Agentic Workflows: Definition, Bau-Muster, Abgrenzung

Agentic Workflows sind vorgegebene Ablaufmuster, in denen ein Sprachmodell (LLM, Large Language Model) mehrere Schritte nacheinander abarbeitet. Die Reihenfolge steht im Code fest, das Modell füllt sie nur mit Inhalt. Der Begriff geht auf Anthropic (2024) zurück und trennt planbare Ablauf-Muster von echten Agenten, die ihre Schritte selbst wählen.

Was sind Agentic Workflows?

Agentic Workflows sind eine Familie von Bau-Mustern für Anwendungen mit Sprachmodellen. Der Kern: Ein Entwickler zeichnet den Ablauf im Voraus auf. Er legt fest, welcher Modell-Aufruf (ein Anfrage-Antwort-Schritt an das Sprachmodell) wann kommt, welche Werkzeuge (externe Funktionen wie Suche, Datenbank-Zugriff oder E-Mail-Versand) das Modell benutzen darf und wo der Ablauf sich verzweigt oder wiederholt. Das Sprachmodell entscheidet nur, was es an jeder Stelle sagt oder tut, nicht in welcher Reihenfolge die Stellen kommen.

Der begriffliche Rahmen stammt aus Anthropics [„Building Effective Agents"](https://www.anthropic.com/research/building-effective-agents) (Dezember 2024). Anthropic trennt agentische Systeme in zwei Familien: Workflows mit fest verdrahtetem Kontrollfluss und Agents, die ihre nächsten Schritte selbst planen. Die Empfehlung lautet, mit Workflows zu starten und Agenten-Autonomie nur dann einzuführen, wenn Flexibilität den Kontroll-, Kosten- und Debugging-Aufwand rechtfertigt.

Fünf Bau-Muster tragen den Begriff. Prompt-Chaining verkettet zwei oder mehr Modell-Aufrufe zu einer festen Sequenz, optional mit einem programmatischen Gate zwischen den Schritten. Routing klassifiziert eine Eingabe und schickt sie an einen von mehreren spezialisierten Pfaden. Parallelisierung ruft mehrere Modell-Instanzen gleichzeitig auf und aggregiert die Ergebnisse, entweder durch Aufteilung einer Aufgabe (Sectioning) oder durch mehrfache Abstimmung über dieselbe Frage (Voting). Orchestrator-Worker lässt ein zentrales Sprachmodell die Sub-Aufgaben zur Laufzeit definieren und an Worker delegieren, während der Rahmen fest bleibt. Evaluator-Optimizer kombiniert einen Generator mit einem separaten Bewerter, der Feedback in eine nächste Runde zurückspielt.

Die betrieblichen Eigenschaften folgen aus dem festen Graphen: Latenz und Token-Kosten sind pro Fall vorhersagbar, Traces sind flach und im Voraus modelliert, Fehler treten an bekannten Stellen auf. Genau das macht Workflows für viele produktive Use Cases zur robusteren Wahl, solange die Aufgabe planbar ist. Werkzeug-Aufrufe (Function Calling, [Model Context Protocol](https://modelcontextprotocol.io/)) und Retrieval sind orthogonal zur Workflow-vs.-Agent-Frage. Beide Ausprägungen können beliebige Werkzeuge einbinden.

Abgrenzung zu Agents, Prompt-Chaining und Workflow-Engines

Der Begriff wird häufig mit angrenzenden Kategorien vermischt. Die relevanten Trennlinien:

Begriff	Rolle	Verhältnis zu Agentic Workflows
Agents (im engen Sinn)	Planen Schritte und Werkzeug-Aufrufe zur Laufzeit selbst	Schwester-Familie mit variabler Struktur; Workflows haben festen Graphen
Prompt-Chaining	Ein einzelnes Workflow-Muster (feste Sequenz)	Teilmenge; die Familie umfasst insgesamt fünf Muster
Agent Orchestration	Steuerungsschicht zur Laufzeit, häufig über mehrere Workflows oder Agenten hinweg	Übergeordnete Ebene; ein Workflow kann in einer größeren Orchestrierung sitzen
Klassische Workflow-Engine (Airflow, Temporal)	Deterministische Task-Graphen ohne LLM-Nicht-Determinismus	Verwandt in der Graph-Idee, aber ohne probabilistische Modell-Schritte
Agentic AI	Sammelkategorie für LLM-Systeme mit Handlungsfähigkeit	Übergeordnete Klasse; Workflows sind eine Teilfamilie darin

Die Trennung Workflow gegen Agent liegt in der Kontrollfluss-Frage. Ein Workflow enthält alle möglichen Schritte im Code, das Modell füllt Inhalte in die vorgegebenen Knoten. Ein Agent lässt das Modell im Loop entscheiden, welcher Schritt als Nächstes fällt und wann abgebrochen wird. Beide Formen können dieselben Werkzeuge nutzen und beide erzeugen agentisches Verhalten. Der Unterschied liegt in Vorhersagbarkeit, Debug-Aufwand und dem Kosten-Profil.

Prompt-Chaining wird gelegentlich synonym mit „Agentic Workflow" verwendet, ist aber nur eines der fünf Muster. Wer den Begriff auf Prompt-Chaining verengt, übersieht Routing, Parallelisierung, Orchestrator-Worker und Evaluator-Optimizer als eigenständige Design-Optionen. Klassische Workflow-Engines wie Airflow oder Temporal steuern deterministische Aufgaben-Graphen. Agentic Workflows unterscheiden sich, weil die Knoten Sprachmodell-Aufrufe mit variabler Ausgabe sind und Retries, Guardrails und Kostenbudgets pro Schritt anders modelliert werden müssen.

Beispiel: Übersetzung mit Evaluator-Optimizer

Ein Content-Team baut einen deutschsprachigen Übersetzungs-Workflow für englische Blog-Absätze. Der Kontrollfluss ist fest: Generator, Evaluator, Entscheidungs-Gate, optional zweite Runde.

Ein erstes Sprachmodell übersetzt den Absatz nach vier vorgegebenen Regeln (Tonfall, Fachterminologie, aktive Verben, deutsche Fachbegriffe bevorzugt). Ein zweites Modell bewertet die Übersetzung entlang derselben Kriterien und gibt einen strukturierten Score plus konkretes Feedback zurück. Ein programmatisches Gate liest den Score aus: liegt er über dem Schwellenwert, endet der Workflow und die Übersetzung wird gespeichert. Andernfalls geht das Feedback in eine zweite Generator-Runde. Nach maximal drei Iterationen bricht der Workflow ab und legt die letzte Version zur menschlichen Nachprüfung ab.

Die vier Knoten sind konkret: Generator-Prompt, Evaluator-Prompt mit Score-Schema, Gate-Funktion in Code, Loop-Zähler mit Obergrenze. Das Sprachmodell fügt keinen Retrieval-Schritt ein und startet keine andere Werkzeug-Kette, weil der Graph das nicht vorsieht. Beim Ausbau des Musters kommen typischerweise Tracing pro Schritt (LangSmith, Langfuse), Kostenzähler pro Iteration und ein separates Modell für den Evaluator hinzu (oft kleiner oder anders trainiert als der Generator). Der Kern der Definition bleibt gleich, weil der Kontrollfluss fest verdrahtet ist.