Die 7 Agentic Workflow Design Patterns, die 2026 zählen

Wie wir diese sieben Patterns ausgewählt haben

Es gibt keine kanonische Liste von agentic design patterns, also ist es ehrlich zu sagen, woher unsere kommt. Wir haben nur Patterns behalten, die unter einem stabilen Namen in mehr als einer Primärquelle auftauchen. Anthropics Engineering-Post Building Effective AI Agents liefert fünf Workflow-Patterns plus den autonomen Agent. Die LangGraph-Dokumentation nutzt dieselben fünf Namen für dieselben Formen. Das Google Agent Development Kit liefert drei davon als eigenständige Agent-Typen aus. Andrew Ngs viel zitierte vier Patterns überlappen sich mit all dem unter anderen Labels, und wo ein Pattern zwei gängige Namen hat, nennen wir beide, weil Leute nach beiden suchen. Das siebte, der Human-Checkpoint, ist hier, weil das OpenAI Agents SDK und LangGraph es beide als dokumentiertes Primitive ausliefern statt als Ratschlag.

• In einer Primärquelle benannt: Es taucht unter diesem Namen in Engineering-Texten von Anbietern oder in Framework-Docs auf, nicht nur in einer Zusammenstellung.
• Zweimal benannt: Wenn Praktiker zwei Bezeichnungen dafür nutzen, listen wir beide Namen, weil beide in ein Suchfeld getippt werden.
• Heute baubar: Eine funktionierende Implementierung existiert in einem ausgelieferten Framework, du kannst das Pattern also nutzen statt es zu bewundern.
• Hat einen echten Failure Mode: Wir können benennen, was zuerst kaputtgeht, und das ist ein härterer Test für ein Pattern als zu benennen, wofür es gut ist.
• Hat eine Skip-Regel: Es gibt einen konkreten Fall, in dem eine einfache Funktion, eine Queue oder ein Cronjob besser ist, und wir sagen das.
• Kombinierbar: Es fügt sich in die anderen sechs ein, statt sie zu ersetzen.
• Kosten sichtbar: Wir können in relativen Zahlen sagen, was das Pattern mit deiner Token-Rechnung macht.

Jeder Pattern-Name, jedes zitierte Framework-Verhalten und jeder Kostenmultiplikator hier wurde im August 2026 an der Quelle des Anbieters abgelesen. Framework-APIs bewegen sich schnell und die Argumentnamen werden abdriften. Die Pattern-Namen sind stabil, seit Anthropic sie veröffentlicht hat, und genau deshalb sind sie der Teil, den du dir merken solltest.

Die sieben Patterns im Überblick

Woraus bestehen Agentic Workflows eigentlich? Aus sieben Formen: einer Kette, einem Schalter, einem Fan-out, einem Manager mit Workern, einem Loop mit Schiedsrichter, einem Loop mit Tools und einem Gate mit einem Menschen dahinter. Wenn du nach einem Agentic AI Workflow Diagramm gesucht hast: Diese Liste ist das, was darin stehen würde. Nimm die Form, die zu deiner Aufgabe passt, und lies ihre Skip-Regel, bevor du Code schreibst. Die Form zuerst zu erkennen ist der grösste Teil dessen, was wir im Kurs zu Automation und agentischen Systemen an der Agentic School unterrichten.

• Prompt chaining: eine feste Abfolge von Modellaufrufen, bei der jeder mit dem Output des vorherigen arbeitet.
• Routing: ein günstiger Klassifikationsschritt, der jeden Input an den spezialisierten Handler für seinen Typ schickt.
• Parallelization: dieselbe Aufgabe, verteilt auf gleichzeitige Aufrufe, entweder in Abschnitte zerlegt oder per Abstimmung entschieden.
• Orchestrator-workers: ein Lead-Modell erfindet zur Laufzeit Subtasks, delegiert sie und führt die Ergebnisse zusammen.
• Evaluator-optimizer: ein Modell entwirft, ein zweites bewertet gegen ein Rubric, und es wird überarbeitet, bis es besteht oder das Budget aufgebraucht ist.
• Der autonomous tool loop: das Modell wählt seine Tools selbst in einem Loop und entscheidet, wann es fertig ist.
• Human-in-the-loop checkpoint: der Lauf pausiert vor einer ausgewählten Aktion und wartet, bis eine Person sie freigibt, editiert oder ablehnt.

