Wie ein Agent entscheidet, was er als Nächstes tut (Planning vs Reactive)

Wenn ein Agent eine Aufgabe bekommt, weiß er nicht im Voraus, welche Schritte zum Ergebnis führen.

Er bekommt keine Anweisung. Ihm wird keine Reihenfolge erklärt.

Er muss selbst entscheiden, was er als Nächstes tut.

Und hier gibt es zwei mögliche Ansätze.

Der Agent kann im Voraus einen Plan mit mehreren Schritten erstellen und ihm folgen.
Oder er kann situativ handeln und den nächsten Schritt direkt während der Arbeit wählen.

Beide Varianten können zum Ergebnis führen.

Aber sie funktionieren unterschiedlich.

Und genau davon hängt ab, wie sich der Agent verhält, wenn etwas nicht nach Plan läuft.

Planning: wenn der Agent vorausdenkt

Bei diesem Ansatz versucht der Agent zuerst zu verstehen, welche Schritte zum Ergebnis führen können.

Er bekommt eine Aufgabe und erstellt einen ungefähren Aktionsplan.

Zum Beispiel:

1. Benötigte Daten finden
2. Sie verarbeiten
3. Bericht erstellen
4. Ergebnis senden

Erst danach beginnt er, die Schritte nacheinander auszuführen.

Dieser Ansatz funktioniert gut, wenn:

• Die Aufgabe klar ist
• Die Daten verfügbar sind
• Und die Chance gering ist, dass etwas schiefgeht

Der Agent trifft nicht bei jedem Schritt eine neue Entscheidung.
Er folgt dem, was er vorher entschieden hat.

Reactive: wenn der Agent situativ handelt

Bei diesem Ansatz erstellt der Agent keinen Plan im Voraus.

Er schaut auf die aktuelle Situation und wählt den nächsten Schritt genau jetzt.

Zum Beispiel:

• Zuerst versucht er, Daten zu bekommen
• Wenn das nicht klappt, sucht er eine andere Quelle
• Wenn die Daten reichen, geht er zur Verarbeitung über

Das heißt, er entscheidet nicht den ganzen Weg auf einmal.

Er geht Schritt für Schritt und prüft ständig:

"Was hat sich nach der vorherigen Aktion verändert?"

Und darauf basierend wählt er die nächste.

Dieser Ansatz ist flexibler.

Wenn etwas nicht funktioniert, bricht der Agent nicht.
Er ändert einfach die Aktion.

Wie sie sich in der Praxis unterscheiden

Der Planning-Ansatz versucht den Weg im Voraus zu finden.
Der Reactive-Ansatz findet ihn während des Prozesses.

Im ersten Fall sagt der Agent:

"Das werde ich tun, um das Ergebnis zu erreichen."

Im zweiten:

"Ich mache das und schaue, was sich ändert."

Planning kann schneller sein, wenn alles nach Plan läuft.

Aber wenn etwas schiefläuft, kann der Plan zusammenbrechen.
Dann muss der Agent ihn neu aufbauen.

Reactive arbeitet langsamer.

Dafür passt es sich besser an Veränderungen an.

Es erwartet nicht, dass alles beim ersten Versuch funktioniert.

Und genau deshalb bewegt es sich oft weiter, wo ein Plan stehen bleibt.

Im Code sieht das so aus

Unten steht dasselbe Prinzip in einfachem Format:
Planning erstellt zuerst einen Plan, während Reactive nach jedem Ergebnis den nächsten Schritt wählt.

Zuerst haben wir Aktionen (Tools), die der Agent ausführen kann:

def search_docs(state: dict):
    return {"notes": "docs-found"}


def call_api(state: dict):
    return {"api_data": "fresh-data"}


def write_report(state: dict):
    return {"report": "ready"}


TOOLS = {
    "search_docs": search_docs,
    "call_api": call_api,
    "write_report": write_report,
}


def run_action(action: str, state: dict):
    return TOOLS[action](state)

1) Planning: zuerst planen, dann ausführen

Hier entscheidet der Agent den kompletten Ablauf im Voraus:

state = {}
plan = ["search_docs", "call_api", "write_report"]

for action in plan:
    result = run_action(action, state)
    state.update(result)

# state -> {"notes": "...", "api_data": "...", "report": "ready"}

2) Reactive: Schritt für Schritt nach Situation

Hier schaut der Agent nach jedem Schritt auf den Zustand und entscheidet, was als Nächstes zu tun ist:

def choose_next_action(state: dict):
    if "notes" not in state:
        return "search_docs"
    if "api_data" not in state:
        return "call_api"
    if "report" not in state:
        return "write_report"
    return None


state = {}

while True:
    action = choose_next_action(state)
    if action is None:
        break

    result = run_action(action, state)
    state.update(result)

# state -> {"notes": "...", "api_data": "...", "report": "ready"}

In diesem Beispiel liefern beide Ansätze ein Ergebnis.
Der Unterschied liegt darin, wann die Entscheidung über den nächsten Schritt getroffen wird.

Analogie aus dem Alltag

Stell dir vor, du fährst in eine neue Stadt.

Du kannst:

• Im Voraus eine Route planen
• Oder dich situativ orientieren

Planning ist, wenn du die Karte öffnest und den Weg bis zum Ende planst.

Du weißt:

• Wo du abbiegst
• Wo du stoppst
• Wie du eine Brücke umgehst

Und folgst einfach dem Plan.

Aber wenn die Straße gesperrt ist, musst du anhalten und die Route neu planen.

Reactive ist, wenn du ohne vollständigen Plan fährst.

Du siehst Stau und biegst ab.
Du findest eine Straße nicht und nimmst eine andere.

Du kennst den ganzen Weg nicht im Voraus.

Aber du kannst die Richtung schnell ändern, wenn etwas schiefläuft.

Genauso ist es beim Agenten.

Er kann:

• Entweder einen Plan erstellen
• Oder auf die Situation reagieren

Und wählt den Ansatz je nach Aufgabe.

Was das in der Praxis bedeutet

Planning funktioniert gut, wenn:

• Die Aufgabe klar ist
• Die Umgebung stabil ist
• Und die Chance gering ist, dass sich etwas ändert

Reactive passt besser, wenn:

• Daten unvollständig sein können
• Tools manchmal nicht funktionieren
• Oder sich die Situation während der Arbeit verändert

In realen Systemen kombiniert ein Agent oft beide Ansätze.

Er kann einen groben Plan erstellen, aber reagieren, wenn etwas davon abweicht.

Und genau das entscheidet, ob er nach dem ersten Fehler stoppt oder einen anderen Weg zum Ergebnis findet.

Kurz

FAQ

Q: Plant ein KI-Agent alle Schritte im Voraus?
A: Nicht immer. Er kann einen Plan erstellen oder die nächste Aktion direkt während der Arbeit wählen.

Q: Was ist besser: Planning oder Reactive?
A: Planning ist in stabiler Umgebung schneller, Reactive funktioniert besser, wenn sich die Situation ändert.

Q: Nutzt ein Agent nur einen Ansatz?
A: In realen Aufgaben kombiniert ein Agent häufig Planning und Reactive je nach Situation.

Was als Nächstes

Jetzt weißt du, wie ein Agent Aktionen auswählt.

Aber selbst der beste Ansatz garantiert nicht, dass er immer die richtige Wahl trifft.

Warum?

Weil ein Agent auf einem Modell basiert und ein Modell Grenzen hat.

Und genau deswegen kann ein Agent:

• Fehler machen
• Wichtiges übersehen
• Oder das falsche Tool wählen