Agente-KI für Anfänger, Teil 2: Die Wahl des Frameworks

Ein praxisorientierter Leitfaden zu LangChain, CrewAI, AutoGPT und den anderen

Lesezeit: 15 Minuten | Schwierigkeitsgrad: Anfänger bis Fortgeschrittene

---

In Teil 1 haben wir gelernt, was KI-Agenten sind und wie sie funktionieren. Nun stellt sich die praktische Frage: Wie baut man eigentlich einen?

Die Antwort: Man wählt ein Framework aus.

Stell dir Frameworks wie Baukästen vor. Du könntest ein Haus bauen, indem du Bäume fällst und deine eigenen Nägel schmiedest. Oder du könntest vorgefertigte Materialien verwenden, die gut zusammenpassen. Frameworks sind diese vorgefertigten Materialien für KI-Agenten.

Das Problem? Es gibt SEHR VIELE davon. Und die Wahl des falschen Frameworks kann Monate Ihrer Zeit verschwenden.

Lassen Sie uns das ändern.

---

🗺️ Die Framework-Landschaft im Jahr 2025

Das müssen Sie wissen: Der Markt für Frameworks für agentische KI ist explodiert, aber es haben sich einige klare Marktführer herauskristallisiert.

Loading...

Die großen Sechs

Framework	Hersteller	Zusammenfassung in einem Satz
LangGraph	LangChain	Maximale Kontrolle für komplexe Systeme
CrewAI	João Moura	KI-Teams, die wie menschliche Organisationen arbeiten
AutoGPT	Toran Bruce Richards	Der Pionier, ideal zum Lernen
Microsoft AutoGen	Microsoft	Für Unternehmen geeignet, in Azure integriert
OpenAI Responses API	OpenAI	Verwaltete Einfachheit, minimaler Code
Claude SDK	Anthropic	Computersteuerung + MCP-Protokoll

Schauen wir uns jedes einzelne genauer an.

---

🔗 LangChain / LangGraph: Das Kraftpaket für den Produktionsbetrieb

Am besten geeignet für: Komplexe Unternehmenssysteme, die maximale Kontrolle erfordern

Das Versprechen: LangGraph behandelt Agenten-Workflows als Graphen – Knoten sind Aufgaben, Kanten sind Übergänge. Dies ermöglicht Ihnen chirurgische Präzision darüber, was genau wann geschieht.

Vorteile

• ✅ Über 700 Integrationen mit externen Diensten
• ✅ Praxiserprobt bei Klarna, Replit, LinkedIn, Elastic
• ✅ Hervorragende Debugging-Tools (LangSmith)
• ✅ Graphenbasierte Workflows = vollständige Kontrolle
• ✅ Ausfallsichere Ausführung (übersteht Ausfälle, setzt die Ausführung an Checkpoints fort)

Nachteile

• ❌ Steile Lernkurve – rechnen Sie mit 20–30 Stunden, bis Sie sich sicher im Umgang damit fühlen
• ❌ Selbst einfache Chatbots benötigen 100–200 Zeilen Code
• ❌ Kann für einfache Anwendungsfälle zu abstrakt wirken

Wann Sie sich für LangGraph entscheiden sollten

Sie entwickeln etwas Komplexes für die Produktion. Sie verfügen über erfahrene Python-Entwickler. Sie benötigen maximale Flexibilität und scheuen den Lernaufwand nicht.

Code-Beispiel

 Copy
from langgraph.graph import StateGraph

# Definieren Sie Ihren Workflow als Graph
workflow = StateGraph(AgentState)
workflow.add_node("research", research_node)
workflow.add_node("analyze", analyze_node)
workflow.add_node("write", write_node)
workflow.add_edge("research", "analyze")
workflow.add_edge("analyze", "write")

# Kompilieren und ausführen
app = workflow.compile()
result = app.invoke({"query": "Analyze market trends"})

---

👥 CrewAI: Sinnvolle KI-Teams

Am besten geeignet für: Multi-Agenten-Workflows, die die Arbeitsweise menschlicher Teams widerspiegeln

Das Konzept: Anstatt dass eine einzige KI alles erledigt, stellen Sie eine „Crew“ aus spezialisierten Agenten zusammen – einen Forscher, einen Analysten, einen Autor –, die wie ein echtes Team zusammenarbeiten.