Prompt chaining

Prompt chaining zerlegt eine Aufgabe in eine feste Abfolge von Modellaufrufen, von denen jeder den vorherigen Output als Input nimmt. Anthropic listet es zuerst, LangGraph dokumentiert es unter demselben Namen, und das Google Agent Development Kit liefert es als Sequential Agent aus, den seine Docs deterministisch und vorhersagbar nennen, weil er die Ausführungsreihenfolge festlegt, ohne ein Modell zu fragen. Gesucht wird es auch als sequential workflow oder LLM pipeline. Greif zuerst danach, weil die Reihenfolge in deinem Code lebt: Du kannst zwischen zwei beliebige Schritte eine ganz normale Prüfung setzen und abbrechen, bevor du den nächsten Aufruf bezahlst, und das ist das günstigste Quality Gate auf dieser Seite. Du bezahlst mit Latenz und mit Aufschaukeln: Drei verkettete Aufrufe sind drei Round Trips, und Schritt drei erbt jeden Fehler von Schritt eins.

• Was es ist: eine feste, im Code definierte Abfolge von Modellaufrufen, von denen jeder den Output des vorherigen konsumiert.
• Nutze es, wenn: sich die Aufgabe in Schritte zerlegen lässt, die du vorher benennen kannst, etwa Outline, dann Entwurf, dann ein Rewrite für den Ton.
• Überspring es, wenn: ein einziger gut geschriebener Prompt deine Evaluation schon besteht. Ihn dann zu splitten kauft dir Latenz und sonst nichts.
• Was zuerst kaputtgeht: stilles Aufschaukeln. Ein schlechter Schritt eins liefert einen selbstbewussten, sauber formatierten, falschen Schritt drei, also validiere zwischen den Gliedern und nicht nur am Ende.

Routing

Routing setzt einen günstigen Klassifikationsaufruf vor mehrere spezialisierte Handler und schickt jeden Input an den richtigen. Anthropic und LangGraph nennen es beide routing; das OpenAI Agents SDK implementiert eine dezentrale Variante über Handoffs, die es als Mechanismus zum Koordinieren und Delegieren von Arbeit über mehrere Agents hinweg beschreibt. Die Ökonomie ist der ganze Reiz: Ein kurzer Klassifikations-Prompt auf einem kleinen Modell schickt die einfache Mehrheit des Traffics auf einen günstigen Pfad und reserviert das teure Modell für den Rest. Der Haken ist, dass ein Fehlrouting still passiert. Der spezialisierte Handler antwortet selbstbewusst auf der falschen Spur, und wenn du die gewählte Route nicht neben dem Ergebnis loggst, wirst du es nie bemerken.

• Was es ist: ein Klassifikationsschritt, der einen Input an einen von mehreren spezialisierten nachgelagerten Prompts, Modellen oder Tools weiterreicht.
• Nutze es, wenn: Inputs in klar unterschiedliche Kategorien fallen, die unterschiedlich behandelt werden müssen, und ein einziger Prompt für alle immer wieder Regressionen produziert.
• Überspring es, wenn: sich die Kategorie aus strukturierten Daten entscheiden lässt. Eine Feldprüfung oder ein regulärer Ausdruck ist gratis, sofort da und halluziniert nie eine Kategorie.
• Was zuerst kaputtgeht: stille Fehlklassifikation. Logge die Route zusammen mit dem Ergebnis und liefere immer einen Default-Zweig für Inputs aus, die auf nichts passen.

Parallelization

Parallelization führt mehrere Modellaufrufe gleichzeitig aus und kombiniert die Ergebnisse. Anthropic teilt es in zwei Varianten, die man auseinanderhalten sollte: sectioning, wo unabhängige Subtasks nebenläufig laufen, und voting, wo dieselbe Aufgabe mehrfach läuft und du den Konsens nimmst. LangGraph dokumentiert beide unter parallelization und das Google Agent Development Kit liefert die Form als Parallel Agent aus. Sectioning kauft dir Wall-Clock-Zeit. Voting kauft dir Sicherheit bei Ermessensfragen, bei denen ein einzelnes Sample unzuverlässig ist, etwa beim Markieren riskanter Inhalte. Gratis ist keines von beiden: Du zahlst den vollen Preis für jeden Zweig, ein fünffaches Voting kostet also etwa fünf Aufrufe und liefert eine Antwort.

