Agentische KI vs. Generative KI: Die Neudefinition intelligenter Systeme

Agentische KI vs. Generative KI: Intelligente Systeme neu definiert

Künstliche Intelligenz entwickelt sich atemberaubend schnell, und zwei Paradigmen haben sich als dominante Kräfte herauskristallisiert, die die Zukunft prägen: Generative KI und Agentische KI. Obwohl beide auf Deep Learning und großen Sprachmodellen basieren, dienen sie grundlegend unterschiedlichen Zwecken. Generative KI zeichnet sich durch die Erstellung von Inhalten aus – Texte, Bilder, Code und Musik – basierend auf Mustern, die aus riesigen Datensätzen gelernt wurden. Agentische KI hingegen ist darauf ausgelegt, autonom zu handeln, Entscheidungen zu treffen, mehrstufige Aufgaben auszuführen und mit Umgebungen zu interagieren, um bestimmte Ziele zu erreichen.

Dieser Artikel bietet einen praktischen, technischen Vergleich dieser beiden Ansätze. Wir werden ihre Kernunterschiede untersuchen, eine konkrete Installation und Konfiguration eines populären generativen KI-Modells durchgehen und dann demonstrieren, wie man mit Open-Source-Tools ein einfaches agentisches System aufbaut. Am Ende werden Sie ein klares Verständnis dafür haben, wann Sie welches Paradigma einsetzen und wie Sie mit beiden beginnen können.

Die Kernkonzepte verstehen

Was ist Generative KI?

Generative KI bezieht sich auf Modelle, die die zugrundeliegende Verteilung der Trainingsdaten lernen und dann neue, ähnliche Daten generieren. Die bekanntesten Beispiele sind große Sprachmodelle (LLMs) wie GPT-4, Claude und Open-Source-Alternativen wie Llama und Mistral. Diese Modelle werden auf riesigen Textkorpora trainiert und können kohärente Absätze produzieren, Code schreiben, übersetzen und sogar Bilder oder Audio erstellen, wenn sie mit anderen Architekturen kombiniert werden (z. B. Diffusionsmodelle für Bilder).

Das Hauptmerkmal generativer KI ist ihre **output-zentrierte Natur**: Sie erhält eine Eingabeaufforderung und gibt eine generierte Antwort zurück. Sie plant nicht inhärent, denkt nicht über langfristige Konsequenzen nach oder handelt in der Welt. Sie ist ein mächtiges Werkzeug für Kreation, Zusammenfassung und Konversation, aber ihr fehlt Autonomie.

Was ist Agentische KI?

Agentische KI, manchmal auch als "KI-Agenten" oder "autonome Agenten" bezeichnet, erweitert generative Modelle um die Fähigkeit, **wahrzunehmen, zu denken, zu planen und zu handeln**. Ein agentisches System verwendet typischerweise ein LLM als sein "Gehirn", umhüllt es jedoch mit zusätzlichen Komponenten: einem Gedächtnissystem, einem Planungsmodul und einer Reihe von Werkzeugen oder APIs, die es aufrufen kann. Der Agent kann ein komplexes Ziel in Teilaufgaben zerlegen, diese der Reihe nach ausführen (z. B. das Internet durchsuchen, Code ausführen, eine E-Mail senden) und sich basierend auf Rückmeldungen anpassen.

Agentische KI ist **handlungsorientiert**. Sie generiert nicht nur Text; sie führt Aufgaben aus. Beispiele sind autonome Programmierassistenten, Forschungsagenten, die das Internet durchsuchen, um Fragen zu beantworten, und Systeme zur robotergestützten Prozessautomatisierung (RPA), die mit Softwareoberflächen interagieren.

Hauptunterschiede auf einen Blick

| Merkmal | Generative KI | Agentische KI | |------------------------|----------------------------------------|-------------------------------------------------| | Primäre Funktion | Inhalte generieren (Text, Bilder, Code)| Aktionen ausführen, Ziele erreichen | | Autonomie | Niedrig (benötigt Eingabeaufforderungen)| Hoch (plant und führt mehrstufige Aufgaben aus) | | Interaktionsmuster | Eingabeaufforderung → Antwort | Ziel → Plan → Aktionen → Rückmeldung → Anpassung| | Werkzeugnutzung | Selten (außer bei Feintuning) | Kernfunktion (APIs, Websuche, Codeausführung) | | Gedächtnis | Meist auf Kontextfenster beschränkt | Enthält oft persistentes Gedächtnis (Vektor-DB) | | Beispielanwendungen | Chatbots, Inhaltserstellung, Übersetzung| Forschungsassistenten, Automatisierung, Spielagenten|

