Von ELIZA bis Agentic AI — Die Geschichte der Software-Agenten
Von ELIZA bis Agentic AI — Die Geschichte der Software-Agenten
Wie aus regelbasierten Chatbots autonome Systeme wurden — und warum der Harness entscheidet, nicht das Modell.
1. Was ist ein Agent? — Eine Definition, die 30 Jahre hält
1995 lieferten Michael Wooldridge und Nicholas Jennings eine Definition, die bis heute trägt: Ein intelligenter Agent ist ein System, das autonom handelt, sozial mit anderen Agenten oder Menschen interagiert, reaktiv auf Veränderungen in seiner Umgebung reagiert — und proaktiv auf Ziele hinarbeitet, ohne permanent angestoßen zu werden.
Ergänzt wird das durch den Dreiklang von Russell & Norvig: Perzeption → Kognition → Aktion. Der Agent nimmt seine Umgebung wahr, verarbeitet das Wahrgenommene und handelt. Klingt simpel. Die Crux steckt im mittleren Schritt — der Kognition. Denn genau dort scheiterten Agentensysteme jahrzehntelang.
2. Die Geschichte: Von regelbasiert zu lernend
1966 — ELIZA. Joseph Weizenbaum entwickelt an MIT das erste Programm, das natürlichsprachliche Eingaben verarbeitet. ELIZA erkennt Muster im Text und antwortet nach festen Vorlagen — ohne jedes Verständnis. Trotzdem werden Nutzerinnen emotional berührt. Das Programm offenbart eine frühe, unbehagliche Wahrheit: Menschen neigen dazu, Maschinen mehr Intelligenz zuzuschreiben als vorhanden.
ELIZA — das erste natürlichsprachliche Programm, entwickelt 1966 von Joseph Weizenbaum am MIT
1970–80er — Expertensysteme. Systeme wie MYCIN (Stanford, 1972) kodieren das Wissen menschlicher Experten in Wenn-Dann-Regeln. In engen Domänen funktionieren sie beeindruckend gut — MYCIN diagnoziert Infektionen auf Facharzt-Niveau. Doch das Wissen muss mühsam von Hand eingetragen werden, und außerhalb der definierten Grenzen versagen die Systeme vollständig.
1990er — BDI-Agenten & verteilte Systeme. Die BDI-Architektur (Belief-Desire-Intention) bringt erstmals echte Zielorientierung: Agenten haben Überzeugungen über die Welt, Wünsche als Ziele und Intentionen als aktive Pläne. Parallel entstehen verteilte Agentennetzwerke und erste Web-Crawler — Agenten, die autonom durch das entstehende Internet navigieren.
2000–2010er — Machine Learning übernimmt. Regelwerke weichen datengetriebenen Modellen. Empfehlungssysteme, Spam-Filter, Fraud-Detection — überall arbeiten nun Agenten, die aus Beispielen lernen statt aus handcodierten Regeln. Doch sie bleiben schmal: jeder Agent kann exakt eine Aufgabe.
3. Der Paradigmenwechsel: LLMs als Reasoning-Engine
Large Language Models brechen mit diesem Muster fundamental. Statt einer starren Aufgabe besitzen sie eine generelle Kognitionsschicht: Sie können lesen, schreiben, planen, Code produzieren, Fehler analysieren — alles auf Basis natürlicher Sprache.
Der entscheidende Schritt kam 2022 mit dem ReAct-Framework (Reasoning + Acting): Statt sequenziell erst zu planen und dann zu handeln, wechseln LLM-Agenten iterativ zwischen Denken und Handeln. Ein interner "Gedanke" formuliert das nächste Ziel, ein Werkzeugaufruf setzt ihn um, das Ergebnis fließt zurück in den nächsten Denkschritt. Dieser Kreislauf macht aus einem Sprachmodell einen echten Agenten.
Was sich fundamental geändert hat: Kognition ist nicht mehr domänenspezifisch hard-kodiert — sie entsteht durch Kontext, Instruktion und Werkzeuge. Der Agent wird formbar.
4. Anatomie eines modernen LLM-Agenten
Ein produktionsfähiger Agent besteht aus vier Schichten, die zusammenspielen:
Memory — vier Ebenen des Gedächtnisses
▸ Arbeitsgedächtnis — der aktive Kontext: was der Agent gerade weiß, die laufende Konversation, offene Zwischenergebnisse. Begrenzt durch das Kontextfenster des Modells.
▸ Episodisches Gedächtnis — Sitzungshistorien, vergangene Entscheidungen, Protokolle. Ermöglicht Kontinuität über mehrere Gespräche hinweg.
▸ Semantisches Gedächtnis — strukturiertes Wissen via Vectorstore und RAG (Retrieval-Augmented Generation). Dokumente, Handbücher, Wissensdatenbanken werden semantisch durchsuchbar und on-demand in den Kontext gezogen. Das Modell selbst muss kein Domänenwissen mehr enthalten — es wird zum Abruf-Zeitpunkt zugeführt.
▸ Prozedurales Gedächtnis — Skills: wiederverwendbare Instruktionsmodule, die dem Agenten beibringen, wie er bestimmte Aufgaben angeht. Best Practices, Firmenrichtlinien, Formatvorgaben — alles abgelegt als Skills, die situativ aktiviert werden.