• Was es ist: dieselbe Aufgabe, verteilt auf gleichzeitige Aufrufe, entweder in unabhängige Abschnitte zerlegt oder für eine Abstimmung wiederholt.
• Nutze es, wenn: die Subtasks wirklich nicht voneinander abhängen, oder ein einzelnes Sample einer Ermessensfrage nicht verlässlich genug ist, um darauf zu handeln.
• Überspring es, wenn: die Schritte voneinander abhängen. Eine abhängige Kette in parallele Zweige zu pressen produziert Widersprüche, die du danach von Hand auflöst.
• Was zuerst kaputtgeht: die Rechnung und der Merge. Die Kosten skalieren mit dem Fan-out, und der Schritt, der widersprüchliche Zweige zusammenführt, ist der Ort, an dem die meisten echten Bugs leben.

Orchestrator-workers

Bei orchestrator-workers zerlegt ein Lead-Modell eine Aufgabe zur Laufzeit in Subtasks, delegiert sie an Worker und synthetisiert die Ergebnisse. Es heisst auch planner-executor, supervisor oder Lead Agent mit Subagents, und Andrew Ngs Patterns planning und multi-agent collaboration landen beide hier. Der Unterschied zu parallelization ist, dass niemand die Subtasks vorher festlegt; der Orchestrator erfindet sie aus dem Input. Anthropic hat genau das für sein Multi-Agent-Research-System genutzt, mit einem Lead Agent, der koordiniert, während spezialisierte Subagents parallel arbeiten. Es ist ausserdem mit Abstand das teuerste Pattern hier: Anthropic berichtet, dass Multi-Agent-Systeme etwa 15x mehr Tokens brauchen als Chat-Interaktionen, und sagt klar, dass sie sich ökonomisch nur rechnen, wenn die Aufgabe wertvoll genug ist, um dafür zu bezahlen. Anthropic benennt auch, wo es unterdurchschnittlich abschneidet, und die Antwort ist lehrreich: Domänen, in denen jeder Agent denselben Kontext braucht oder die Subtasks viele Abhängigkeiten haben, wobei Coding als Beispiel genannt wird, das weniger wirklich parallelisierbare Subtasks hat als Recherche.

• Was es ist: ein Lead-Modell zerlegt die Aufgabe zur Laufzeit, delegiert die Teile an Worker und führt zusammen, was zurückkommt.
• Nutze es, wenn: die Subtasks unvorhersehbar sind, sich die Arbeit wirklich parallelisieren lässt und der Output ungefähr eine Grössenordnung mehr Tokens wert ist.
• Überspring es, wenn: jeder Worker denselben Kontext braucht oder die Subtasks voneinander abhängen. Anthropic nennt beides als die Bedingungen, unter denen multi-agent unterdurchschnittlich abschneidet.
• Was zuerst kaputtgeht: Kosten und Koordination. Bei etwa 15x den Tokens einer Chat-Runde ist das Debuggen eines kaputten Orchestrators selbst ein Budgetposten.

Evaluator-optimizer

Evaluator-optimizer setzt einen Generator und einen Kritiker in einen Loop: Ein Modell entwirft, ein zweites bewertet gegen ein Rubric, und der Entwurf wird überarbeitet, bis er besteht oder das Budget aufgebraucht ist. Anthropic und LangGraph nutzen beide den Namen evaluator-optimizer; die Ein-Modell-Variante ist das, was Andrew Ng reflection nennt, in seinem DeepLearning.AI-Brief definiert als das LLM, das seine eigene Arbeit prüft, um Wege zur Verbesserung zu finden. Deutlich mehr wert ist es, wenn der Evaluator gar kein Modell ist. Eine Testsuite, ein Type Checker oder ein Schema-Validator liefert ein hartes Bestanden oder Durchgefallen statt einer plausiblen Meinung, und genau deshalb ist dieses Pattern das Rückgrat eines agentic coding workflow. Der Fehler ist berühmt und vermeidbar: ohne Grenze und mit vagem Rubric schreibt das Paar denselben Absatz vierzigmal um, jede Version anders und keine besser.

draft = generate(task)

for attempt in range(MAX_ROUNDS):  # begrenzt, nie offen
    verdict = evaluate(draft)      # ein Rubric, ein Testlauf, ein Type Check
    if verdict.passes:
        break
    draft = generate(task, feedback=verdict.notes)

return draft, attempt  # logge die Rundenzahl: ein steigender Trend ist die Frühwarnung