Anforderungen für dieses Tutorial

Stellen Sie vor den praktischen Schritten sicher, dass Sie Folgendes haben:

• Ein modernes Linux-, macOS- oder Windows-System (WSL2) mit mindestens 8 GB RAM (16 GB empfohlen)
• Python 3.10 oder höher installiert (`python --version`)
• Eine funktionierende Internetverbindung
• Einen OpenAI-API-Schlüssel (für das generative KI-Beispiel) oder ein lokales Modell (z. B. mit Ollama)
• Grundlegende Vertrautheit mit der Kommandozeile und Python

Schritt-für-Schritt-Installation: Ein generatives KI-Modell einrichten

Wir verwenden **Ollama**, um ein lokales generatives KI-Modell auszuführen. Dies vermeidet API-Kosten und gibt uns die volle Kontrolle.

Schritt 1: Ollama installieren

Ollama ist ein Werkzeug, das die Ausführung lokaler LLMs vereinfacht. Installieren Sie es mit dem folgenden Befehl.

curl -fsSL https://ollama.com/install.sh | sh

Überprüfen Sie nach der Installation, ob es funktioniert.

ollama --version

Sie sollten eine Ausgabe wie `0.3.12` oder ähnlich sehen.

Schritt 2: Ein generatives KI-Modell herunterladen

Wir verwenden das Modell `mistral`, das leichtgewichtig ist und gute Leistung bietet.

ollama pull mistral

Dies lädt das Modell herunter (ca. 4,1 GB). Warten Sie auf den Abschluss.

Schritt 3: Das Modell über die Kommandozeile testen

Führen Sie eine schnelle Inferenz durch, um zu bestätigen, dass das Modell funktioniert.

ollama run mistral "Erklären Sie den Unterschied zwischen generativer und agentischer KI in einem Satz."

Sie sollten eine generierte Antwort sehen. Beenden Sie die interaktive Sitzung mit `/bye`.

Schritt 4: Das Modell programmatisch nutzen

Installieren Sie die Ollama-Python-Bibliothek, um das Modell in Ihren Code zu integrieren.

pip install ollama

Erstellen Sie nun ein einfaches Python-Skript (`gen_test.py`).

import ollama

response = ollama.chat(model='mistral', messages=[
    {'role': 'user', 'content': 'Was ist die Hauptstadt von Frankreich?'}
])

print(response['message']['content'])

Führen Sie es aus.

python gen_test.py

Erwartete Ausgabe: "Die Hauptstadt von Frankreich ist Paris." Dies ist reine generative KI: Auf eine Eingabeaufforderung hin wird eine generierte Antwort zurückgegeben.

Ein einfaches agentisches KI-System aufbauen

Jetzt bauen wir ein minimales agentisches System, das dasselbe LLM als Kern verwendet, aber um eine Planungsschleife und ein Werkzeug (Websuche) erweitert ist. Wir verwenden die Bibliothek `smolagents` von Hugging Face, die für Agenten entwickelt wurde.

Schritt 1: Erforderliche Bibliotheken installieren

pip install smolagents duckduckgo-search

`smolagents` stellt das Agenten-Framework bereit; `duckduckgo-search` bietet uns ein kostenloses Websuche-Werkzeug.

Schritt 2: Den Agenten konfigurieren

Erstellen Sie ein Python-Skript (`agent.py`) mit folgendem Inhalt.

from smolagents import CodeAgent, DuckDuckGoSearchTool, HfApiModel

# Initialisieren Sie ein Modell (Sie können dasselbe lokale Modell über Ollama verwenden, aber der Einfachheit halber verwenden wir einen HF-Endpunkt)
model = HfApiModel()  # Erfordert Internet und HF-Token, aber Sie können es durch ein Ollama-Modell ersetzen

# Definieren Sie den Agenten mit einem Suchwerkzeug
agent = CodeAgent(
    tools=[DuckDuckGoSearchTool()],
    model=model,
    max_steps=5,
    verbosity_level=2
)

# Führen Sie den Agenten für eine Aufgabe aus
agent.run("Finden Sie die neuesten Nachrichten über Agentische KI und fassen Sie sie in drei Aufzählungspunkten zusammen.")

