Erstellen Sie Ihren ersten KI-Agenten ohne Code

Letzten Monat nutzte ein Marketingmanager eines mittelgroßen SaaS-Unternehmens Claude und Zapier, um einen Agenten zu erstellen, der Kunden-Support-E-Mails filterte, nach Dringlichkeit sortierte und Antworten entwarf. Keine API-Aufrufe. Kein Python. Die gesamte Einrichtung dauerte sechs Stunden. Bis zur zweiten Woche bearbeitete er bereits 40 % des Eingangs. Das ist keine Automatisierungstheater – das ist ein echter Agent, der Arbeit verrichtet, für die sonst eine Einstellung nötig gewesen wäre.

Ein KI-Agent ist nicht ChatGPT mit einem längeren Gedächtnis. Es ist ein System, das seine Umgebung beobachten, entscheiden kann, was zu tun ist, handeln und aus dem Ergebnis lernen kann. Die meisten No-Code-Agenten-Builder verbergen diese Komplexität hinter Drag-and-Drop-Oberflächen, aber die zugrunde liegende Logik ist dieselbe: wahrnehmen → entscheiden → handeln → beobachten. Das Verständnis dieses Ablaufs trennt einen funktionierenden Agenten von einem defekten.

Diese Anleitung führt Sie durch den Aufbau eines solchen Agenten. Keine Theorie. Kein inspirierender Unsinn. Der tatsächliche Entscheidungsbaum, den Sie benötigen, die Plattformen, die für verschiedene Anwendungsfälle funktionieren, die Fehler, die die meisten ersten Agenten scheitern lassen, und ein tatsächlich funktionierendes Beispiel, das Sie heute kopieren können.

Was ein KI-Agent wirklich ist (und was nicht)

Beginnen Sie mit der Definition, die Ihnen Ihre Tools nicht geben werden. Ein Agent ist ein System, das:

• Eingaben empfängt (E-Mail, Formularübermittlung, Slack-Nachricht, Datenbankeintrag)
• Basierend auf dieser Eingabe entscheidet, was zu tun ist – einschließlich der Entscheidung, um Klärung zu bitten oder abzulehnen
• Eine Aktion ausführt, die extern zu ihm selbst ist (E-Mail senden, Ticket erstellen, Daten abrufen, Tabelle aktualisieren)
• Das Ergebnis beobachtet und seine nächste Aktion basierend auf dem Geschehen anpasst

Was es nicht ist: Ein Chatbot. Ein Chatbot beantwortet Fragen. Ein Agent erledigt Dinge. Wenn Sie in ChatGPT auf „Senden“ klicken, endet die Konversation. Wenn Sie einen Agenten bereitstellen, arbeitet er weiter, nachdem Sie Ihren Laptop geschlossen haben.

Die No-Code-Unterscheidung ist hier wichtig. Die meisten No-Code-Plattformen lassen Sie keine echten Agenten erstellen – sie lassen Sie Workflows mit bedingter Logik erstellen. Der Unterschied ist subtil, aber entscheidend. Ein Workflow sagt „wenn X, dann Y“. Ein Agent sagt „Angesichts von X, was soll ich tun, wie sicher bin ich mir, was passiert, wenn ich falsch liege, und was mache ich dann?“

Echte No-Code-Agenten existieren, sind aber seltener. Die meisten fallen in eine Grauzone: Sie sind leistungsfähig genug für Produktionsarbeiten, erfordern aber, dass Sie die zugrunde liegende Logik verstehen, nicht nur Knöpfe drücken.

Die drei Agentenarchitekturen, denen Sie begegnen werden

Bevor Sie eine Plattform auswählen, verstehen Sie die Struktur darunter. Jeder Agent, den Sie erstellen, folgt einem dieser Muster:

1. Routing-Agent (am einfachsten)

Entscheidung: „Zu welcher Kategorie gehört das und was ist der nächste Schritt?“

Der Agent liest die Eingabe, klassifiziert sie und leitet sie irgendwohin weiter. Eine Support-E-Mail wird als Abrechnung/technisch/Feedback kategorisiert und an die richtige Warteschlange gesendet. Ein Spesenbericht wird als Reise/Büro/Ausrüstung klassifiziert und löst den entsprechenden Genehmigungsprozess aus.

