, Handoffs geben Teilaufgaben an andere Agenten weiter, Guardrails prüfen Ein- und Ausgaben. Sitzungen halten den Kontext, Tracing zeigt jeden Schritt. Werkzeuge von MCP-Servern lassen sich direkt einbinden.
Das Claude Agent SDK für Python und TypeScript liefert die Agenten-Schleife und die eingebauten Werkzeuge von Claude Code als Bibliothek: Dateien lesen und bearbeiten, Befehle ausführen, im Web suchen. Dazu kommen Berechtigungen, Hooks, Subagenten und MCP. Soll Anthropic den Agenten betreiben, gibt es Claude Managed Agents. Wie du mit Claude Code selbst arbeitest, zeigt claudekurs.de.
Werkzeuge so beschreiben, dass der Agent sie richtig nutzt
Ein Agent wählt seine Werkzeuge anhand von Name und Beschreibung. Anthropic empfiehlt, Werkzeugdefinitionen genauso sorgfältig zu formulieren wie die Hauptanweisung. Konkret heißt das:
- Ein eindeutiger Name je Werkzeug, keine zwei Werkzeuge mit ähnlichem Zweck.
- Eine Beschreibung mit Zweck, Eingaben, Beispiel und dem Fall, in dem es nicht passt.
- Eingaben so gestalten, dass Fehler schwer sind, etwa feste Auswahlwerte statt Freitext.
Viele fertige Werkzeuge kommen heute über das Model Context Protocol. Wie das funktioniert, erklärt die Seite zum MCP-Server.
Testen, bevor der Agent live geht
Sammle zehn bis zwanzig echte Fälle aus deinem Alltag, darunter unklare und unvollständige. Lass den Agenten jeden Fall durchlaufen und prüfe drei Dinge: Hat er das richtige Werkzeug gewählt, hat er es mit den richtigen Eingaben aufgerufen, und stimmt das Ergebnis?
Make bietet dafür einen Test-Chat, einmalige Läufe mit Daten aus früheren Ausführungen und die Möglichkeit, einzelne Werkzeuge abzuschalten. In n8n zeigt die Ausführungsansicht jeden Zwischenschritt. Ändere nach einem Fehler immer nur eine Sache, also die Anweisung oder eine Werkzeugbeschreibung, und teste danach alle Fälle erneut.
Typische Fehler beim Erstellen von KI-Agenten
- Zu breite Aufgabe: Ein Agent für „den ganzen Vertrieb“ wird unberechenbar.
- Zu viele Werkzeuge: Der Agent verwechselt sie und wählt falsch.
- Keine Freigabe vor Aktionen mit Außenwirkung wie Versand oder Zahlung.
- Ein Agent, wo ein fester Workflow reichen würde: teurer und fehleranfälliger.
- Kein Testsatz: Ohne feste Beispielfälle merkst du Verschlechterungen nicht.
- Kosten unbeobachtet: Jede Schleife verbraucht Tokens, setze Limits beim Modellanbieter.
Was die Plattform selbst kostet, steht unter n8n Kosten. Wie du Agenten gegen Manipulation und Fehlbedienung absicherst, behandelt kiagentensicherheit.de.