Von GoF zu KI-Agenten: Design Patterns für das Zeitalter der Agenten

Die KI-Entwicklung steckt oft in der „Spaghetti-Phase“: Monolithische Prompts und enge Kopplung erzeugen fragile Systeme. Doch das Rad muss nicht neu erfunden werden – 30 Jahre Software Engineering bieten die Lösung.

Dieser Vortrag verbindet klassische Architekturprinzipien mit modernen LLMs. Wir zeigen, wie GoF-Patterns Agentenlogik vom Modell entkoppeln und Provider-Agnostik ermöglichen. Mit Domain-Driven Design (DDD) zerlegen wir komplexe „God Agents“ in wartbare Worker. Schließlich nutzen wir bewährte Microservice-Patterns, um den Nicht-Determinismus der KI in Workflows zu beherrschen.

Transcript

1. Von GoF zu KI-Agenten Design Patterns für das Zeitalter der Agenten Mario-Leander Reimer mlr@qaware.de AI generated
2. Mario-Leander Reimer Managing Director | CTO @LeanderReimer #cloudnativenerd #qaware #gernperDude Legacy De-Risking Agentic Automation Make legacy systems and infrastructure gradually more understandable, reduce risks and modernise them sensibly. Boost productivity in your core business with AI agents – ensuring high compliance and deep integration. • Due Diligence: System and environment analysis with a concrete action plan to facilitate clear decision-making. • AI Portfolio Management: Identifying high-value use cases and linking them to data, compliance and architecture. • System transparency (Helix): Code and runtime analysis using experts and AI agents to accelerate re-engineering. • Team-as-a-Service: Measurable traction through 1 joint team, a 6-month duration and 1 business KPI. • Fixed-price guarantee: Incremental replacement or long-term reliability, with QAware retaining full responsibility for delivery. • A fully independent platform: Open-source agentic layer in the customer’s cloud, with no vendor lock-in. 2
3. Bessere Assistenzsysteme, Unterstützung und Prozessautomatisierung mit Agentic AI AI generated
4. Ein KI-Agent ist ein autonomes Softwaresystem, das nicht nur Fragen beantwortet, sondern selbstständig Ziele verfolgt, Entscheidungen trifft und Maßnahmen ergreift , um eine komplexe Aufgabe zu lösen. Es ermittelt das Ziel des Benutzers, erarbeitet den besten Weg , um dieses zu erreichen, interagiert mit seiner Umgebung und setzt hierfür Werkzeuge eigenständig ein. Im Idealfall meldet sich der Agent erst wieder beim Benutzer, wenn die Aufgabe erledigt ist.
5. Das Kern-Dilemma der KI Entwicklung Wir verlangen von probabilistischen Modellen deterministische Ergebnisse Traditionelle Software Input Deterministisch Reine LLM-Nutzung (Spaghetti-Phase) Output Input Black-Box ⚠ Unvorhersehbarer & fragiler Output ✓ Vorhersehbare & verlässliche Logik Das Agenten-Paradoxon: Autonomie vs. Zuverlässigkeit Was wir bereitstellen: Was wir fordern (Enterprise): • Autonome Agenten • Deterministische Ergebnisse • Probabilistische Modelle • Starke Generalisten  • Volle Nachvollziehbarkeit • Harte Garantien & Governance Chaos ?