Warum er am einfachsten ist: Sie benötigen keine komplexe Entscheidungsfindung. Klassifizierung ist ein gelöstes Problem. Claude und GPT-4o sind brutal gut darin. Die meisten No-Code-Plattformen erledigen dies out-of-the-box.

Wann er fehlschlägt: Wenn die Ausgabe eine Logik erfordert, die über die Kategorisierung hinausgeht. „Diese E-Mail erwähnt mehrere Themen“ oder „die Antwort hängt von Daten ab, die ich zuerst abrufen muss.“

2. Retrieval-Agent (am häufigsten)

Entscheidung: „Ich benötige Informationen, um dies korrekt zu beantworten. Woher bekomme ich sie?“

Der Agent weiß, dass er Daten aus einer Datenbank, einer Wissensdatenbank oder einer API abrufen kann. Er entscheidet, was abgerufen werden soll, holt es und nutzt diese Informationen, um eine Aktion zu entscheiden. Ein Kunde fragt: „Wie viele Aufträge habe ich offen?“ Der Agent fragt Ihre Datenbank ab, erhält die Antwort und gibt sie zurück. Eine Supportanfrage benötigt Kontext – der Agent ruft die Kundengeschichte ab und nutzt sie, um eine bessere Antwort zu schreiben.

Warum er leistungsfähig ist: Der Agent lernt, wann er externe Informationen abfragen muss, nicht nur, wann er mit dem, was Sie ihm gegeben haben, handeln soll. Die meisten Agenten in der realen Welt benötigen dies. Sie sind nicht mehr auf die Trainingsdaten beschränkt, die in das Modell eingebettet sind.

Wann er fehlschlägt: Wenn der Abruf langsam ist oder die Datenbank unzuverlässig ist. Wenn Ihr Agent Daten abrufen muss, die manchmal nicht existieren, halluziniert er. Wenn der Abruf 30 Sekunden dauert, wartet Ihr Benutzer 30 Sekunden. Die Integrationskomplexität wächst schnell.

3. Tool-Use-Agent (am schwierigsten, am leistungsfähigsten)

Entscheidung: „Ich muss mehrere Aktionen nacheinander ausführen, um dies zu lösen. In welcher Reihenfolge?“

Der Agent ruft nicht nur ab oder klassifiziert. Er hat Zugriff auf mehrere Tools – E-Mail senden, Kalenderereignis erstellen, Daten abrufen, Eintrag aktualisieren, Slack-Nachricht senden – und entscheidet, welche er in welcher Reihenfolge verwendet. Er kann ein Ticket erstellen, Daten aus dem Ticket abrufen, eine Benachrichtigung senden und die Interaktion protokollieren, alles autonom.

Warum er wichtig ist: Hier werden Agenten für komplexe Arbeitsabläufe wirklich nützlich. Die meisten komplexen Geschäftsprozesse erfordern mehrere Schritte, mehrere Tools und Entscheidungen in jeder Phase.

Wann er fehlschlägt: Fast ständig, am Anfang. Der Agent muss Ihre Tools gut genug verstehen, um sie korrekt zu verwenden. Er muss Fehler von einem Tool behandeln, bevor er zum nächsten übergeht. Wenn ein Schritt fehlschlägt, zerfällt die gesamte Sequenz, es sei denn, Sie haben eine Fehlerbehandlung implementiert. Die meisten Fehler bei ersten Agenten passieren hier.

Plattformvergleich: Was für No-Code-Agenten funktioniert

Die ehrliche Einschätzung: Wenn Sie den schnellsten Weg zu einem funktionierenden Agenten wünschen, ist Dify die einzige Plattform, die Agenten als primäre Einheit konzipiert hat. Zapier und Make sind Workflow-Tools, die Agenten simulieren können – sie funktionieren, erfordern aber, dass Sie innerhalb ihrer Einschränkungen arbeiten. n8n ist flexibler, erfordert aber Komfort mit JSON und APIs. Bubble ist leistungsfähig, operiert aber in einem völlig anderen Paradigma.

