Multi-Agenten-Systeme und MCP-Server entwickeln: Agenten-Architektur mit LangGraph, MCP und n8n
Agenten, die planen, Werkzeuge nutzen und zusammenarbeiten, sind mehr als ein Prompt. Sie brauchen eine Architektur, die Zustände verwaltet, Fehler abfängt und jede Aktion nachvollziehbar macht. Wir wählen das passende Framework und bauen Agenten, die im Alltag verlässlich arbeiten.
Vom Chatbot zum Agenten: was sich technisch ändert
Diese Seite richtet sich an IT-Verantwortliche und Entwicklungsteams. Den fachlichen Überblick, was KI-Agenten in Vertrieb, Service und Backoffice übernehmen, findest du unter KI-Agenten entwickeln lassen. Hier geht es um die Architektur dahinter: Multi-Agenten-Systeme, MCP-Server und die Frameworks, mit denen wir sie bauen.
Ein Chatbot beantwortet eine Frage und ist fertig. Ein KI-Agent arbeitet an einem Ziel über viele Schritte: Er ruft Werkzeuge auf, wertet Ergebnisse aus, entscheidet über den nächsten Schritt und muss dabei mit Fehlern, Zeitüberschreitungen und unerwarteten Antworten umgehen. Das verlangt Softwarearchitektur, nicht nur gute Prompts.
Zu einer tragfähigen Agenten-Architektur gehören klar definierte Werkzeuge mit eingeschränkten Rechten, ein Zustandsmodell, das festhält, wo der Agent gerade steht, Wiederaufnahme nach Fehlern, Leitplanken und Freigaben für kritische Aktionen sowie ein Protokoll, das jeden Schritt nachvollziehbar macht. Arbeiten mehrere Agenten zusammen, kommt die Koordination hinzu: Wer übernimmt welche Teilaufgabe, und wer prüft das Ergebnis? Bei folgenreichen Aktionen gehört ein Mensch in die Schleife (Human-in-the-Loop).
Frameworks und Bausteine, die wir einsetzen
Wir wählen nach Anwendungsfall, Systemlandschaft und Betriebsmodell, nicht nach Trend.
LangGraph & LangChain
Für zustandsbehaftete Agenten und Workflows mit Verzweigungen, Wiederholungen und menschlichen Freigaben.
LlamaIndex
Für Agenten, die stark mit Dokumenten und Wissensquellen arbeiten, und für anspruchsvolle RAG-Pipelines.
Model Context Protocol (MCP)
Offener Standard, über den Modelle kontrolliert auf Werkzeuge und Daten zugreifen, unabhängig vom Anbieter.
Anbieter-SDKs
Die Agenten-Werkzeuge von OpenAI, Anthropic und Google sowie das Vercel AI SDK, wenn eine schlanke Lösung reicht.
n8n
Für Agenten, die in nachvollziehbare Workflows eingebettet sind und viele Systeme anbinden.
Evaluation & Tracing
Werkzeuge, die jeden Agentenschritt aufzeichnen und die Qualität gegen Testfälle messen.
Framework-Vergleich: LangGraph, LlamaIndex, Anbieter-SDKs und n8n
Kein Framework ist in allem vorn. Diese Übersicht zeigt, wofür wir welches Werkzeug einsetzen (Stand: September 2026).
LangGraph | LlamaIndex | Anbieter-SDKs | n8n | |
|---|---|---|---|---|
| Stärke | zustandsbehaftete Abläufe mit Verzweigungen | Agenten auf Dokumenten und Wissensquellen | schlanker Einstieg mit einem Modellanbieter | Workflows über viele Systeme |
| Beispiele | Freigabe-Workflows, Multi-Agenten | RAG-Agenten, Recherche | OpenAI Agents SDK, Claude Agent SDK, Google ADK | Belegverarbeitung, CRM-Automatisierung |
| Zustand und Wiederaufnahme | ja | je nach Aufbau | je nach SDK | ja, über Workflow-Ausführungen |
| Einstieg | mittel | mittel | leicht | leicht, visuell |
| Betrieb | eigener Service | eigener Service | eigener Service oder Plattform | selbst gehostet oder Cloud |
| Anbieterbindung | gering | gering | mittel bis hoch | gering |
MCP: Werkzeuge einmal bauen, mit jedem Modell nutzen
Das Model Context Protocol (MCP) hat sich als offener Standard dafür etabliert, wie Sprachmodelle auf Werkzeuge und Datenquellen zugreifen. Ein MCP-Server beschreibt, welche Aktionen verfügbar sind, welche Parameter sie brauchen und was zurückkommt. Der Vorteil: Ein Werkzeug, etwa „Bestellung nachschlagen“ oder „Angebot anlegen“, wird einmal gebaut und lässt sich mit verschiedenen Modellen und Anwendungen nutzen. Initiiert hat MCP Anthropic; seit Ende 2025 liegt der Standard bei der Agentic AI Foundation unter dem Dach der Linux Foundation und wird von allen großen Modellanbietern unterstützt.