6. Der goldene Mittelweg Effektive Systeme überlassen dem Modell nicht die gesamte Steuerung. Code Agency 100% Struktur Output A Input Starre Regeln Der Sweet Spot • Starr & regelbasiert • Bricht zuverlässig bei unstrukturierten oder unerwarteten Inputs. Model Agency 100% Autonomie Unkontrollierter Prozess (Black Box) Kognitiver Knoten (KI) Output B Output C STRUKTUR Agentic Workflows Ziel Kognitiver Knoten (KI) • Deterministische Workflows steuern den Pfad und die Prozessstruktur. • KI übernimmt die kognitive Arbeit gezielt an vordefinierten Knotenpunkten. • Chaotisch & unvorhersehbar • Ignoriert u.U. kritische Geschäftslogik und Governance-Vorgaben. AUTONOMIE
8. GoF Design Patterns Erzeugungsmuster (Creational) Steuern die Instanziierung und Entkopplung der Objekterzeugung von deren Nutzung: Singleton, Builder, Factory Method. Strukturmuster (Structural) Beschreiben die Zusammensetzung von Klassen und Objekten zu größeren Beziehungsstrukturen: Adaptor, Decorator, Proxy. Verhaltensmuster (Behavioral) Regeln den Informationsfluss und die Zuweisung von Verantwortlichkeiten zwischen Objekten: Command, Observer, Strategy, Visitor. https://www.cs.cmu.edu/~charlie/courses/17-214/2019-fall/slides/20191126-design-pattern-tour.pdf
9. lreimer/gof-to-agent-patterns
11. Bounded Contexts mit klaren Verantwortlichkeiten sorgen für modulare Agenten-Architekturen SPEZIALIST 01 SPEZIALIST 02 SPEZIALIST 03 Planungs-Agent Ausführungs-Agent Compliance-Agent Bounded Context: Explizit abgegrenzter Bereich für Strategie-, Zerlegungs- und Orchestrierungslogik. Bounded Context: Fokussierter Kontext für die operative Abarbeitung und Integration externer Systeme. Bounded Context: Kapselung von Regelwerken, Sicherheitsrichtlinien und Qualitätsprüfungen. Domänenmodell & Tools: Eigenes Zielmodell, Task-Breakdown-Tools, Roadmap-Generatoren. Domänenmodell & Tools: Spezifische Werkzeuge (MCP), API-Konnektoren, Ausführungs-State. Domänenmodell & Tools: Validator-Tools, Policy-Engine, Audit-Logging, Regel-Kataloge. 📌 Verantwortung: ⚙ Verantwortung: 🛡 Verantwortung: Analyse von Anforderungen & Erstellung struktureller Ablaufpläne. Präzise Transformation & Interaktion mit produktiven Tool-Servern. Unabhängige Validierung aller Aktionen gegen Governance-Regeln.
12. Das 2D Agenten Pattern Framework Topologie trifft auf Kognition Kognitive Funktion (Was?) Memory Reasoning Action Reflection Collaboration Governance Execution Topology (Wie?) Chain Route Parallel Orchestrate Loop Hierarchy Kognitive Funktion (Was führt das System aus?) Ausführungstopologie (Wie wird es strukturiert?) Definiert die inhaltliche, funktionale und kognitive Fähigkeit des Agenten – von der Speicherverwaltung über Modell-Reasoning und Tool Ausführung bis hin zu Collaboration und Governance. Bestimmt den strukturellen Ablauf und die Verschachtelung des Daten- und Kontrollflusses – von linearen Ketten (Chain) und Verzweigungen (Route) bis zu komplexen Schleifen (Loop) und Hierarchien. 📌 Zentrale Erkenntnis & Architektur-Implikation: Jedes Agenten-System lässt sich als genauer Schnittpunkt dieser beiden Dimensionen beschreiben. Ein Orchestrator (Topologie) kann beispielsweise für Governance oder für Action eingesetzt werden – die Auswirkung auf das Gesamtsystem ist dabei grundverschieden.
