Von Microservices zu KI-Agenten: Die Entwicklung der Anwendungsarchitektur

Die Anwendungsarchitektur hat wieder einen Wendepunkt erreicht. KI-Agenten entwickeln sich zu mächtigen Bausteinen moderner Systeme, die traditionelle Microservices ergänzen, erweitern oder sogar ersetzen.

Dieser architektonische Wandel behält das grundlegende Muster der zusammensetzbaren Komponenten bei und bringt bedeutende Gewinne in Entwicklungsgeschwindigkeit, Anpassungsfähigkeit und Integrationsfähigkeiten mit. Unternehmen, die neue Anwendungen mit Frameworks entwickeln, verschaffen sich einen Wettbewerbsvorteil in der sich schnell entwickelnden Technologielandschaft.

Die Geschichte der Anwendungsarchitektur zeigt ein konsistentes Muster der Zerlegung in immer intelligentere Komponenten.

1990er Jahre: Monolithische Anwendungen
Single-Codebase-Systeme dominierten das Unternehmenscomputing und stellten erhebliche operative Herausforderungen dar:

• Deployments erforderten umfangreiche Testzyklen
• Die Skalierung erforderte eine vollständige Systemduplizierung
• Bei Änderungen in einem Bereich bestand die Gefahr, dass Funktionen, die nichts miteinander zu tun haben, kaputt gingen
• Die Entwicklungszyklen erstreckten sich über Monate oder Jahre

Anfang der 2000er Jahre: Serviceorientierte Architektur (SOA)
SOA ging die monolithischen Beschränkungen an, indem Anwendungen in geschäftsorientierte Dienste zerlegt wurden:

• Die neue Architektur verbesserte die Wiederverwendbarkeit und Integrationsfunktionen
• Die Dienste blieben relativ schwer
• Die Komplexität der Orchestrierung führte zu brüchigen Systemen
• Die Entwicklungszyklen wurden in Monaten gemessen

2010er Jahre: Microservices
Die Microservices-Architektur unterteilte Anwendungen in kleinere, unabhängig einsetzbare Einheiten:

• Jeder Microservice arbeitete autonom
• Die Dienste wurden über gut definierte Anwendungsprogrammierschnittstellen (APIs) kommuniziert
• Komponenten skalierten unabhängig
• Containerisierungstechnologien vereinfachten Bereitstellung
• Entwicklungszyklen wurden auf Wochen verkürzt

Die heutige architektonische Grenze verfügt über KI-Agenten: intelligente, autonome Komponenten, die traditionelle Microservices-Funktionen verbessern. Die wichtigsten Unterschiede:

Ein traditioneller Zahlungsverarbeitungs-Microservice benötigt Tausende von Codezeilen, um Validierung, Verarbeitung, Fehlerzustände und Integrationen zu verarbeiten. Im Gegensatz dazu kombinieren leistungsstarke KI-Agenten vorkompilierte Komponenten für kritische Pfade mit Funktionen für komplexe Entscheidungen. Dieser hybride Ansatz trägt dazu bei, sowohl Leistung als auch adaptive Intelligenz zu gewährleisten.

Beispielsweise zeigt die Implementierung von Semantic Kernel Agents in C# mit Voraus-of-Time (AOT)-Kompilierung, dass Produktionsagentensysteme traditionelle Microservices in der Leistung erreichen oder übertreffen können, während sie wertvolle Funktionen hinzufügen.

So wie Microservices zugrunde liegende Orchestrierungsplattformen benötigen, benötigen KI-Agenten spezialisierte Frameworks. Moderne Lösungen wie Semantic Kernel und LangChain Enterprise bieten diese erforderliche Infrastruktur für die Agentenkoordination mit Unternehmensklasse-Leistung.