Wir haben selbst einen MCP-Server für unser Content-Management entwickelt und betreiben ihn täglich. Die Erfahrungen daraus fließen in Kundenprojekte ein: Schreibrechte nur für freigegebene Bereiche, abgestufte Rollen, Begrenzung der Anfragen und ein Protokoll jeder Aktion. So wird ein mächtiges Werkzeug beherrschbar.
MCP-Server entwickeln lassen: so läuft es ab
Ein MCP-Server macht deine Systeme für KI-Assistenten nutzbar, ohne dass jedes Modell eine eigene Schnittstelle braucht. Typische Kandidaten sind ERP, CRM, Shop, Ticketsystem oder ein internes Wiki. Ein Projekt läuft bei uns in fünf Schritten:
- Werkzeuge festlegen: Welche Aktionen soll ein Modell ausführen dürfen, etwa „Bestellung nachschlagen“, „Kunde anlegen“ oder „Angebot als Entwurf speichern“? Wir starten mit wenigen, klar abgegrenzten Werkzeugen.
- Rechte und Rollen: Lesen und Schreiben werden getrennt, Schreibrechte gibt es nur für freigegebene Bereiche. Die Anmeldung läuft über Schlüssel oder OAuth, Rollen übernehmen wir aus deinen Systemen.
- Umsetzung und Tests: Der Server wird mit dem offiziellen SDK gebaut, jedes Werkzeug bekommt eine saubere Beschreibung und Tests mit echten Fällen.
- Schutzmechanismen: Begrenzung der Anfragen, Freigaben vor folgenreichen Aktionen, Protokoll jeder Aktion und ein Schalter, der Schreibzugriffe zentral abschaltet.
- Betrieb: Hosting in Deutschland, Monitoring und Updates, wenn sich der Standard oder deine Systeme ändern.
Unser eigener MCP-Server für das Content-Management folgt genau diesem Muster und läuft seit Monaten im Alltag. Wenn du Agenten eher über Workflows steuern willst, ist n8n oft der schnellere Weg; beides lässt sich kombinieren.
Agenten-Muster aus unseren Projekten
Router-Agent
Ordnet Anfragen ein und leitet sie an spezialisierte Agenten oder Menschen weiter.
Recherche & Prüfung
Ein Agent sammelt Informationen, ein zweiter prüft sie gegen Quellen und Regeln, bevor etwas weitergeht.
Agent mit Freigabe
Der Agent bereitet alles vor und wartet vor der folgenreichen Aktion auf die Bestätigung eines Menschen.
So entwickeln wir Agenten
Schritt 1
Ziel und Werkzeuge
Welches Ergebnis soll der Agent liefern, welche Werkzeuge braucht er, welche Rechte bekommt er?
Schritt 2
Testfälle
Ein Satz echter Fälle mit erwartetem Ergebnis, gegen den jede Version gemessen wird.
Schritt 3
Architektur & Umsetzung
Framework-Wahl, Zustandsmodell, Leitplanken, Freigaben und Protokollierung.
Schritt 4
Schrittweise Autonomie
Start mit Vorschlägen, dann eigenständige Aktionen bei Routinefällen, wenn die gemessene Qualität stimmt.
Häufige Fragen zur Agenten-Entwicklung
Welches Framework ist das beste für KI-Agenten?
Das hängt vom Anwendungsfall ab. Für komplexe, zustandsbehaftete Abläufe eignet sich LangGraph, für dokumentenlastige Agenten LlamaIndex, für schlanke Lösungen reichen oft die SDKs der Anbieter. Wichtiger als das Framework sind saubere Werkzeuge und Tests.
Was ist das Model Context Protocol?
Ein offener Standard, der festlegt, wie Sprachmodelle Werkzeuge und Datenquellen nutzen. Werkzeuge lassen sich damit einmal bauen und mit verschiedenen Modellen verwenden. Seit Ende 2025 wird MCP von der Agentic AI Foundation unter dem Dach der Linux Foundation weiterentwickelt. Mehr dazu im Lexikon unter Model Context Protocol.
Sind Multi-Agenten-Systeme nicht zu komplex?
Manchmal. Wir starten mit dem einfachsten Aufbau, der funktioniert, und teilen erst in mehrere Agenten auf, wenn Qualität oder Übersichtlichkeit davon profitieren.
Wie behaltet ihr die Kosten von Agenten im Griff?
Mit Begrenzungen für Schritte und Token pro Aufgabe, dem passenden Modell pro Teilaufgabe und einem Monitoring der Kosten pro Anwendungsfall.
Was kostet ein MCP-Server?
Das hängt vor allem von der Zahl der Werkzeuge, den angebundenen Systemen und den Anforderungen an Rechte und Protokollierung ab. Ein Server mit wenigen lesenden Werkzeugen ist ein kleines Projekt; schreibende Werkzeuge mit Freigaben brauchen mehr Tests. Wir schätzen den Aufwand nach einem kurzen Workshop.
Können wir unser ERP oder CRM per MCP anbinden?
In der Regel ja, sofern das System eine Schnittstelle bietet. Der MCP-Server übersetzt zwischen dieser Schnittstelle und dem Modell und legt fest, welche Aktionen erlaubt sind.
Du planst einen KI-Agenten?
Wir prüfen, welche Architektur zu deinem Vorhaben passt, und zeigen, wie ein erster Agent mit echten Testfällen aussieht.