Für Ihren ersten Agenten ist Dify oder Make die stärkste Wahl. Dify, wenn Sie echte Agentenlogik wünschen. Make, wenn Sie sich mit einem Dutzend Geschäftstools integrieren müssen und Agententheorie Ihnen egal ist.

Schritt für Schritt: Erstellen Sie Ihren ersten Routing-Agenten

Bauen wir etwas Reales. Ein Klassifizierer und Antwortgeber für Support-E-Mails mit Dify (kostenlose Stufe verfügbar, keine Kreditkarte erforderlich).

Das Szenario: Sie erhalten Support-E-Mails. Einige sind Abrechnungsprobleme (Rückerstattungsanfragen, Rechnungsfragen). Einige sind Produktfehler. Einige sind Funktionswünsche. Jedes erfordert eine andere Antwortvorlage und eine andere Bearbeitung. Derzeit sortieren Sie sie manuell. Wir automatisieren den ersten Schritt: Klassifizierung und automatische Antwort.

Schritt 1: Dify einrichten und einen neuen Agenten erstellen

• Gehen Sie zu dify.ai, melden Sie sich an, erstellen Sie einen Arbeitsbereich
• Klicken Sie auf „Neue App erstellen“ und wählen Sie „Agent“
• Nennen Sie ihn „Support-E-Mail-Klassifizierer“
• Wählen Sie Claude 3.5 Sonnet als Ihr Modell (es ist günstiger als Claude Opus und gut genug für die Klassifizierung)

Schritt 2: Definieren Sie die Aufgabe Ihres Agenten

Geben Sie im Feld für die Systemaufforderung ein:

Sie sind ein Klassifizierer für Kunden-Support-E-Mails. Ihre Aufgabe ist es:
1. Lesen Sie die eingehende E-Mail
2. Klassifizieren Sie sie als eine der folgenden: RECHNUNG, FEHLER, FUNKTIONSWUNSCH, SONSTIGES
3. Geben Sie eine kurze Antwort, die das Problem bestätigt

Regeln:
- Bei Abrechnung: Erwähnen Sie, dass sich jemand aus der Buchhaltung innerhalb von 24 Stunden meldet
- Bei Fehler: Bestätigen Sie den Fehler und bitten Sie um Schritte zur Reproduktion
- Bei Funktion: Bedanken Sie sich für den Vorschlag und sagen Sie, dass er protokolliert wurde
- Bei Sonstiges: Bitten Sie höflich um Klärung

Seien Sie immer professionell und einfühlsam. Halten Sie Antworten unter 100 Wörtern.

Ausgabeformat:
KLASSIFIZIERUNG: [Kategorie]
ANTWORT: [Ihr Antworttext]
KONFIDENZ: [hoch/mittel/niedrig]

Schritt 3: Eingabevariablen hinzufügen

Erstellen Sie eine Eingabevariable namens „email_body“. Hierher kommt der E-Mail-Text, wenn der Agent ausgeführt wird.

Schritt 4: Mit echten E-Mails testen

Fügen Sie im Testbereich tatsächliche Support-E-Mails ein, die Sie erhalten haben:

Test Eingabe 1:
„Hallo, mir wurde letzten Monat mein Abonnement doppelt abgebucht. Kann ich eine Rückerstattung erhalten?“

Erwartete Ausgabe:
KLASSIFIZIERUNG: RECHNUNG
ANTWORT: Vielen Dank für Ihre Kontaktaufnahme. Wir entschuldigen uns für die doppelte Abbuchung. Unser Abrechnungsteam wird Ihr Konto überprüfen und sich innerhalb von 24 Stunden mit einer Lösung bei Ihnen melden.
KONFIDENZ: hoch

Führen Sie ihn aus. Wenn die Klassifizierung korrekt ist und die Antwort angemessen ist, fahren Sie mit Schritt 5 fort. Wenn sie falsch ist, passen Sie die Systemaufforderung an – seien Sie spezifischer, was einen „Fehler“ im Vergleich zu „Sonstiges“ ausmacht, zum Beispiel.

