Agenten und Skills: zwei Begriffe, ein Missverständnis
Wer sich mit KI-Systemen beschäftigt, stolpert schnell über zwei Begriffe, die oft synonym verwendet werden: Agenten und Skills. Das führt zu unsauberen Architekturen, unnötiger Komplexität und schwer wartbarem Code. Dabei ist die Trennung eigentlich klar - und sie macht den Unterschied zwischen einem Prototyp und einem produktionsreifen KI-System.
In der Praxis zeigt sich immer wieder: Wer zu früh einen Agenten baut, obwohl ein Skill gereicht hätte, zahlt drauf - in Entwicklungszeit, Token-Kosten und Debugging-Aufwand. Wer umgekehrt versucht, komplexe Ziele mit einem einzigen starren Skill abzubilden, baut an den Anforderungen vorbei.
Was ist ein Skill?
Ein Skill ist eine klar abgegrenzte Fähigkeit mit festem Ein- und Ausgabeprofil. Er erledigt eine definierte Aufgabe - mit klar definiertem Ablauf, wiederverwendbar und testbar - und weiß nichts über den größeren Kontext, in dem er aufgerufen wird.
Das bedeutet: Der Ablauf ist fest vorgegeben, das Verhalten bleibt vorhersehbar - unabhängig davon, ob intern klassischer Code oder ein Sprachmodell zum Einsatz kommt. Was zählt, ist dass Schnittstelle und Zweck klar definiert sind.
Konkrete Beispiele:
- Eine URL analysieren und strukturierte SEO-Daten zurückgeben
- Ein Dokument auf eine bestimmte Länge zusammenfassen
- Eine Postadresse validieren und normalisieren
- Eine Push-Notification über Azure Notification Hubs versenden
- Einen Datenbankdatensatz anhand einer ID laden
Skills sind das Werkzeug. Sie führen aus - ohne zu entscheiden. Genau das macht sie so wertvoll: sie sind schnell, günstig im Betrieb, einfach zu testen und beliebig wiederverwendbar. Ein gut geschriebener Skill kann von verschiedenen Agenten aufgerufen werden, ohne angepasst werden zu müssen.
In modernen KI-Architekturen entsprechen Skills dem, was in MCP-Systemen (Model Context Protocol) als Tools bezeichnet wird: klar definierte Funktionen mit beschriebenem Eingabe/Ausgabe-Verhalten, die ein Sprachmodell gezielt aufrufen kann. Mehr dazu im Artikel GitHub Copilot SDK: KI-Agenten in eigene Apps einbetten.
Was ist ein Agent?
Ein Agent ist eine zielorientierte Einheit, die Entscheidungen trifft. Er bekommt ein Ziel, plant eigenständig die notwendigen Schritte, wertet Zwischenergebnisse aus und orchestriert dafür die passenden Skills.
Konkrete Beispiele:
- Eine vollständige Wettbewerbsanalyse durchführen: mehrere Seiten crawlen, Daten zusammenführen, Muster erkennen, Bericht erstellen
- Einen Support-Fall lösen: Kontext lesen, Wissensbasis befragen, Antwort formulieren, bei Bedarf eskalieren
- Einen Softwarefehler lokalisieren, eine Lösung vorschlagen und einen Pull Request erstellen
- Einen Onboarding-Prozess für einen neuen Kunden koordinieren: Daten prüfen, Systeme anlegen, E-Mails versenden, Status zurückmelden
Agenten sind der Denker. Sie entscheiden, welche Skills wann und in welcher Reihenfolge eingesetzt werden - basierend auf Kontext, Zwischenergebnissen und dem übergeordneten Ziel. Die Qualität des Agenten hängt stark davon ab, wie klar das Ziel formuliert ist und wie gut die verfügbaren Skills definiert sind.
Die entscheidende Frage: Skill oder Agent?
