AI Systems

Fragt Praktiker, was in Agentensystemen kaputtgeht, und die Antwort ist selten die Leistungsfähigkeit. Das Versagen ist stiller: Das Modell trifft eine Entscheidung, und niemand kann verlässliches von bloß flüssigem unterscheiden.

Ein selbst gehosteter KI-Agent benötigt mehr als ein langes Kontextfenster. Er braucht eine Möglichkeit, nützliche Fakten beizubehalten, frühere Entscheidungen abzurufen und seine Kenntnis davon, was er weiß, zu revidieren, während sich Projekte weiterentwickeln.

Deep Research ist inzwischen eine eigene Softwarekategorie geworden, nicht mehr nur ein Modell, das auf ein Suchfeld angewiesen ist. Dieser Artikel vergleicht zwölf selbst gehostete Systeme und die dahinterliegenden Forschungsarchitekturen.

Mnemosyne ist ein lokal-firster Memory-Anbieter für Hermes Agent. Er speichert Arbeitsspeicher, strukturierte Fakten, temporale Daten und episodische Historie in lokalen SQLite-Datenbanken — ohne gehosteten Service, ohne obligatorische Netzwerkaufrufe und mit ungewöhnlich granularer Schreibsteuerung.

Persistente Speichersysteme verwandeln einen Agenten von einem Werkzeug, das stets neu erklärt werden muss, in ein System, das Kontext weiterträgt – doch sie eröffnen einen Fehlerzustand, dem stateless-Chats ausweichen: Eine Interpretation kann sich als Gedächtnis einprägen, als Tatsache abgerufen werden und eine stärkere Version ihrer selbst rechtfertigen.

Die Migration eines KI-Assistenten unterscheidet sich grundlegend vom einfachen Kopieren einer Anwendungs-Konfiguration. Die eigentliche Herausforderung besteht darin, Identität, Gedächtnis, Tool-Verhalten, geplante Aufgaben und den Messaging-Zugriff so zu erhalten, dass nicht zwei Gateways als derselbe Bot agieren.

Agent Skills und MCP-Server werden oft als konkurrierende Ansätze zur Erweiterung eines KI-Agenten dargestellt. Diese Einordnung ist falsch: Eine Skill lehrt den Agenten, wie er arbeitet, während ein MCP-Server ihm kontrollierten Zugriff auf live Funktionen gewährt.

Das Ausführen des Hermes-Agenten auf einem headless-Server bei gleichzeitiger Verbindung von einem Desktop-Client auf einer anderen Maschine erfordert zwei Serverprozesse und eine einzelne Client-Verbindung.

Die meisten AI-Agent-Demos verhalten sich immer noch wie Chat-Vervollständigungen mit zusätzlichen Schritten: Sie senden einen Prompt, warten einige Sekunden und erhalten die Antwort in einer einzigen Reaktion.

Einzelagenten-basierte KI-Systeme erreichten 2025 ihren Höhepunkt — man übertrug einem LLM einen Prompt, einige Tools und ein Ziel, und es erledigte abgegrenzte Aufgaben reasonably gut.

Googles Agent2Agent-Protokoll, meist als A2A abgekürzt, hatte ein seltsames erstes Jahr.

Polling-Agenten gehören zu den wenig glamourösen Aspekten der Architektur von KI-Assistenten, sind jedoch gleichzeitig eine der nützlichsten Komponenten.

Die Architektur von KI-Agenten beginnt sich in zwei Schichten zu gliedern.

Das A2A-Protokoll (Agent2Agent Protocol) ist ein offener Standard für die Kommunikation zwischen unabhängigen KI-Agenten-Systemen.

Speicher wandelt Assistenten von reaktiv in persistent um, aber genau dort verrotten auch viele Systeme still vor sich hin. Umfragen zeigen, dass die Trennung in Kurzzeit- und Langzeitgedächtnis für modernes Agenten-Gedächtnis nicht mehr ausreicht; OpenAI und LangGraph-SDKs deuten auf einen simpleren Stack hin — Arbeitsgedächtnis, dauerhafter Zustand und Abruf (Retrieval).

Ein produktionsreifes KI-Assistenzsystem ist nicht „ein LLM mit einem Prompt“. Es ist ein System, das Absicht akzeptiert, Zustand behält, entscheidet, wann es Informationen abrufen oder Aktionen ausführen soll, und genügend Laufzeitdetails offenlegt, um Fehlfunktionen zu debuggen.