Vorteile

• ✅ Schnellste Einrichtung aller gängigen Frameworks – funktionsfähige Systeme in wenigen Minuten
• ✅ Intuitives rollenbasiertes Design (Manager, Forscher, Autor...)
• ✅ 5,76-mal schneller als LangGraph bei bestimmten QA-Benchmarks
• ✅ YAML-basierte Konfiguration sorgt für Übersichtlichkeit
• ✅ Wird von PwC, IBM, Oracle und NVIDIA genutzt

Nachteile

• ❌ 2–3-mal höhere Kosten im Vergleich zu LangGraph (mehr LLM-Aufrufe)
• ❌ Geringere Flexibilität für stark angepasste Anwendungsfälle
• ❌ Debugging kann innerhalb von Tasks schwierig sein

Wann Sie sich für CrewAI entscheiden sollten

Ihr Workflow gliedert sich ganz natürlich in Rollen – Content-Pipelines, Forschungsteams, Kundensupport. Sie möchten schnell etwas zum Laufen bringen, ohne eine komplexe API erlernen zu müssen.

Code-Beispiel

 Copy
from crewai import Agent, Task, Crew

# Spezialisierte Agenten definieren
researcher = Agent(
    role="Market Researcher",
    goal="Find comprehensive market data",
    tools=[search_tool, scrape_tool]
)

analyst = Agent(
    role="Data Analyst", 
    goal="Analyze trends and create insights",
    tools=[python_tool]
)

# Crew erstellen
crew = Crew(
    agents=[researcher, analyst],
    tasks=[research_task, analysis_task],
    process="sequential"  # oder "hierarchical" mit einem Manager
)

result = crew.kickoff()

---

🤖 AutoGPT: Der Pionier

Am besten geeignet für: Lernen, Prototyping, einfache Automatisierung

Das Konzept: Die erste allgemein zugängliche Demo der autonomen Fähigkeiten von GPT-4. Gib ihm ein Ziel vor und beobachte, wie es herausfindet, wie es dieses erreichen kann.

Vorteile

• ✅ Über 180.000 GitHub-Sterne – das AI-Agent-Projekt mit den meisten Sternen aller Zeiten
• ✅ Visueller Agent-Builder (Drag-and-Drop)
• ✅ Ideal, um zu verstehen, wie Agenten funktionieren
• ✅ Aktive Community, viele Beispiele

Nachteile

• ❌ Nicht produktionsreif für unternehmenskritische Anwendungen
• ❌ Kann in Schleifen hängen bleiben oder vergessen, was es gerade tut
• ❌ Unvorhersehbare API-Kosten (rekursive Aufrufe summieren sich)

Wann Sie sich für AutoGPT entscheiden sollten

Sie lernen gerade etwas über Agentenarchitekturen. Sie möchten schnell einen Prototyp erstellen. Sie entwickeln einfache Automatisierungen, die keine unternehmensweite Zuverlässigkeit erfordern.

---

🏢 Microsoft AutoGen: Enterprise-Level

Am besten geeignet für: Microsoft-/Azure-Umgebungen, komplexe Multi-Agenten-Szenarien

Das Besondere: Ereignisgesteuerte Multi-Agenten-Architektur auf Basis des Akteurmodells. Agenten kommunizieren über Konversationen und ermöglichen so eine ausgefeilte Koordination.

Vorteile

• ✅ Tiefe Azure-Integration
• ✅ GroupChat für die Zusammenarbeit zwischen Agenten
• ✅ No-Code-GUI-Option (AutoGen Studio)
• ✅ Unterstützung mehrerer Sprachen (Python + .NET)

Nachteile

• ❌ Im Wandel – wird mit Semantic Kernel zu einem einheitlichen „Agent Framework“ zusammengeführt
• ❌ Azure-zentriert (weniger portabel auf AWS/GCP)
• ❌ Komplexe Einrichtung

Wann Sie sich für AutoGen entscheiden sollten

Sie arbeiten in einer Microsoft-Umgebung. Sie haben komplexe Multi-Agent-Szenarien. Sie wünschen sich native Azure-Integration und Unternehmenssupport.

---

✨ OpenAI Responses API: Verwaltete Einfachheit

Am besten geeignet für: Schnelles Prototyping, minimaler Codeaufwand, verwaltete Infrastruktur

Das Versprechen: OpenAI kümmert sich um die Komplexität – Konversationsverlauf, Tool-Orchestrierung, Zustandsverwaltung. Sie definieren einfach, was Sie wollen.