Eine einfache Entscheidungsregel:
| Situation | Empfehlung |
|---|---|
| Aufgabe klar abgegrenzt, Ablauf stabil | Skill |
| Input/Output gut definiert | Skill |
| Wiederverwendbarkeit wichtig | Skill |
| Niedrige Latenz und minimale Kosten nötig | Skill |
| Ziel offen formuliert, mehrere Schritte | Agent |
| Kontext beeinflusst das weitere Vorgehen | Agent |
| Verschiedene Skills müssen kombiniert werden | Agent |
| Entscheidungen oder Priorisierungen notwendig | Agent |
Faustregel: Bauen Sie zuerst einen Skill - und erst dann einen Agenten, wenn Orchestrierung oder Autonomie notwendig wird.
Best Practice: modulare Architektur
Ein häufiger Fehler in der Praxis: ein monolithischer Agent, der alles selbst macht. Das klingt zunächst einfach, wird aber schnell zum Problem - schwer testbar, teuer im Betrieb (jede Aktion kostet Token), fragil bei Änderungen.
Das bewährte Muster sieht anders aus: ein Agent als Orchestrator mit klarem Ziel und mehrere Skills als wiederverwendbare Bausteine mit klaren Schnittstellen.
Beispiel: Ein Analyse-Agent bekommt den Auftrag, die Qualität einer Website zu bewerten. Er ruft nacheinander auf:
- Crawl-Skill: Gibt eine Liste aller Seiten mit Statuscodes zurück
- Meta-Analyse-Skill: Prüft Title, Description und Überschriften je Seite
- Performance-Skill: Misst Ladezeiten
- Reporting-Skill: Erstellt einen strukturierten Bericht aus den Ergebnissen
Jeder Skill ist einzeln testbar, jeder einzeln austauschbar. Der Agent selbst bleibt schlank - er plant und delegiert, anstatt alles selbst zu erledigen.
Dieses Muster lässt sich direkt in .NET umsetzen - mit dem GitHub Copilot SDK als Grundlage und den neuen KI-Erweiterungen in .NET 10.
Kosten und Komplexität im Griff behalten
Ein oft unterschätzter Aspekt: Agenten verursachen mehr Token-Verbrauch als Skills - weil jede Planungs- und Entscheidungsrunde Kontext kostet. Wer unnötig Agenten einsetzt, wo ein Skill genügen würde, zahlt das im laufenden Betrieb.
In unserer täglichen Arbeit mit Copilot und eigenen KI-Systemen achten wir deshalb bewusst darauf, Skills so schlank und präzise wie möglich zu halten - und Agenten nur dort einzusetzen, wo echte Entscheidungslogik gefragt ist. Das senkt die Betriebskosten und erhöht die Zuverlässigkeit.
Was das für Ihr Projekt bedeutet
Wenn Sie KI in Ihre Anwendung integrieren möchten, helfen diese Fragen zur Orientierung:
- Was genau soll die KI können? Klar abgegrenzte Aufgaben werden als Skills umgesetzt.
- Was soll die KI entscheiden? Zielorientierte Abläufe mit Entscheidungslogik brauchen einen Agenten.
- Wie viel Autonomie ist gewünscht - und wie viel ist vertretbar? Das definiert den Spielraum des Agenten und notwendige Kontrollmechanismen.
Diese Entscheidungen prägen die gesamte Architektur - und damit Kosten, Wartbarkeit und Erweiterbarkeit des Systems über Jahre.
Lauth IT: KI-Architektur aus der Praxis
Wir entwickeln KI-Agenten und Skills für konkrete Unternehmensanwendungen - in C#/.NET, mit dem GitHub Copilot SDK und auf Basis von MCP-Architekturen. Ob erster Proof of Concept oder produktionsreifes System: Wir helfen Ihnen, die richtige Architektur für Ihren Anwendungsfall zu finden - und umzusetzen.
Sie möchten KI strukturiert in Ihre Anwendung einbauen? Sprechen Sie uns an - wir beraten Sie offen und ohne Vendor-Lock-in.
