kurz erklärt

Deep Agents

KI-Agenten, die planen statt zu reagieren: Sie zerlegen Aufgaben, delegieren an Unteragenten und halten Zwischenstände extern.

Der Begriff „Deep Agents“ taucht seit 2025 als Gegenentwurf zu sogenannten „Shallow Agents“ auf — einfachen Reaktionsschleifen, bei denen ein Sprachmodell einen Prompt empfängt, ein Tool aufruft und das Ergebnis zurückgibt. Deep Agents gehen strukturell weiter: Sie trennen Planung von Ausführung, verwalten Zustand extern und koordinieren spezialisierte Unteragenten.

Vier Merkmale definieren das Konzept. Detailliertes Planen: Statt implizit im Chain-of-Thought zu planen, pflegt ein Deep Agent eine strukturierte Aufgabenliste, die er bei jedem Schritt aktualisiert. Hierarchische Delegation: Ein Orchestrator-Agent verteilt Teilaufgaben an spezialisierte Sub-Agenten für Suche, Code oder Analyse. Persistenter Speicher: Zwischenergebnisse landen nicht im Kontextfenster, sondern extern — in Dateien, Vektordatenbanken oder Notizstrukturen. Context Engineering: Systemprompte werden zum zentralen Steuerungsinstrument, oft tausende Token lang.

Einfache Agenten funktionieren gut bei 5–15 Schritten. Füllt sich das Kontextfenster, verlieren sie den Faden — Endlosschleifen, Halluzinationen, Fokusverlust. Deep Agents umgehen das strukturell: Weil Planung und Speicher außerhalb des LLM-Kontexts liegen, bleibt das Modell auch bei 500 Schritten steuerbar. Das macht sie geeignet für echte Wissensarbeit — tiefe Recherche, Codebasen-Analyse, mehrtägige Projektarbeit.

Claude Code (Anthropic), Cursor und vergleichbare Coding-Agenten folgen diesem Architekturmuster. LangChain veröffentlichte 2026 ein eigenes Open-Source-Framework für Deep Agents. Google Gemini Deep Research setzt dieselbe Logik für wissenschaftliche Recherche ein. Die gemeinsame Grundstruktur: ein übergeordneter Agent, der plant und kontrolliert, darunter spezialisierte Ausführungsschichten.

Deep Agents verschieben, was KI als Arbeitspartner leisten kann — nicht mehr Assistenz für Einzelschritte, sondern autonome Bearbeitung ganzer Arbeitspakete. Damit entstehen neue Fragen für Organisationen: Wie viel Kontrolle bleibt beim Menschen? Welche Aufgaben sind geeignet? Wann ist menschliche Verifikation nötig? Die Architektur ist verfügbar — die Governance-Fragen sind offen.