Vorteile

• ✅ Minimaler Codeaufwand
• ✅ Integrierte Tools (Code Interpreter, Dateisuche)
• ✅ Hervorragende Dokumentation
• ✅ Stets Zugriff auf die neuesten OpenAI-Modelle

Nachteile

• ❌ OpenAI-Lock-in
• ❌ Weniger anpassbar als offene Frameworks
• ❌ Hinweis: Die Assistants-API wird nicht mehr unterstützt (Migration zur Responses-API)

Wann Sie sich für OpenAI-APIs entscheiden sollten

Sie möchten, dass etwas schnell funktioniert. Sie haben kein Problem mit dem OpenAI-Lock-in. Sie legen mehr Wert auf eine verwaltete Infrastruktur als auf Flexibilität.

---

🧠 Anthropic Claude SDK: Computersteuerung + MCP

Am besten geeignet für: Programmieragenten, Computernutzung, Forschungsassistenten

Das Argument: Claude kann Computer buchstäblich steuern – Screenshots machen, den Cursor bewegen, auf Schaltflächen klicken. Außerdem entwickelt sich das Model Context Protocol (MCP) zum universellen Standard für die Konnektivität von Tools.

Vorteile

• ✅ Fähigkeit zur Computernutzung – Claude kann Software wie ein Mensch bedienen
• ✅ MCP-Protokoll wird zum Industriestandard (unterstützt von OpenAI, Google, Microsoft)
• ✅ Gleiche Infrastruktur wie bei Claude Code (modernster Programmieragent)
• ✅ Integrierte Websuche

Nachteile

• ❌ Neues Ökosystem (weniger ausgereift als LangChain)
• ❌ Computersteuerung noch in der Beta-Phase (Einschränkungen bei der Genauigkeit)
• ❌ Anthropic-spezifisch

Wann Sie sich für das Claude SDK entscheiden sollten

Sie entwickeln Programmierassistenten. Sie benötigen Funktionen zur Computersteuerung. Sie möchten auf MCP als zukünftigen Standard setzen.

---

⚡ Schnellentscheidungshilfe

<!-- INSERT VISUAL: part2-framework-decision-tree.svg -->

Sie wissen nicht, wo Sie anfangen sollen? Nutzen Sie dieses Flussdiagramm:

Ihre Situation	Beste Wahl
„Ich brauche maximale Kontrolle“	LangGraph
„Ich möchte intuitive KI-Teams“	CrewAI
„Ich lerne/prototypiere“	AutoGPT oder OpenAI API
„Ich arbeite in einer Microsoft-Umgebung“	AutoGen → Agent Framework
„Ich brauche Computersteuerung“	Claude SDK
„Ich möchte gesteuerte Einfachheit“	OpenAI Responses API

Die gute Nachricht: Die Standardisierung kommt

Zwei Entwicklungen machen die Wahl des Frameworks weniger endgültig:

1. MCP (Model Context Protocol) – Ein universeller Konnektor für KI-Tools. Einmal ein Tool erstellen, mit jedem Framework nutzen. Wird von allen übernommen.

2. A2A (Agent2Agent Protocol) – Ermöglicht die Zusammenarbeit von Agenten verschiedener Anbieter. Ihr CrewAI-Agent kann mit dem LangGraph-Agenten eines anderen Anbieters zusammenarbeiten.

Wählen Sie also das, womit Sie am schnellsten loslegen können. Sie können später jederzeit wechseln.

---

🎯 Die wichtigsten Erkenntnisse

1. Es gibt kein „bestes“ Framework – nur das beste Framework für Ihre Situation

2. LangGraph = Maximale Kontrolle, steile Lernkurve, produktionsreif

3. CrewAI = Schnellste Einrichtung, intuitive Teams, gut für rollenbasierte Workflows

4. AutoGPT = Hervorragend zum Lernen, nicht für den produktiven Einsatz

5. OpenAI/Anthropic-APIs = Verwaltete Einfachheit, weniger Flexibilität

6. Standardisierung (MCP, A2A) verringert die Bindung – wählen Sie, was jetzt funktioniert

---

🔜 Was kommt als Nächstes?

In Teil 3 werden wir uns eingehender damit befassen, wie Agenten Tools tatsächlich nutzen – die Mechanismen des Funktionsaufrufs, welche Tools verfügbar sind und welche Sicherheitsaspekte dabei eine Rolle spielen.

---

Navigation durch die Serie:

• Teil 1: Was ist Agentic AI?
• Teil 2: Auswahl Ihres Frameworks ← Sie befinden sich hier
• Teil 3: Wie Agenten Tools nutzen
• Teil 4: Auswirkungen in der Praxis & die Zukunft

Zuletzt aktualisiert: Dezember 2025