Schritt 5: Mit Ihrer E-Mail verbinden

Hier wird No-Code real. Sie müssen den Agenten mit Ihrem E-Mail-System verbinden, damit er automatisch eingehende E-Mails empfängt. Ihre Optionen:

• Zapier + Gmail: Erstellen Sie eine Zapier-Automatisierung, die ausgelöst wird, wenn eine neue E-Mail unter einem bestimmten Label eintrifft, senden Sie den E-Mail-Text über einen Webhook an Ihren Dify-Agenten und speichern Sie die Antwort in einer Google-Tabelle oder senden Sie sie als Entwurf zurück
• n8n + beliebige E-Mail: Flexibler, erfordert aber mehr Einrichtung
• Manuell für MVP: Kopieren und fügen Sie E-Mails für die erste Woche manuell in Dify ein. Ernsthaft. Das ist in Ordnung und ermöglicht es Ihnen, die Funktionsweise des Agenten zu validieren, bevor Sie ihn mit Ihrem E-Mail-System integrieren

Für Ihren ersten Agenten empfehle ich eine Woche lang manuelles Testen. Bis zur zweiten Woche werden Sie verstehen, was der Agent tatsächlich richtig und falsch macht, und Sie werden die Integration mit E-Mail vornehmen, sobald Sie wissen, dass die Klassifizierungsaufforderung solide ist. Dies erspart Ihnen den Bau von Integrationsleitungen um einen fehlerhaften Agenten.

Die drei Fehler, die erste Agenten zerstören

Fehler 1: Übermäßiges Vertrauen in das Modell

Sie erstellen einen Agenten, der im Test korrekt aussieht, stellen ihn bereit und beobachten, wie er mit echten Daten souverän falsche Antworten gibt. Dies geschieht, weil Ihre Testfälle zu ähnlich, zu sauber waren oder die Randfälle fehlten, die tatsächlich in der Produktion auftreten.

Korrektur: Beginnen Sie mit menschlicher Überprüfung. Lassen Sie jede Agentenentscheidung bei den ersten 50–100 Ausführungen von einem Menschen überprüfen. Das ist nicht für immer – Sie sammeln Daten darüber, wo der Agent versagt, und er wird versagen. Sobald Sie das Muster erkennen („Der Agent klassifiziert E-Mails mit mehreren Problemen zu 15 % falsch“), beheben Sie die Aufforderung oder den Workflow, anstatt nur zu hoffen, dass das Modell besser wird.

Fehler 2: Tool-Nutzung aufbauen, bevor das Routing funktioniert

Anfänger überspringen oft komplett den Routing-Agenten und springen zu „Ich möchte, dass mein Agent Daten abruft UND E-Mails sendet UND Tickets erstellt UND die Interaktion protokolliert“. Fünf Tools, komplexe Logik, ein Fehlerpunkt mitten in der Sequenz, und das Ganze zerfällt. Sie bauen drei Wochen lang und haben nichts Funktionierendes.

Korrektur: Beginnen Sie mit einem Routing-Agenten. Machen Sie diesen solide. Sobald er zwei Wochen lang sauber läuft, fügen Sie einen Abrufschritt hinzu. Sobald dieser stabil ist, fügen Sie Tools hinzu. Die Reihenfolge ist: klassifizieren → Daten abrufen → handeln. Nicht alles auf einmal.

Fehler 3: Nicht definieren, was „funktionieren“ bedeutet

Sie stellen den Agenten bereit. Nach einer Woche sind Sie sich nicht sicher, ob er hilft. Die Metriken sind vage („scheint schneller“) oder fehlen („Ich habe das Gefühl, es ist besser“). Sie können nicht verbessern, was Sie nicht messen.

Korrektur: Definieren Sie Erfolgskennzahlen, bevor Sie bereitstellen. Für den E-Mail-Klassifizierer: Genauigkeit der Klassifizierung (wie viel Prozent trifft er?), Antwortzeit (wie lange dauert es?), Rate der menschlichen Überschreibungen (wie oft ändert jemand die Klassifizierung des Agenten?), Ticketreduzierung (spart das tatsächlich Zeit?). Messen Sie wöchentlich für den ersten Monat. Sie brauchen Zahlen.