Diese Frameworks bieten Funktionen, die über die traditionelle Service-Orchestrierung hinausgehen, während sie gleichzeitig erwartete Unternehmensklasse-Leistung einhalten:

• Hochleistungsgrundlage: Agentische Frameworks basieren auf kompilierten Sprachen mit AOT-Kompilierung für vorhersehbare, latenzarme Ausführung.
• Speichereffizientes Design: Agentische Frameworks sind für Hochdurchsatzsysteme optimiert, um einen minimalen Ressourcenverbrauch zu gewährleisten.
• Semantische Verarbeitung: Agenten teilen sich die Rechenressourcen nach der Komplexität der Aufgabe zu.
• Unternehmensintegration: Agentische Frameworks bieten typsichere Konnektoren zu bestehenden Systemen mit starker Vertragsdurchsetzung.
• Hybride Planung: Die leistungskritischen Pfade des Frameworks verwenden kompilierte Logik, während komplexe Szenarien KI zur Argumentation verwenden.

Der Wechsel zur agentischen Architektur bringt messbare Vorteile mit sich, wie zum Beispiel:

• Leistung mit Intelligenz: Gut konzipierte KI-Agenten bieten eine überragende Leistung. Kompilierte Agenten können einen höheren Durchsatz als herkömmliche Microservices erreichen und Argumente für komplexe Betrugserkennung hinzufügen.
• Unternehmensklasse-Zuverlässigkeit: Agentische Frameworks ermöglichen eine robuste Integration. Ein Lieferkettensystem kann Tausende von Transaktionen verarbeiten und Dateninkonsistenzen reibungslos beseitigen.
• Überlegene Fehlerbehandlung: KI-Agenten kombinieren Wiederherstellungspfade mit Denken. Das Auftragsbearbeitungssystem sorgt für eine hohe Verfügbarkeit durch optimierte Fehlerbehandlungspfade und die Berücksichtigung neuartiger Ausfälle.
• Zukunftsfähige Architektur: Unternehmen profitieren heute von den Vorteilen und positionieren sich gleichzeitig für die Zukunft. Kompilierte Agenten mit Argumentationsebenen optimieren die aktuelle Leistung und ebnen den Weg für zukünftige KI-Fortschritte.

Organisationen benötigen eine praktische Implementierungsstrategie, die Unternehmensstandards wahrt und gleichzeitig KI-Vorteile nutzt:

• Leistungsprofilierung: Identifizieren Sie Microservices mit sowohl leistungskritischen Pfaden als auch komplexen Entscheidungspunkten, die von Funktionen profitieren würden.
• Architekturdesign: Erstellen Sie Agentendesigns, die kritische Pfade (implementiert in kompiliertem Code) von Komponenten trennen, die Edge-Fälle behandeln.
• Framework-Auswahl: Bewerten Sie Frameworks basierend auf Benchmark, Sprachkompatibilität mit bestehenden Systemen und Kompilierungsoptionen.
• Teamentwicklung: Bauen Sie Engineering-Teams auf, die traditionelle Softwareentwicklungsexpertise mit KI-Engineering-Fähigkeiten kombinieren.
• Systematische Bereitstellung: Implementieren und testen Sie strenge Leistungs-Benchmarks zusammen mit den Funktionen.

Die Implementierung eines leistungsorientierten Ansatzes kann Organisationen helfen, operative Nutzen zu erzielen und gleichzeitig strategische KI-Funktionen aufzubauen.

Das Quality Engineering von KI-Agenten erfordert einen grundlegend anderen Ansatz als herkömmliche Softwaretests. Unternehmen, die auf dem Gebiet der agentenbasierten Architektur führend sind, haben Pionierarbeit bei der evaluierungsgetriebenen Entwicklung geleistet, einer Methodik, die sicherstellt, dass Agenten sowohl funktionale Anforderungen als auch Denkstandards erfüllen.

Evaluierungen sind spezialisierte Test-Suiten, die das Verhalten von Agenten über mehrere Dimensionen hinweg bewerten:

• Funktionale Evaluierungen: Überprüfen Sie Kerngeschäftsfunktionen durch Eingabe-/Ausgabe-Aussagen.
• Denkevaluierungen: Beurteilen Sie die Entscheidungsqualität und Problemlösungsansätze.
• Verhaltensevaluierungen: Testen Sie die Übereinstimmung mit organisatorischen Richtlinien und ethischen Standards.
• Leistungsevaluierungen: Messen Sie Antwortzeiten, Durchsatz und Ressourcennutzung.
• Adversariale Evaluierungen: Fordern Sie Agenten mit Edge-Fällen und potenziellen Fehlerarten heraus.

