Workflows gegen Agenten: Wer sollte den nächsten Forschungsschritt wählen?
Workflows gegenüber Agenten für Forschung: Wann sollte der Weg fest programmiert werden und wann sollte das Modell die nächste Suche auswählen – mit einem Design für LangGraph- und Anthropic-Web-Tools.
Quellen: Workflows vs. Agents: Who Should Choose the Next Step?
Ein Forschungsagent kommt auf den Satz „LangGraph unterstützt eine zuverlässige Ausführung“, setzt ein Kästchen in einer Vergleichstabelle und empfiehlt das Framework. Man veröffentlicht eine lokale Anwendung – der Prozess stirbt ab und nichts setzt sich fort. Was ist schiefgelaufen?
Eine Bedingung wurde übersprungen. „Unterstützt Persistenz“ bedeutet nicht dasselbe wie „Persistenz ist in dieser Anwendung implementiert“. Ein nützlicher Marktanalyse-Agent sollte diese Lücke erkennen, über die Eigenschaftsbezeichnungen hinauslesen und manchmal seine nächste Frage anhand dessen ändern, was er findet.
Zu Beginn dieser Serie stand der Laufzeitumgebung selbst im Fokus. Hier geht es darum, wie viel Freiheit das Modell innerhalb dieser Laufzeitumgebung hat.
Zwei Möglichkeiten, denselben Auftrag zu untersuchen
Nehmen wir an, der Auftrag fragt nach dem Verhältnis zwischen LangGraph und Deep Agents sowie danach, was ein Python-Forschungsdienst für eine Wiederherstellung nach Neustart benötigt – und zwar ausschließlich unter Verwendung der offiziellen Dokumentation.
Ein Ansatz ist ein fester Prozess. Sie liefern die richtigen Seiten, extrahieren die wichtigsten Aussagen, vergleichen deren Einschränkungen und erstellen einen zitierten Überblick. Das ist ein Workflow.
Der andere Ansatz lässt das Modell den nächsten Schritt wählen. Es sucht, öffnet eine Seite, bemerkt eine fehlende Bedingung und entscheidet, worauf es sich als Nächstes konzentrieren soll. Das ist ein Agent.
Sowohl Ansätze können Modelle, Tools, Unterabläufe und Wiederholungen nutzen. Der eigentliche Unterschied liegt darin, wer den Weg bestimmt. LangGraphs Erläuterungen zu Workflows und Agenten ziehen diese Grenze klar.
Eine praktische Faustregel:
- Dokumente und Schritte sind bereits bekannt: Wählen Sie einen Workflow.
- Nützliche Quellen tauchen erst während der Recherche auf: Versuchen Sie einen begrenzten Agenten.
- Die Lieferung muss vorhersehbar sein, die Untersuchung nicht unbedingt: Kombinieren Sie beides.
Dieses Projekt fällt in die dritte Kategorie.
Wenn eine Erkenntnis die Frage neu formuliert
Auf den ersten Blick wirkt der Überblick wie ein Wettbewerb zwischen Frameworks. Die Übersicht zu Deep Agents zeigt jedoch, dass Deep Agents auf dem LangGraph-Runtime läuft. Die Untersuchung ändert damit ihre Richtung.
Alte Frage: Welches Framework gewinnt?
Neue Erkenntnis: Sie befinden sich in verschiedenen Ebenen.
Bessere Frage: Welche Aufgaben gehören zur Anwendung selbst und welche zu einer höheren Ebene?
Auch die Persistenz erfordert gleiche Sorgfalt. Die Dokumentation beschreibt die Einrichtung von Checkpointern sowie die Thread-Identität für lokale Graphen. Zudem werden In-Memory-Speicher von datenbankbasierten Speichern unterschieden, wobei darauf hingewiesen wird, dass der Agent Server die Persistenzinfrastruktur eigenständig verwaltet. Siehe Abschnitte „Persistenz“ und „Checkpointer“.
Eine nützliche Antwort berücksichtigt diese Bedingungen. Ein Häkchen in einer Funktionsliste tut das nicht. Alles, was folgt, stammt aus der direkten Lektüre der Dokumentation und nicht aus einer aufgezeichneten Agenten-Transkription.
Form des Systems: Workflow, der einen Forscher umschließt
Die Anwendung bestimmt den Auftrag, die zulässigen Quellen, die Obergrenzen für Anfragen sowie die Handhabung der Ausgaben. Innerhalb dieser Struktur wählt das Modell Suchanfragen und Dokumente aus. Die Untersuchung bleibt flexibel; die Lieferung bleibt klar definiert.
Beteiligte Komponenten:
- LangGraph führt die äußeren Schritte der Anwendung aus.
- Das Anthropic SDK stellt dem Modell eingebaute Tools für Web-Suchen und -Abfragen zur Verfügung.
- Ein gespeichertes Audit protokolliert Quellen, Zitierungen, Nutzung sowie Fehler der Tools.
Ein einziger Aufruf beim Anbieter kann mehrere Such- und Lesevorgänge umfassen. LangGraph steuert den gesamten Prozess; es erfindet nicht jede Abfrage. Ein einzelner Forscher kann die Grenzen leicht überprüfen. Deep Agents können warten, bis mehr Kontextverwaltung und Delegation erforderlich sind. Der Wechsel des Anbieters würde außerdem eine Neuverfassung der Tools- und Zitierverträge bedeuten.