Wenn Sie bereit sind, einen echten Retrieval-Agenten zu erstellen

Sobald Ihr Routing-Agent stabil ist, besteht die nächste Stufe darin, ihm Zugriff auf Informationen zu geben. Hier werden Agenten wirklich leistungsfähig.

Das Muster: Eingabe → Abfrageentscheidung („Benötige ich externe Daten?“) → Abrufen → Entscheidung → Aktion

Beispiel: Ein Kundensupport-Agent, der eingehende E-Mails entgegennimmt, Ihre Wissensdatenbank nach relevanten Dokumenten durchsucht und diese verwendet, um bessere Antworten zu schreiben. Oder ein Vertriebsagent, der einen Lead entgegennimmt, Ihre CRM-Daten nach der Account-Historie durchsucht und entscheidet, welches Angebot vorgeschlagen werden soll.

Um dies zu erstellen, benötigen Sie:

• Eine Datenquelle: Wissensdatenbank (Notion, Confluence, benutzerdefinierte Datenbank), CRM (Salesforce, Pipedrive) oder jedes System, das Sie per API abfragen können
• Eine Abrufmethode: Vektor-Embeddings (semantische Suche) oder traditionelle Stichwortsuche. Vektorsuche ist genauer, erfordert aber Einrichtung. Stichwortsuche ist schneller, aber dümmer.
• Eine Möglichkeit, diese Daten an das LLM zu übergeben: Die meisten Plattformen erledigen dies automatisch – Sie sagen dem Agenten „Hier sind die abgerufenen Daten, entscheiden Sie jetzt, was zu tun ist“

In Dify können Sie dies hinzufügen, indem Sie einen „Knowledge“-Knoten erstellen – laden Sie PDFs, Dokumente hoch oder verbinden Sie sich mit einer externen Datenbank. Der Agent lernt, ihn bei Bedarf abzufragen. In Make oder Zapier machen Sie dies mit einem „Daten abrufen“-Schritt, den der Agent aufrufen kann.

Die Herausforderung: Sicherstellen, dass der Agent tatsächlich nützliche Informationen abruft und keinen Müll. Eine schlecht konfigurierte Vektorsuche liefert dem Agenten zuversichtlich irrelevante Daten, und er wird sie trotzdem verwenden. Sie müssen dies rücksichtslos testen und messen, bevor Sie sich in der Produktion darauf verlassen.

Tatsächlich funktionierendes Beispiel: Der E-Mail-Antworter + CRM-Abgleich

Erweitern wir den E-Mail-Klassifizierer. Wenn nun eine Kunden-Support-E-Mail eingeht, sollte der Agent:

1. Die E-Mail klassifizieren
2. Den Kunden anhand seiner E-Mail-Adresse in Ihrem CRM nachschlagen
3. Seine Historie (frühere Probleme, Abonnementstufe, Datum der letzten Interaktion) verwenden, um eine persönlichere Antwort zu schreiben
4. Die Antwort senden und im CRM protokollieren

Systemaufforderung für diesen Agenten:

Sie sind ein Kundensupport-Agent mit Zugriff auf ein CRM-System. Wenn Sie eine E-Mail erhalten:

1. Extrahieren Sie die E-Mail-Adresse des Kunden
2. Suchen Sie sein Konto im CRM
3. Klassifizieren Sie sein Problem (RECHNUNG, FEHLER, FUNKTIONSWUNSCH, SONSTIGES)
4. Schreiben Sie eine personalisierte Antwort, die:
   - Bei Bedarf auf seine Kontohistorie verweist
   - Seine Abonnementstufe berücksichtigt
   - Lösungen basierend auf seinen früheren Interaktionen vorschlägt

Seien Sie immer einfühlsam. Wenn Sie keine CRM-Daten haben, bestätigen Sie dies und geben Sie eine hilfreiche allgemeine Antwort.