Interne Daten bei einigen Cloud-, Daten- und KI-Anbietern zeigen einen deutlichen Rückgang der Produktionsvorfälle nach der Implementierung multidimensionaler Prüfungen für ihre Agentensysteme.

Ein ausgereifter, evaluierungsgetriebener Entwicklungsprozess umfasst folgende Schlüsselelemente:

1. Evaluierungsdefinitionsprotokoll

Definieren Sie zunächst Erwartungen in allen Dimensionen. Für jeden Agenten:

• Dokumentieren Sie die erwartete Kernfunktion mit klaren Erfolgskriterien.
• Spezifizieren Sie Denkmuster, die Agenten zeigen sollen
• Setzen Sie Verhaltensgrenzen und Leitplanken fest
• Legen Sie Leistung auf der Grundlage der Geschäftsanforderungen fest

2. Kontinuierliche Evaluierungspipelines

Erstellen Sie automatisierte Pipelines, die während des gesamten Entwicklungszyklus Evaluierungen ausführen:

• Legen Sie Evaluierungsidentifizierungsprobleme vor der Integration im Voraus fest
• Integrationsevaluierungsüberprüfungsagent-Interaktionen
• Bereitstellen von Evaluierungstest mit Produktionsdaten
• Produktionsüberwachung validiert kontinuierlich bereitgestellte Agenten

3. Dynamische Testgenerierung

Verschieben Sie mit dynamisch generierten Szenarien über statische Testfälle hinaus:

• Verwenden Sie große Sprachmodelle (LLMs), um verschiedene Testfälle zu erstellen, die das Denken von Agenten betonen
• Generieren Sie Variationen von bekannten Edge-Fällen
• Simulieren Sie neuartige Eingaben auf der Grundlage von Produktionsmustern

4. Kollaborative Bewertung von Mensch und KI

Kombinieren Sie automatisierte Tests mit menschlicher Expertise:

• Gutachter bewerten das Denken des Agenten in komplexen Szenarien
• UX-Forscher bewerten die Qualität der Interaktion zwischen Mensch und Agent
• Fachspezialisten überprüfen die Richtigkeit der Geschäftslogik

5. Prävention von Regression

Verhindern Sie eine Regression der Funktionen durch:

• Umfassende Evaluierungs-Suiten, die mit jedem entdeckten Problem wachsen
• A/B-Vergleiche zwischen Agentenversionen
• Laufende Überwachung der wichtigsten Leistungsindikatoren

Im Rahmen einer Studie aus dem Jahr 2024 des Stanford Institute for Human-Centered KI (HAI) wurde festgestellt, dass Unternehmen, die umfassende Frameworks nutzen, 65 % schnellere Entwicklungszyklen und 42 % weniger Produktionsrückgänge erleben.

Eine der zehn weltweit führenden Banken führte für ihre Kundenservicemitarbeiter eine evaluierungsgetriebene Entwicklung ein und erzielte beeindruckende Ergebnisse.

Ihr Ansatz basierte auf einem dreistufigen Framework: automatisierte Test-Suiten für funktionale Validierung, Bewertungen für komplexe Entscheidungsszenarien und Überprüfung durch Experten bei hochriskanten Interaktionen.

Das Framework deckte subtile Probleme auf, die bei traditionellen Tests übersehen wurden. Ein Agent genehmigte beispielsweise Anwendungen gemäß den Richtlinien korrekt, verwendete dabei aber eine Argumentation, die unbeabsichtigt Verzerrung in Grenzfällen verstärkte – ein Problem, das bei der Überprüfung der Argumentation vor der Bereitstellung festgestellt wurde.

Die wirtschaftliche Tragfähigkeit agentischer Architekturen hängt von effektiven Kostenmanagementstrategien ab. Während KI-Agenten erheblichen Geschäftswert bieten, bleibt das Management der Betriebskosten ein kritischer Erfolgsfaktor.

