KI-Agenten-Frameworks
Frameworks liefern das Gerüst, mit dem KI-Agenten planen, Werkzeuge aufrufen, Zustände halten und zusammenarbeiten – von LangChain, LangGraph und DeepAgents bis zu CrewAI, AutoGen und Hermes Agent.
Ein Agenten-Framework stellt die Bausteine bereit, aus denen ein KI-Agent entsteht: die Anbindung an Sprachmodelle, das Aufrufen von Werkzeugen (Tool Calling), Speicher für Zwischenstände, die Steuerung mehrstufiger Abläufe und oft die Zusammenarbeit mehrerer Agenten.
Die Frameworks unterscheiden sich vor allem in ihrer Abstraktionsebene. Manche geben eine fertige, meinungsstarke Arbeitsweise vor (ein sogenannter Agent Harness), andere sind niedrigschwellige Laufzeitumgebungen, in denen Sie jeden Schritt selbst modellieren.
Rolle im AI-first-Geschäftsmodell
Im AI-first-Geschäftsmodell ist das Framework die technische Grundlage des Operating Models: Es bestimmt, wie gut sich Mandat, Freigaben, Eskalationen und Nachvollziehbarkeit abbilden lassen. Wer Prozesse vom Ergebnis her für Agenten und Menschen gestaltet, braucht ein Framework, das Human-in-the-Loop, dauerhafte Zustände und Wiederaufnahme nach Fehlern unterstützt.
Für AI-native-Geschäftsmodelle, deren Wertschöpfung im Kern von Agenten getragen wird, ist die Wahl noch grundlegender. Sie entscheidet über Betriebskosten, Modellunabhängigkeit und darüber, wie schnell sich das System weiterentwickeln lässt.
Worauf Sie bei der Auswahl achten
- Steuerbarkeit: Lassen sich Abläufe, Rechte und Abbruchpunkte explizit festlegen?
- Human-in-the-Loop: Können Menschen Aktionen vor der Ausführung prüfen, ändern oder ablehnen?
- Zustand und Wiederaufnahme: Überstehen lange Abläufe Fehler und Unterbrechungen?
- Modellunabhängigkeit: Lässt sich das Sprachmodell wechseln, ohne die Anwendung neu zu bauen?
- Beobachtbarkeit: Sind Entscheidungen und Werkzeugaufrufe nachvollziehbar protokolliert?
62 Tools in dieser Kategorie
LangChain
Open-Source-Framework für KI-Agenten und LLM-Anwendungen mit einheitlicher Schnittstelle zu Modellen, Werkzeugen, Vektordatenbanken und zahlreichen Integrationen – für Python und JavaScript/TypeScript.
LangGraph
Low-Level-Framework von LangChain zur Orchestrierung langlaufender, zustandsbehafteter Agenten als Graph – mit dauerhafter Ausführung, Human-in-the-Loop-Unterbrechungen und Kurz- wie Langzeitgedächtnis.
DeepAgents
Open-Source-Agent-Harness von LangChain auf Basis von LangGraph: Planung, Sub-Agenten, Dateisystem, Kontextmanagement, Skills und Freigaben für Werkzeugaufrufe sind bereits eingebaut.
Hermes Agent (Nous Research)
Selbstlernender Open-Source-Agent von Nous Research, dem Team hinter den Hermes-Sprachmodellen: legt aus Erfahrung Skills an, pflegt ein Gedächtnis, arbeitet über Messenger und CLI und funktioniert mit beliebigen Modellanbietern.
OpenClaw
Open-Source-Framework für dauerhaft laufende, persönliche KI-Agenten. Es verbindet Sprachmodelle mit Messaging-Kanälen wie Signal, Telegram oder WhatsApp und bringt Zeitsteuerung, Gedächtnis, MCP-Anbindung, Skill-Plugins, Sub-Agenten und Browser-Automatisierung mit.
Transformers Agents
Agenten-Schnittstelle aus dem Hugging-Face-Ökosystem, die eine Steuerung per natürlicher Sprache auf die Transformers-Bibliothek setzt. Geeignet, um Modelle und Werkzeuge aus diesem Ökosystem in Python per Agent zu kombinieren.
LlamaIndex
Framework, das Sprachmodelle mit externen Datenquellen verbindet. Typischer Einsatz ist RAG über Unternehmensdaten: Dokumente einlesen, indexieren und Agenten oder Anwendungen gezielt darauf zugreifen lassen.
Botpress
Plattform mit Bausteinen für Chatbots und dialogbasierte Agenten. Eignet sich, um Gesprächsabläufe zu gestalten, mit Sprachmodellen anzureichern und auf verschiedenen Kanälen bereitzustellen.
Haystack
Python-Framework von deepset, mit dem sich Pipelines aus Sprachmodellen, Suche und Datenquellen zusammensetzen lassen. Häufig genutzt für RAG, Frage-Antwort-Systeme und Agenten, die mit eigenen Daten arbeiten.
Semantic Kernel
SDK von Microsoft, um Sprachmodelle in eigene Anwendungen einzubinden, unter anderem in C#. Bestehender Code lässt sich als Plugin bereitstellen und per Tool Calling von Agenten nutzen.
AGiXT
Plattform zur Automatisierung mit KI-Agenten, die Anweisungen ausführen und mehrstufige Aufgaben organisieren. Gedacht für Szenarien, in denen Agenten komplexere Abläufe selbstständig abarbeiten sollen.