Ausgabeformat:
KUNDEN_EMAIL: [E-Mail]
KLASSIFIZIERUNG: [Kategorie]
CRM_ABGLEICH_ERGEBNIS: [Zusammenfassung dessen, was Sie gefunden haben, oder „Konto nicht gefunden“]
ANTWORT: [Ihre personalisierte Antwort]
NÄCHSTER_SCHRITT: [im CRM protokollieren / an Abrechnung weiterleiten / Ticket schließen]

In Dify würden Sie einen „Tool“-Knoten hinzufügen, der sich mit Ihrer CRM-API verbindet (die meisten CRMs haben eine). Der Agent lernt, ihn automatisch aufzurufen. In Make/Zapier würden Sie einen „Suchen“-Schritt in Ihrer CRM-Aktion verwenden, der die Kunden-E-Mail übergibt.

Testen Sie dies mit 20 echten früheren Support-E-Mails. Messen Sie die Genauigkeit, die Antwortqualität und ob es Ihnen tatsächlich Zeit spart. Wenn es in Ihren Tests zu 80 % funktioniert, stellen Sie es für die erste Woche mit menschlicher Überprüfung jeder Antwort in die Produktion.

Messen und Iterieren: Die Agenten-Schleife

Die Bereitstellung ist nicht das Ende. Es ist der Anfang.

Richten Sie sofort eine Protokollierung ein. Jedes Mal, wenn der Agent ausgeführt wird, protokollieren Sie: Eingabe, Ausgabe, Klassifizierung, ob ein Mensch sie überschrieben hat und das tatsächliche Ergebnis. In Make oder Zapier protokollieren Sie in eine Google-Tabelle. In Dify exportieren Sie wöchentlich Analysen.

Nach zwei Wochen Produktionsdaten suchen Sie nach Mustern:

• Bei welchen Klassifizierungen liegt er falsch? (Passen Sie die Aufforderung für diese Kategorien an.)
• Wie viel Prozent der Ausgaben benötigen menschliche Korrekturen? (Ziel ist unter 5 % nach Iteration.)
• Gibt es häufige Randfälle, die Sie nicht berücksichtigt haben? (Fügen Sie sie Ihrem Testdatensatz hinzu.)
• Ist es tatsächlich schneller als die manuelle Ausführung? (Wenn nicht, warum nicht? Geschwindigkeit ist nicht die einzige Metrik, aber sie sollte eine sein.)

Aktualisieren Sie die Systemaufforderung des Agenten basierend auf Ihren Erkenntnissen. Stellen Sie ihn erneut bereit. Messen Sie erneut. Dieser Zyklus – bereitstellen, messen, verbessern, wiederholen – ist der einzige Weg, wie Agenten besser werden.

Die meisten ersten Agenten benötigen drei bis vier Iterationen, bevor sie wirklich nützlich sind. Bis zur dritten Iteration wissen Sie, was Sie tatsächlich vom Agenten benötigen, und können entsprechend aufbauen.

Ihr erster Schritt: Wählen Sie ein kleines Problem und legen Sie los

Nicht morgen. Nicht nächste Woche. Heute.

Finden Sie eine wiederkehrende Aufgabe, die Sie 15–30 Minuten pro Woche kostet. Nicht Ihre wichtigste Arbeit. Nichts, was jedes Mal eine perfekte Ausgabe erfordert. Etwas, das größtenteils Routine mit gelegentlichen Ausnahmen ist.

Beispiele, die für erste Agenten gut funktionieren: E-Mail-Triage, Lead-Qualifizierung, Spesenkategorisierung, Weiterleitung von Helpdesk-Tickets, Zusammenfassung von Besprechungsnotizen, Validierung von Dateneingaben.

Erstellen Sie sofort ein Dify-Konto (fünf Minuten). Erstellen Sie einen Routing-Agenten für diese eine Aufgabe (zwei Stunden, vielleicht drei). Führen Sie ihn eine Woche lang manuell aus, testen Sie mit echten Daten. Messen Sie, wie oft er richtig liegt.

Wenn er zu 80 % oder besser genau ist, integrieren Sie ihn in Ihren tatsächlichen Workflow. Wenn er unter 80 % liegt, passen Sie die Aufforderung an und testen Sie erneut. Überkonstruieren Sie nicht. Warten Sie nicht auf Perfektion. Bringen Sie ihn auf „nützlich“ und iterieren Sie von dort aus.

Das ist ein funktionierender KI-Agent. Das ist der Anfang.