• Was es ist: ein Loop aus Erzeugen, Kritisieren und Überarbeiten, der läuft, bis eine explizite Qualitätsschwelle erreicht oder ein Rundenlimit getroffen ist.
• Nutze es, wenn: Qualität messbar ist und der erste Entwurf verlässlich nah dran, aber nicht richtig ist, besonders wenn der Evaluator ein Test sein kann statt eines Modells.
• Überspring es, wenn: du das Rubric nicht aufschreiben kannst. Ein Evaluator ohne klare Kriterien produziert Leerlauf, der aussieht wie Fortschritt und kostet wie Fortschritt.
• Was zuerst kaputtgeht: der Loop, der nie terminiert. Begrenze die Runden, verlange eine Verbesserung des Scores, um eine weitere zu verdienen, und logge, wie viele Runden jeder Lauf gebraucht hat.

Der autonomous tool loop

Der autonomous tool loop ist das, was die meisten meinen, wenn sie Agent sagen: Das Modell bekommt Tools und ein Ziel, wählt, welches Tool es aufruft, liest das Ergebnis und entscheidet selbst, ob es ein weiteres aufruft oder aufhört. Er heisst auch ReAct, agent loop oder schlicht tool use, letzteres ist Andrew Ngs Name dafür. Anthropic definiert Agents als Systeme, in denen das Modell seine eigenen Prozesse und seine Tool-Nutzung dynamisch steuert, und genau das ist die Linie zwischen diesem Pattern und den sechs anderen. Es ist das einzige, bei dem du den Pfad nicht vorher kennst, und das ist zugleich der Sinn und der Preis: Anthropic berichtet, dass Agents etwa 4x mehr Tokens brauchen als Chat-Interaktionen, und warnt, dass agentische Systeme Latenz und Kosten gegen Task-Performance tauschen. Nutze ihn dort, wo du die Route nicht vorhersagen, das Ergebnis aber trotzdem prüfen kannst. Diesen Loop von Hand zu bauen behandelt unser Guide zum Bauen eines AI Agent von Grund auf, diese Seite bleibt also bei der Frage, wo er hingehört.

• Was es ist: ein Modell mit Tools, das in einem Loop läuft und seine nächste Aktion und seinen Stopp-Punkt selbst wählt.
• Nutze es, wenn: sich der Pfad nicht hart codieren lässt, weil er davon abhängt, was frühere Schritte herausfinden, und das Endergebnis trotzdem prüfbar ist.
• Überspring es, wenn: die Schritte vorher bekannt sind. Du zahlst dann rund 4x die Tokens und fügst Nichtdeterminismus hinzu, um zu reproduzieren, was eine geskriptete Kette schon korrekt macht.
• Was zuerst kaputtgeht: stilles Tool-Versagen. Ein Tool, das im Fehlerfall einen String zurückgibt, lässt das Modell den Fehler als Daten lesen und weitermachen, mach Fehler also typisiert und laut.

Human-in-the-loop checkpoint

Der human-in-the-loop checkpoint pausiert einen Lauf vor einer ausgewählten Aktion und wartet, bis eine Person sie freigibt, editiert oder ablehnt. Das ist ein echtes Pattern mit echten Primitives und kein Disclaimer: Das OpenAI Agents SDK listet human in the loop unter seinen eingebauten Mechanismen, um Menschen während Agent-Läufen einzubinden, und LangGraph implementiert es als Interrupt, dessen dokumentierter Zweck das Pausieren vor kritischen Aktionen ist, etwa API-Calls, Datenbankänderungen und Finanztransaktionen, mit der Option, die Argumente des Tool-Calls vor der Ausführung zu editieren. Diese Editier-Fähigkeit ist die unterschätzte Hälfte. Einen schlechten Call freizugeben ist ein Münzwurf; das Argument zu korrigieren und weiterzumachen macht aus dem Checkpoint ein Signal, das du zurück in den Prompt falten kannst. Der Failure Mode hier ist menschlich: Gate zu viele Aktionen, und der Reviewer fängt an, blind abzunicken, was schlimmer ist als gar kein Gate, weil es den Anschein von Aufsicht herstellt.

• Was es ist: eine explizite Pause vor einer ausgewählten Aktion, in der eine Person sie freigibt, ihre Argumente editiert oder sie ablehnt.
• Nutze es, wenn: die Aktion irreversibel, finanziell, kundenseitig oder schwer als falsch zu erkennen ist. Passe das Gate an die Kosten eines Fehlers an.
• Überspring es, wenn: die Aktion günstig, reversibel und hochvolumig ist. Ein Gate kauft dort nichts und trainiert den Reviewer darauf, ungelesen auf Freigeben zu klicken.
• Was zuerst kaputtgeht: blindes Abnicken. Gate wenige wirklich gefährliche Aktionen, zeige die exakten Argumente und lass den Reviewer den Call reparieren, statt ihn nur anzunehmen oder abzulehnen.