Die Suche findet Seiten; das Abrufen liest sie
Die Anfrage stellt beide Werkzeuge zur Verfügung:
tools = [
{
"type": "web_search_20250305",
"name": "web_search",
"max_uses": 3,
},
{
"type": "web_fetch_20250910",
"name": "web_fetch",
"max_uses": 4,
"max_content_tokens": 6000,
"citations": {"enabled": True},
},
]
Diese Definitionen stammen aus dem Begleitcode und bilden kein vollständiges Programm. Das von Ihnen ausgewählte Modell muss die dokumentierten Tool-Versionen unterstützen. Anthropic dokumentiert beide Tools unter „Agents“ und „Tools“ auf seiner Entwicklerseite; dort finden Sie die aktuellen Spezifikationen für Such- und Abruffunktionen.
Drei Einschränkungen prägen das Design.
- Die Obergrenzen gelten pro Anfrage. Es sind maximal zwei SDK-Aufrufe zulässig, einschließlich einer fortgesetzten Anfrage nach einer Pause, und SDK-Neuversuche sind ausgeschlossen.
- Citations beim Abruf werden absichtlich aktiviert, damit auch die ursprünglichen Zitierungsdaten erhalten bleiben, nicht nur der Text der Antwort.
- Ein HTTP 200 ist kein Beweis für die Verfügbarkeit der Informationen. Die API kann erfolgreich sein, während der darin enthaltene Abruf fehlschlägt; daher müssen auch die Ergebnisblöcke der Tools überprüft werden.
Diese Obergrenzen begrenzen die Anzahl der Anfragen sowie der genutzten Tools. Sie stellen weder eine Ausgabenobergrenze noch einen festen Zeitrahmen dar.
Citations können trotzdem helfen
Stellen Sie sich einen Bericht vor, der behauptet, die App werde nach einem Absturz automatisch wiederhergestellt, und dabei auf eine Seite über konfigurierbare Persistenz verweist. Der Link ist echt. Die Behauptung geht über die vorhandenen Beweise hinaus.
Bei einer grundlegenden Überprüfung werden vier Ja/Nein-Fragen gestellt: Hat das Modell normal abgeschlossen? Hat es mindestens ein Dokument abgerufen? Hat es Antworttext zurückgegeben? Enthält die endgültige Antwort native Quellenangaben? Ein Bestehen ergibt needs_review. Ein Scheitern bei einer erforderlichen Überprüfung ergibt incomplete.
Auch keine dieser Bezeichnungen bedeutet, dass die Behauptungen wahr sind. Die Quellenangaben können auf Indizes und Passagenpositionen verweisen anstelle von URLs, und das Prototyp speichert diese Einträge, ohne herauszufinden, wie sie zugeordnet werden.
Eine nützliche Gewohnheit bei der Überprüfung: Wählen Sie eine wesentliche Behauptung aus und öffnen Sie deren Quelle. Welche Bedingung, Ausnahme oder Einschränkung könnte die Empfehlung ändern?
Erhöhen Sie die Komplexität nur dann, wenn Sie den Nutzen messen können
Lange Untersuchungen könnten ein selektives Laden des Kontexts, kompakte Notizen oder separate Forscher für unabhängige Zweige erfordern. Diese Ideen tauchen in Anthropics Beiträgen zur Komprimierung des Kontexts für Agenten sowie zu mehragentigen Forschungssystemen auf. Für diese App handelt es sich dabei um Optionen zur Bewertung, nicht um Standard-Upgrades.
Vier Überprüfungen bilden eine angemessene erste Hürde:
- Erklärt es das Verhältnis zwischen LangGraph und Deep Agents?
- Bleiben die Bedingungen für eine Wiederherstellung nach Neustart erhalten?
- Erkennet es Fehlschläge bei der Abrufung von Dokumenten?
- Gibt es zu, dass allein Dokumente nicht die günstigste Implementierungsvariante bestimmen können?
Setzen Sie den Workflow für die Bereitstellung von Dokumenten neben die modellgesteuerte Suche. Halten Sie das Modell sowie die Anforderungen an die Antworten konstant, geben Sie klar an, welche Quellen jede Seite einsehen darf, und protokollieren Sie die tatsächliche Nutzung. Bewerten Sie die unterstützten Erkenntnisse, fehlende Bedingungen sowie ehrliche Unsicherheiten – und nicht nur die Anzahl der Zitate.
Der aktuelle Stand: Zehn Integrationstests bestehen mit dem echten SDK und dem LangGraph-Runtime unter Verwendung von emulierten HTTP-Anfragen. Ein Live-API-Test wurde bisher noch nicht durchgeführt, da keine Zugangsdaten festgelegt wurden; daher liegen keine Werte zu Qualität, Latenz oder Kosten vor.
Zukünftige Schritte
Es gibt nun ein Design, das getestet werden sollte: ein Forscher, der Spuren verfolgen kann und in Software eingebettet ist, die eine überprüfbare Spur hinterlässt. Das nächste Problem tritt auf, wenn der Prozess auf halbem Weg abbricht. Gespeicherte Antwortdateien helfen dabei, herauszufinden, was passiert ist; sie starten den Prozess jedoch nicht erneut. Der folgende Teil fügt einen dauerhaften Ausführungszustand hinzu und prüft die Wiederherstellung in einem neuen Prozess, wobei weiterhin diese Web-Forschungsanwendung verwendet wird.
Verwandte Artikel
- 10 KI-Agent-Frameworks, die man 2026 kennen sollte: LangGraph, CrewAI und mehr — Zehn Agent-Frameworks, sortiert nach ihrer Art der Koordination der Agenten, mit Vor- und Nachteilen, besten Anwendungsfällen sowie einer Entscheidungshilfe zur Auswahl für Ihr Team.