Tools — die Hände des Agenten
Ein LLM allein kann nur Text erzeugen. Werkzeuge verwandeln ihn in einen Akteur:
▸ Shell & Dateisystem — Dateien lesen, schreiben, Code ausführen
▸ APIs — externe Dienste anbinden, Daten abfragen, Systeme steuern
▸ MCP-Server (Model Context Protocol) — standardisiertes Interface, das beliebige Dienste als Agenten-Werkzeuge verfügbar macht
Human in the Loop
Volle Autonomie ist nicht immer das Ziel — und oft auch nicht das Richtige. Ein gut designtes System definiert explizit, wann der Agent pausiert und menschliche Freigabe einholt: bei irreversiblen Aktionen, bei Unsicherheit, bei kritischen Ressourcenzugriffen. Human-in-the-Loop ist kein Sicherheitsnetz, sondern Designprinzip.
Der Agent Harness — die Infrastrukturschicht
Hier liegt der entscheidende Punkt, der in öffentlichen Diskussionen oft untergeht: Das Modell liefert Intelligenz. Der Harness macht sie produktionsfähig.
Ein Agent Harness ist die Infrastruktur, die ein LLM in einen kontrollierbaren, auditierbaren, sicheren Agenten verwandelt. Er verwaltet State und Kontext, regelt Werkzeugzugriffe, speichert Sitzungshistorien, setzt Berechtigungen durch — und definiert, wie der Agent mit seiner Umgebung interagiert.
Die wichtigsten Harness-Systeme im Überblick:
Claude Code (Anthropic) — Tief in Entwicklungsworkflows integrierter Harness, der eine TypeScript-basierte QueryEngine als einzigen Besitzer allen Sitzungs-States betreibt. Nativ auf agentic use cases ausgerichtet: Dateioperationen, Terminal, Git, Browser.
OpenClaw — Gestartet Ende 2025 als Wochenendprojekt, ist OpenClaw mit über 345.000 GitHub-Stars einer der am schnellsten gewachsenen Open-Source-Projekte im Agenten-Bereich. Community-getrieben, modell-agnostisch, hochgradig anpassbar.
Hermes Agent (Nous Research) — Setzt auf einen eingebauten Lernzyklus: Der Agent erstellt aus Erfahrung neue Skills, verbessert sie im Einsatz und baut über Sessions hinweg ein wachsendes Modell des Nutzers auf. Persistentes Gedächtnis als First-Class-Feature.
Pi — Vollständig offen, vollständig kontrollierbar. Für Teams, die ihren Harness selbst besitzen und nicht in die Infrastruktur eines Anbieters einschließen wollen.
5. Multi-Agenten-Systeme & Orchestrierung
Ein einzelner Agent — egal wie leistungsfähig — stößt an Grenzen. Komplexe Aufgaben erfordern Spezialisierung, parallele Arbeit und gegenseitige Kontrolle.
Warum ein Agent nicht genug ist
Spezialisierte Agenten schlagen Generalisten in ihrer Domäne konsistent. Ein Agent, der ausschließlich Code-Reviews macht, ist besser im Code-Review als ein Agent, der auch schreibt, plant und kommuniziert. Gleichzeitig erlaubt Parallelisierung dramatisch kürzere Durchlaufzeiten: Was ein Agent sequenziell bearbeiten würde, lösen zehn spezialisierte Agenten gleichzeitig.
Generatoren und Diskriminatoren
Ein bewährtes Muster: Generator-Agenten produzieren Ergebnisse, Diskriminator-Agenten prüfen, kritisieren und verwerfen sie. Die Spannung zwischen beiden erzeugt Qualität — ähnlich wie Code-Reviews oder Peer-Review in der Wissenschaft. Das System korrigiert sich selbst, ohne menschliche Intervention bei jedem Schritt.
Orchestrierungsschichten
Moderne Multi-Agenten-Systeme folgen organisatorischen Hierarchien: Teams → Abteilungen → Organisation. Ein Orchestrierungs-Layer gruppiert Agenten, regelt Kommunikation, verwaltet geteilte und private Workspaces und steuert das Reporting.
Das Muster ist nestbar: Ein Team-Agent kann selbst ein Orchestrator für seine Unteragenten sein. Stabstellen für Querschnittsaufgaben — Sicherheit, Logging, Compliance — lassen sich analog zur Unternehmensstruktur modellieren.
Sicherheit und Isolation
In produktiven Systemen ist Isolation kein optionales Feature. Agenten laufen in gekapselten Umgebungen (z.B. Docker-Container mit definierten Netzwerkregeln), greifen nur auf explizit freigegebene Ressourcen zu und operieren mit minimalen Berechtigungen. Alle Dokumente, Skripte und Ergebnisse werden per Git versioniert — jede Aktion ist nachvollziehbar, jeder Zustand wiederherstellbar.
Von ELIZA, die Muster in Sätzen suchte, bis zu Harness-Systemen, die Teams von spezialisierten LLM-Agenten koordinieren: Der Kern der Wooldridge-Jennings-Definition — autonom, sozial, reaktiv, proaktiv — gilt noch immer. Was sich geändert hat, ist die Tiefe, in der diese Eigenschaften heute realisierbar sind.
Das Modell ist das Gehirn. Der Harness ist das Nervensystem. Und Multi-Agenten-Systeme sind die Organisation dahinter.