Agentic Workflow gegen einfache Automation

Hier ist der Test, und er dauert zehn Sekunden: Wenn die Schritte vorher bekannt sind und die Inputs strukturiert, ist es kein Agentic Workflow, und einen daraus zu machen kostet Geld und fügt Failure Modes hinzu. Anthropic zieht dieselbe Linie und definiert Workflows als Systeme, in denen Modelle und Tools über vordefinierte Codepfade orchestriert werden, und Agents als Systeme, in denen das Modell seinen eigenen Prozess dynamisch steuert. LangGraph formuliert es fast identisch. Das Google Agent Development Kit nennt seine Template-Workflow-Agents genau deshalb deterministisch und vorhersagbar, weil sie die Ausführungsreihenfolge festlegen, ohne ein Modell zu fragen. Die eigentliche Frage ist also nie, ob Agents gut sind. Sie lautet, ob die Entscheidung, die du einem Modell übergibst, überhaupt eine Entscheidung ist oder nur ein Branch, den du nicht schreiben wolltest. Agentic AI Workflow Automation verdient ihren Aufpreis erst, wenn der nächste Schritt davon abhängt, was ein früherer Schritt gefunden hat.

• Schritte vorher bekannt, Inputs strukturiert: nimm ein Skript, eine Queue oder ein Workflow-Automation-Tool. Nirgends darin wird ein Modell gebraucht.
• Schritte vorher bekannt, ein Schritt braucht Sprache oder Urteilsvermögen: nimm einen einfachen Workflow mit einem einzelnen Modellaufruf darin. Immer noch kein Agentic Workflow.
• Schritte hängen davon ab, was frühere Schritte herausfinden, und das Ergebnis ist prüfbar: Hier verdient ein Agentic Workflow seine Kosten.
• Schritte unvorhersehbar und das Ergebnis nicht prüfbar: automatisiere es noch nicht. Ein nicht prüfbarer autonomer Loop erzeugt nur selbstbewussten Output, den niemand kontrollieren kann.
• Kostencheck zuerst: Anthropic berichtet Agents mit etwa 4x den Tokens einer Chat-Interaktion und Multi-Agent-Systeme mit etwa 15x. Multipliziere mit deinem Volumen, bevor du dich festlegst.

Failure Modes und der passende Guardrail

AI Agentic Workflows scheitern auf fünf erkennbare Arten, und jede hat einen benannten Guardrail, der vor dem Launch günstig und nach einem Incident teuer nachzurüsten ist. Beachte, dass keine davon ein Problem der Modellqualität ist. Ein besseres Modell lässt jeden Fehler später eintreffen und dann mehr kosten, und deshalb bekommen Teams, die sich aus einem Incident heraus upgraden, ein Quartal später meist eine grössere Version davon. Guardrails sind heute dokumentiert statt improvisiert: Das OpenAI Agents SDK liefert Input- und Output-Guardrails aus, deren Tripwire sofort auslöst und den Lauf anhält, und Input-Guardrails können blockierend laufen, sodass ein schlechter Request abgelehnt wird, bevor Tokens ausgegeben werden. Wir behandeln diese Liste als Mindestmass in der Human-in-the-Loop-Lektion an der Agentic School.

• Loops, die nie terminieren: Begrenze jeden Loop mit einer maximalen Rundenzahl und verlange messbare Verbesserung, um eine weitere Runde zu verdienen. Ein unbegrenzter Retry ist die häufigste Ursache für eine überraschende Rechnung.
• Stille Tool-Fehler: Ein Tool, das einen Fehler-String zurückgibt, lässt das Modell das Scheitern als Daten lesen und weitermachen. Gib typisierte Fehler zurück und stoppe den Lauf bei denen, von denen er sich nicht erholen kann.
• Kostenexplosionen beim Retry: Deckle die Ausgaben pro Lauf, nicht nur pro Monat, und fail closed am Limit. Retry-Logik mal ein 15x Multi-Agent-Token-Profil ist der Weg, auf dem ein einzelner Testlauf ein Monatsbudget überholt.
• Kein Human-Checkpoint: Unterbrich vor irreversiblen Aktionen, was LangGraph speziell für API-Calls, Datenbankänderungen und Finanztransaktionen dokumentiert, und lass den Reviewer die Argumente editieren.
• Keine Möglichkeit, nachzuspielen, was passiert ist: Persistiere den Lauf. LangGraph Checkpointers speichern den Thread-State für Time Travel und Fehlertoleranz, und das OpenAI Agents SDK liefert Tracing zum Visualisieren, Debuggen und Überwachen von Workflows aus. Ohne das ist jede Incident-Review Rätselraten.