13. Struktur-Patterns Die physische Verdrahtung des Systems PATTERN 01 PATTERN 02 Prompt Chaining PATTERN 03 Routing Schritt A Schritt B Schritt C AI Model AI Model AI Model Parallel / Fan-Out-Gather Concurrent 1 (AI) Spezialisierter Pfad 1 (AI Model) Klassifikator Code Logic Dispatcher Spezialisierter Pfad 2 (AI Model) Code Logic Concurrent 2 (AI) Synthese Code / AI Concurrent 3 (AI) Spezialisierter Pfad 3 (AI Model) Linearer Pipeline-Fluss: Nacheinander geschaltete Ausführung isolierter Abschnitte. Dynamische Verzweigung: Klassifikator verzweigt Eingaben auf vordefinierte, spezialisierte Pfade. Parallele Verarbeitung: Gleichzeitige Ausführung mehrerer Pfade mit anschließender Synthese. Prinzip: Der Output von Schritt A wird direkt als Input für Schritt B verwendet. Prinzip: Gezielter Einsatz von Modellen basierend auf der Art und Anforderung der Aufgabe. Prinzip: Ein Dispatcher verteilt die Aufgaben; Ergebnisse werden aggregiert. 💡 Anwendungsfall: ⚙ Anwendungsfall: 🛡 Anwendungsfall: Bekannte, stabile Prozesse mit klaren sequenziellen Modifikationen und festen Transformationsschritten. Divergierende Intents & Complexity-Based Routing zur Kosten- und Latenzoptimierung. Geschwindigkeit durch Parallelisierung und das Einholen diverser Unabhängiger Expertenmeinungen.
14. Verhaltens-Patterns Kognitive Schleifen und Selbstkorrektur PATTERN 01 PATTERN 02 ReAct (Reason + Act) Thought Action Observation PATTERN 03 Reflection (Gen-Critic) Generator Critic Evaluator Resampler / Voter Model 1 Model 2 Condition Met? ➔ Loop / Stop Quality Threshold Met? ➔ Output Konsens-Voting (Code Logic) Model N Autonome Schleife: Die fundamentale ReAct-Loop. Entkoppelte Evaluation: Trennung von Generierung und Bewertung. Stochastischer Konsens: Parallele Generierung mehrerer Antworten. Das Modell denkt (Thought), nutzt ein Werkzeug (Action) und beobachtet das Ergebnis (Observation). Ein Critic-Modell prüft den Output des Generators gegen Qualitätsregeln zur Vermeidung von Halluzinationen. Eine deterministische Code-Logik ermittelt das beste Ergebnis durch Konsens-Voting. 💡 Nutzen & Fokus: ⚙ Nutzen & Fokus: 🛡 Nutzen & Fokus: Dynamisches Problemlösen für komplexe, mehrstufige Interaktionen mit externen Systemen. Höchste Qualitätsanforderungen, iterative Selbstkorrektur und Reduzierung von Fehlern. Maximale Zuverlässigkeit und Determinismus bei hochkomplexer Logik & Argumentation.
15. Workflow-Patterns Verwaltung komplexer Aufgaben PATTERN 01 PATTERN 02 Plan-and-Execute Decompose-Process-Recompose Executor A Planner (Strategy) Executor B Synthese Large Input (Context) Executor C Chunk 1 Process 1 Chunk 2 Process 2 Chunk 3 Process 3 Recompose Trennung von Strategie und Taktik: Skalierbare Kontextverarbeitung: Adaption des Saga Patterns. Ein Planner-Agent erstellt einen DAG aus Teilaufgaben; Executor-Agenten arbeiten diese ab. Umgang mit Limitierungen des Kontextfensters. Große Inputs werden in Chunks zerlegt, parallel verarbeitet und anschließend synthetisiert. 💡 Nutzen & Anwendungsfall: ⚙ Nutzen & Anwendungsfall: Strukturierte Abarbeitung komplexer Vorhaben durch Entkopplung von hochrangiger Planung und spezialisierter Ausführung. Effiziente Analyse riesiger Dokumentenmengen oder Datenströme durch Map-Reduce-ähnliche Parallelisierung im Agenten-Umfeld.