In Bezug auf die Kosten stehen Unternehmen vor zwei Hauptüberlegungen:

Token-Kosten: Jede Interaktion mit Foundation Models verursacht Pro-Token-Gebühren, die sich schnell zu einem großen Betrag summieren. Komplexe Agentennetzwerke mit mehrstufiger Argumentation können 10- bis 15-mal mehr Token generieren als ähnliche direkte API-Aufrufe.

Rechenkosten: Die Durchführung von Schlussfolgerungen, insbesondere für anspruchsvolle Schlussfolgerungen, erfordert erhebliche Rechenressourcen. Lokale GPU-Cluster für Inferenzen erfordern in der Regel umfangreiche Anfangsinvestitionen. Die cloudbasierte Inferenz kann monatliche Kosten zwischen 10.000 und 50.000 USD für kleine bis mittelgroße Deployments verursachen.

Führende Unternehmen haben systematische Ansätze entwickelt, um diese Kosten zu steuern.

1. Architektonische Optimierung

• Hybrides Agentendesign, das komplexe Entscheidungen auf Foundation Models umleitet
• Quantisierung von Modellen für den Einsatz in der Produktion
• Strategisches Caching von Antworten für häufige Anfragen

JPMorgan Chase reduzierte seine Inferenzkosten um 67 % durch eine hybride Architektur, die 89 % der Transaktionen über deterministische Wege verarbeitet und LLM-Ressourcen für komplexe Szenarien reserviert.

2. Anpassung des Prompt Engineering zur Effizienzsteigerung

• Präzision im Befehlsdesign zur Minimierung der Token-Nutzung
• Kontextbezogene Bereinigung, die unnötige Informationen eliminiert
• Optimierung des Antwortformats zur Reduzierung der Token-Generierung

3. Inferenzoptimierung

• Key-Value-(KV)-Cache-Implementierung für wiederholte Interaktionen
• Batch-Verarbeitung für nicht zeitkritische Operationen
• Anpassung der Bereitstellungsinfrastruktur an Workload-Muster

4. RAG-Implementierung

• Strategische Retrieval-Augmented Generation zur Verringerung der Kontextgröße
• Vektordatenbankoptimierung für effizienten Informationszugriff
• Techniken zur Kontextanalyse, die relevante Informationen komprimieren

5. Feinabstimmung für Domänenspezialisierung

• Erstellung domänenspezifischer Modelle mit reduzierter Parameteranzahl
• Destillation allgemeiner Modelle in effiziente spezialisierte Varianten
• Parametereffiziente Optimierungsansätze wie LoRa und QLora

McKinseys Bericht zur KI-Ökonomie 2024 stellt fest, dass die Umsetzung von drei oder mehr dieser Strategien die KI-Betriebskosten im Durchschnitt um 62 % senkt, während Systemfähigkeiten erhalten oder verbessert werden. 

Agentische Architekturen bringen neue Implementierungsüberlegungen mit sich.

Orchestrierungskomplexität
Die Koordination autonomer Agenten erfordert andere Ansätze als die traditionelle Microservice-Orchestrierung:

• Dezentrale Entscheidungsfindung erfordert eine ausgefeilte Koordination
• Mehrere Agenten müssen auf gemeinsame Ziele hinarbeiten
• Der Systemzustand wird mit asynchronen Änderungen komplexer

Moderner Frameworks gehen diese Herausforderungen durch Priorisierungssysteme und gemeinsamen Kontext an. Der Semantic Kernel von Microsoft implementiert eine Orchestrierung, die die Autonomie der Agenten mit der Kohärenz des Systems in Einklang bringt.

Observability und Überwachung
Traditionelle Überwachungsansätze müssen sich weiterentwickeln:

• Systeme müssen Denkwege und Entscheidungskriterien erfassen
• Verhaltensanalyse hilft dabei, Muster in Agenteninteraktionen zu erkennen
• Vorausschauende Überwachung antizipiert mögliche Systemzustände

Sicherheit und Verwaltung
Agentische Architekturen führen neue Sicherheitsdimensionen ein:

• Mechanismen zur Überprüfung, ob die Anweisungen der Agenten mit den Organisationsrichtlinien übereinstimmen
• Systeme zur Validierung von Agentenaktionen vor der Ausführung
• Funktionen zur Überprüfung der Argumentation von Agenten auf Übereinstimmung

Um den Unterschied zwischen Microservices und agentischen Architekturen zu veranschaulichen, betrachten Sie eine Handelsplattform für Finanzdienstleistungen.