Die sieben agentic design patterns im Vergleich

Diese sieben lassen sich kombinieren, und die meisten agentic AI workflows in Produktion sind drei davon, zusammengesteckt. Jede Zeile unten trägt dieselben vier Dinge in derselben Reihenfolge: wer den Pfad kontrolliert, was es relativ zu einem einzelnen Aufruf kostet, worin es am besten ist und worauf du achten musst. Nichts hier ist neu; jeder Fakt steht im Abschnitt darüber.

• Prompt chaining: Pfad von deinem Code kontrolliert, ein Aufruf pro Schritt, am besten für Aufgaben, die du vorher zerlegen kannst, achte auf Fehler, die sich die Kette hinunter aufschaukeln.
• Routing: Pfad von einem Klassifikationsaufruf kontrolliert, ein günstiger Aufruf plus ein Handler, am besten für gemischte Input-Typen, achte auf stille Fehlklassifikation.
• Parallelization: Pfad von deinem Code kontrolliert, Kosten multipliziert mit dem Fan-out, am besten für unabhängige Subtasks oder Konsens-Abstimmungen, achte auf den Merge-Schritt und die Rechnung.
• Orchestrator-workers: Pfad von einem Lead-Modell zur Laufzeit kontrolliert, laut Anthropic etwa 15x eine Chat-Interaktion, am besten für hochwertige Arbeit, die sich parallelisieren lässt, achte auf Aufgaben mit geteiltem Kontext.
• Evaluator-optimizer: Pfad von einer Qualitätsschwelle kontrolliert, ein Aufruf pro Runde, am besten wenn Qualität messbar und idealerweise testbar ist, achte auf unbegrenzte Rewrite-Loops.
• Der autonomous tool loop: Pfad vom Modell kontrolliert, laut Anthropic etwa 4x eine Chat-Interaktion, am besten wenn die Route unvorhersehbar, das Ergebnis aber prüfbar ist, achte auf stille Tool-Fehler.
• Human-in-the-loop checkpoint: Pfad an einem Punkt von einer Person kontrolliert, in Tokens nahe null und in Wall-Clock-Zeit real, am besten vor irreversiblen Aktionen, achte auf blindes Abnicken.

Welches Agentic Workflow Pattern du nehmen solltest

Drei Dinge entscheiden es, und keines davon ist, welches Pattern am interessantesten ist. Erstens, wer den Pfad kontrollieren muss: Wenn du die Schritte benennen kannst, sollte dein Code sie besitzen und das Modell nur die Teile füllen, die Sprache brauchen. Zweitens, ob der Output prüfbar ist, denn ein Pattern, das du nicht kontrollieren kannst, ist ein Pattern, das du nicht sicher automatisieren kannst. Drittens, was dein Volumen mit dem Token-Multiplikator macht, denn ein Aufschlag von 4x oder 15x, der bei zehn Läufen pro Woche trivial ist, ist bei zehntausend ein Budgetposten.

Wenn du ein einzelner Gründer bist, der seinen eigenen Betrieb automatisiert, starte mit prompt chaining plus einem Human-Checkpoint auf allem, was Geld oder einen Kunden berührt, und füge routing erst hinzu, wenn du auf die Input-Typen zeigen kannst, die einen einzelnen Prompt immer wieder brechen. Wenn du einen agentic coding workflow baust, nimm den autonomous tool loop mit deiner Testsuite als Evaluator statt eines zweiten Modells, das Prosa bewertet, und begrenze die Runden. Wenn orchestrator-workers verlockend wirkt, warte, bis die Subtasks wirklich vorher unbekannt, wirklich parallel und ungefähr das Fünfzehnfache an Tokens wert sind, denn alles darunter läuft als Kette besser und günstiger.

Die Patterns oben, die Guardrails und die Builds, aus denen sie stammen, werden in den kostenlosen Kursen an der Agentic School von Anfang bis Ende unterrichtet.

Häufige Fragen

Weiterlernen