Schritt 3: Den Agenten ausführen

Führen Sie das Skript aus.

python agent.py

Der Agent wird: 1. Das Ziel parsen: "Finden Sie die neuesten Nachrichten über Agentische KI..." 2. Eine Suchanfrage planen. 3. Das DuckDuckGo-Werkzeug verwenden, um Ergebnisse abzurufen. 4. Die Ergebnisse mit dem LLM zusammenfassen. 5. Eine endgültige Antwort zurückgeben.

Sie sollten Protokolle sehen, die jeden Schritt zeigen: `[Schritt 1: Suche...]`, `[Schritt 2: Zusammenfassung...]` usw.

Dies unterscheidet sich grundlegend von generativer KI – der Agent **handelt** (durchsucht das Web) und **passt** seinen Plan basierend auf dem, was er findet, an.

Anwendungsbeispiele: Generativ vs. Agentisch in der Praxis

Generatives KI-Beispiel: Inhaltserstellung

Verwenden Sie das lokale Modell, um eine Blog-Gliederung zu erstellen.

ollama run mistral "Schreiben Sie eine Dreipunkt-Gliederung für einen Artikel über KI-Agenten."

Ausgabe:

1. Einführung in KI-Agenten und ihre Fähigkeiten
2. Schlüsselkomponenten: Planung, Gedächtnis, Werkzeuge
3. Praxisbeispiele und zukünftige Entwicklungen

Dies ist eine einmalige Generierung – keine Iteration, keine externe Aktion.

Agentisches KI-Beispiel: Automatisierte Recherche

Lassen Sie uns nun den Agenten für eine tatsächliche Rechercheaufgabe verwenden.

Ändern Sie `agent.py`, um eine Rechercheaufgabe auszuführen.

agent.run("Recherchieren Sie die neuesten Fortschritte im Bereich Generative KI von NVIDIA und fassen Sie die wichtigsten Erkenntnisse zusammen.")

Der Agent wird:

• Das Internet nach aktuellen NVIDIA-KI-Blogbeiträgen durchsuchen (Quelle: developer.nvidia.com)
• Die Seiten besuchen (über Suchausschnitte)
• Eine Zusammenfassung mit dem LLM erstellen

Dies ist agentisch, weil es mehrere Schritte, Werkzeugnutzung und dynamische Planung umfasst.

Wann welches Paradigma verwendet werden sollte

Wählen Sie Generative KI, wenn:

• Sie schnelle, qualitativ hochwertige Inhaltsgenerierung benötigen (Chat, Schreiben, Code-Vervollständigung)
• Die Aufgabe klar definiert ist und keine mehrstufige Argumentation oder externe Daten erfordert
• Sie eine einfache, zustandslose Interaktion wünschen (Eingabeaufforderung → Antwort)

Wählen Sie Agentische KI, wenn:

• Die Aufgabe das Sammeln von Informationen aus mehreren Quellen erfordert (Web, Datenbanken, APIs)
• Sie eine Abfolge von Aktionen ausführen müssen (z. B. "Buchen Sie einen Flug und senden Sie dann eine Bestätigungs-E-Mail")
• Die Umgebung dynamisch ist und das System sich an wechselnde Bedingungen anpassen muss
• Sie ein persistentes Gedächtnis über Sitzungen hinweg benötigen

Fazit

Generative KI und Agentische KI repräsentieren zwei Seiten der Medaille intelligenter Systeme. Generative KI ist ein meisterhafter Handwerker, der aus einer einzigen Eingabeaufforderung wunderschöne Ergebnisse erzeugt. Agentische KI ist ein autonomer Arbeiter, der plant, handelt und lernt, um komplexe Ziele zu erreichen. Die leistungsfähigsten Systeme der Zukunft werden wahrscheinlich beide kombinieren: ein generatives Modell als argumentativen Kern, eingehüllt in ein agentisches Framework, das ihm Arme und Beine verleiht.

In diesem Artikel haben Sie die konzeptionellen Unterschiede kennengelernt, ein lokales generatives Modell (Mistral über Ollama) installiert und ausgeführt und einen einfachen Agenten mit `smolagents` gebaut. Sie haben jetzt die praktische Grundlage, um beide Paradigmen zu erkunden und zu entscheiden, welches für Ihr nächstes Projekt geeignet ist. Während NVIDIA, OpenAI, Microsoft und Anthropic weiterhin innovativ sind, wird die Grenze zwischen generativer und agentischer KI verschwimmen, aber das Verständnis ihrer jeweiligen Stärken wird Ihnen heute einen strategischen Vorteil verschaffen.