Traditionelle Implementierung von Microservices:

• Ein Kontoservice verwaltet Kundeninformationen und Salden
• Ein Handelsdienst führt Bestellungen auf der Grundlage ausdrücklicher Anfragen aus
• Ein Marktdatendienst liefert bei Abfrage Preise
• Ein Benachrichtigungsdienst sendet Benachrichtigungen nach vordefinierten Ereignissen
• Ein Risikomanagement-Service führt regelbasierte Prüfungen durch

Wenn ein Kunde einen Trade tätigt, folgt das System einem vorgegebenen Weg, wobei jeder Schritt explizit ausgelöst wird.

Agentische Implementierung:

• Ein Portfolio-Manager überwacht kontinuierlich die Bestände und schlägt Umschichtungsmöglichkeiten vor
• Ein Trading Execution Agent wählt das optimale Timing basierend auf den Marktbedingungen aus
• Ein Risikobewertungsagent bewertet proaktiv die Marktvolatilität
• Ein Kommunikationsagent liefert relevante Informationen über bevorzugte Kanäle

In der Praxis schafft die agentische Implementierung grundlegend unterschiedliche Customer Experiences. Wenn die Marktvolatilität steigt, kann der Risikobewertungsagent eigenständig Handelslimits anpassen und den Portfolioagenten benachrichtigen, der Kundenbestände auf potenzielle Schwachstellen für die Bewertung analysiert. Das System demonstriert Intelligenz, die über das hinausgeht, was explizit kodiert wurde.

Der Übergang von Monolithen zu Diensten, zu Microservices und Agenten folgt klaren historischen Mustern. Mit jeder Weiterentwicklung wurden detailliertere Komponenten mit zunehmender Intelligenz und Autonomie eingeführt.

Unternehmen, die agentische Architekturen in großem Maßstab implementieren, müssen Platform Engineering übernehmen, um eine einheitliche Qualität, Kosteneffizienz und Governance im gesamten Portfolio zu erreichen.

Plattformgetriebene Einführung

Zukunftsorientierte Unternehmen nutzen interne Entwicklerplattformen (IDPs), um die Akzeptanz durch Agenten zu beschleunigen.

Standardisierte Agenteninfrastruktur

• Vorkonfigurierte Agentenvorlagen mit integrierter Überwachung
• Golden-Path-Implementierungsmuster für gängige Agententypen
• Self-Service-Bereitstellung mit automatisierten Qualitätstoren

Vereinheitlichte Observability

• Zentrale Überwachung von Leistung und Verhalten der Agenten
• Agentenübergreifende Interaktionsverfolgung und Visualisierung
• Automatisierte Anomalieerkennung mit Ursachenanalyse

Fokus auf Entwicklererfahrung

• Self-Service-Tools für die Entwicklung und das Testen von Agenten
• Integrierte Entwicklungsumgebungen mit spezialisiertem Agenten-Debugging
• Automatisierte Compliance-Überprüfungen während der Entwicklung

Governance in großem Maßstab

• Zentralisiertes Politikmanagement und Durchsetzung
• Automatisierte Bewertung des Verhaltens von Agenten anhand von Standards
• Umfassende Audit-Trails für alle Agentenaktionen

Im Gartner-Bericht „2024 Platform Engineering Report“ heißt es, dass ausgereifte Plattformansätze zu einer 3,2-mal schnelleren Markteinführung neuer Agentenfunktionen und einer um 76 % höheren Entwicklerzufriedenheit führen. 

Unternehmen stehen jetzt vor der Wahl: bei der Einführung einer Agentenarchitektur für geeignete Anwendungsfälle eine Vorreiterrolle einzunehmen oder Wettbewerbern zu folgen, die frühzeitig Vorteile nutzen. Die Ergebnisse deuten darauf hin, dass Vorreiter, die plattformgesteuerte Ansätze implementieren, erhebliche Wettbewerbsvorteile in Bezug auf Entwicklungsgeschwindigkeit, Systemflexibilität und technische Funktionen erzielen.