16. Orchestrierungs-Patterns Multi-Agenten-Systeme richtig koordinieren PATTERN 01 PATTERN 02 Supervisor / Task Delegation Routing (Complexity-Based) ⚡ Small Model (Fast & Cheap) Central Orchestrator Prompt Worker A Worker B Router 🧠 Deep LLM (Complex Reasoning) Worker C Orchestrator-Workers: Intelligente Anfrageverteilung: Ein zentraler Orchestrator steuert spezialisierte Worker-Agenten. Leitet simple Anfragen an kleine, schnelle (und günstige) Modelle und komplexe an tiefgreifende LLMs. Architektur-Prinzip: Architektur-Prinzip: Klare Entkopplung von Kontroll- und Ausführungslogik für strukturierte Multi-Agenten-Systeme. Dynamische Evaluierung des Eingabe-Prompts zur Maximierung der Effizienz und Minimierung von Latenz & Kosten. 💡 Vorteile: ⚙ Vorteile: Deterministischer Kontrollfluss, ideal für komplexe Geschäftsprozesse. Das System profitiert von der "Arbeitsteilung" (Division of Cognitive Labor). Optimale Ressourcen-Allokation, drastische Kostenreduktion bei einfachen Anfragen und garantierte Modellleistung bei komplexen Tasks.
17. Governance-Patterns Sicherheit, Grenzen und menschliche Kontrolle PATTERN 01 PATTERN 02 Guardrail Sandwich Pre-Validation PATTERN 03 Approval Gate Risk Score Evaluator Blast Radius Control OS Sandbox & Filesystem API Limits & Quotas Model Auto Execute Post-Validation 👤 Human Approval Gate 🛡 Agent Core Approve & Execute Strikte Validierung: Pre- & Post-Validierung von Ein- und Ausgaben. Human-in-the-Loop: Dynamisches Routing basierend auf Risikoscore. Structural Shield: Verschachtelte Containment-Hierarchien. Prüfung vor dem Prompt und vor der API-Rückgabe zur Vermeidung von Fehlern. Aktionen mit hohem Risiko erfordern explizite menschliche Freigabe. Isolierung von Prozessen, Sandbox und strenge Limits für Schadensbegrenzung. 💡 Nutzen: ⚙ Nutzen: 🛡 Nutzen: Maximale Kontrolle über Input & Output, Verhindern von Prompt Injection & Data Leakage. Sichere Ausführung kritischer Transaktionen und Einbindung von Experten-Governance. Verhindert kaskadierende Systemfehler und begrenzt den maximalen Aktionsradius.
19. High-Level Infrastructure Architecture Overview E2E-Integration von Gateways, Agent Runtime sowie übergreifenden Policies und Sicherheitsvorkehrungen N8N / Cognigy / Parloa / Voice CROSS-CUTTING Frontend · API Consumers TRANSPARENCY Observability Chat · Workflow Engine · Companions Logs · Metrics Tracing Agent Gateway GUARDRAILS Authentication · Rate limiting · Routing Guardrails Agent runtime operator Agent A Agent B Agent C ↕ A2A ↕ A2A ↕ A2A Tool Gateway Costs · Failover · Load Balancing MCP Standard · Actions AI Gateway: LLM-Abstraktion – Modelle austauschen, ohne den Code zu ändern Guidelines · Content filters, Policies Tool Gateway: MCP-Proxy für den kontrollierten Zugriff auf Tools GOVERNANCE Agent Runtime: Operator für den Lebenszyklus und die Konfiguration der Agenten Compliance and Audit Immutable logs QUALITY AI Gateway Agent Gateway: Einheitlicher Einstiegspunkt (A2A, OpenAI-API, MCP, AG-UI) Sicherheitsbarrieren: Durchsetzung von Zugriffsrichtlinien (lokal oder remote) an allen drei Gateways Testbench Analysis · Regression Testbench: Kontinuierliches Testen von Agenten beim Deployment und Änderungen SECURITY Large language models Tools & APIs OpenAI · Anthropic · Our own models Legacy systems · Data platform Authz IAM, Identity, Certs Beobachtbarkeit: über OpenTelemetry – Protokolle, Metriken und Traces
22. Referenzen https://gturitto.github.io/Agentic-Systems-Patterns/
23. Let´s connect! Mario-Leander Reimer Managing Director mario-leander.reimer@qaware.de QAware GmbH | Aschauer Straße 30 | 81549 München | GF: Dr. Josef Adersberger, Michael Stehnken, Michael Rohleder, Mario-Leander Reimer| Niederlassungen in München, Mainz, Rosenheim, Darmstadt | +49 89 232315-0 | info@qaware.de | www.qaware.de