LLM Agents
Kompaktes Python-Projekt, mit dem sich Agenten bauen lassen, die von einem Sprachmodell gesteuert werden und Werkzeuge aufrufen. Gut geeignet, um das Grundprinzip eines Agenten nachzuvollziehen.
e2b
Open-Source-Plattform, um Agenten für Entwicklungsaufgaben zu bauen und bereitzustellen. Sie stellt isolierte Cloud-Umgebungen bereit, in denen Agenten erzeugten Code sicher ausführen können.
Dust
Plattform, um Anwendungen auf Basis großer Sprachmodelle zu entwerfen und produktiv bereitzustellen. Eignet sich für Assistenten, die mit Unternehmenswissen und eingebundenen Werkzeugen arbeiten.
MetaGPT
Multi-Agent-Framework, das Rollen eines Softwareteams nachbildet. Aus einer einzeiligen Anforderung erzeugen die Agenten Anforderungsdokument, Design, Aufgaben und ein Code-Repository.
Lagent
Schlankes Framework aus dem InternLM-Projekt, um Agenten auf Basis von Sprachmodellen zu bauen. Geeignet für Entwickler, die eine leichtgewichtige Grundlage für Tool Calling und Agentenlogik suchen.
AutoGen
Framework von Microsoft für Anwendungen, in denen mehrere Agenten miteinander kommunizieren und gemeinsam Aufgaben lösen. Einsetzbar für Multi-Agent-Orchestrierung mit Werkzeugen und menschlicher Beteiligung.
AG2
Open-Source-Framework der AutoGen-Urheber zum Bau von KI-Agenten. Der Schwerpunkt liegt auf der Zusammenarbeit mehrerer Agenten, die Aufgaben arbeitsteilig lösen.
AgentVerse
Flexibles Framework, um eigene Multi-Agent-Umgebungen für Sprachmodelle aufzubauen. Nützlich für Aufgabenlösung im Team von Agenten sowie für Simulationen ihres Zusammenspiels.
Maestro
Framework, in dem Claude Opus als orchestrierendes Modell Aufgaben in Teilaufgaben zerlegt und an Sub-Agenten verteilt. Die Ergebnisse werden anschließend zu einem Gesamtergebnis zusammengeführt.
AgentScope
Framework, das den Bau von Multi-Agent-Anwendungen auf Basis von Sprachmodellen vereinfachen soll. Geeignet, um mehrere Agenten mit klaren Rollen zu definieren und ihren Austausch zu steuern.
CrewAI
Python-Framework zur Orchestrierung autonomer Agenten, die mit festgelegten Rollen als Team („Crew“) zusammenarbeiten. Typisch für arbeitsteilige Abläufe wie Recherche, Analyse und Texterstellung.
Swarm
Experimentelles Lern-Framework von OpenAI für leichtgewichtige Multi-Agent-Orchestrierung. Es zeigt, wie Agenten Aufgaben über einfache Übergaben aneinander weiterreichen können.
agency-swarm
Agenten-Framework, das auf der Assistants API von OpenAI aufsetzt. Damit lassen sich mehrere Agenten mit eigenen Rollen und Werkzeugen zu einer zusammenarbeitenden „Agency“ verbinden.
Upsonic
Agenten-Framework mit Fokus auf verlässliche Ausführung, das das Model Context Protocol (MCP) unterstützt. Geeignet, um Agenten über MCP an externe Werkzeuge und Datenquellen anzubinden.
Mastra
TypeScript-Framework mit klaren Vorgaben, um KI-Anwendungen und -Funktionen zügig umzusetzen. Es deckt unter anderem Agenten, Workflows und die Anbindung von Werkzeugen ab.
Vectara-agentic
Python-Framework, um KI-Assistenten und Agenten auf Basis der Vectara-Plattform zu erstellen. Geeignet für Agenten, die RAG über eigene Daten mit Tool Calling verbinden.
AgentDock
Open-Source-Grundlage, um KI-Agenten und Workflows zu bauen, zu verwalten und produktiv bereitzustellen. Ziel ist, den Aufwand für viele einzelne API-Integrationen zu verringern.
Swarms Framework
Framework zur Orchestrierung vieler Agenten, ausgerichtet auf Unternehmensanwendungen. Es bietet verschiedene Muster, nach denen Agenten Aufgaben parallel oder nacheinander gemeinsam bearbeiten.
Strands Agents SDK
SDK, das beim Bau von Agenten auf einen modellgetriebenen Ansatz setzt: Das Sprachmodell plant und wählt Werkzeuge selbst. Ein funktionsfähiger Agent entsteht so mit wenigen Zeilen Code.
VoltAgent
Open-Source-Framework in TypeScript zum Bau von KI-Agenten. Eine integrierte Observability für Sprachmodelle macht nachvollziehbar, was Agenten im Betrieb tun.
Agentic Context Engine
Framework für Agenten, die aus dem Feedback ihrer eigenen Ausführungen lernen und ihren Kontext selbst pflegen. Eine Integration mit LangChain ist vorhanden.
Astron
Plattform von iFlytek für agentenbasierte Workflows, ausgerichtet auf den Unternehmenseinsatz. Sie eignet sich, um mehrstufige Abläufe mit KI-Agenten zu modellieren und unter einer kommerziell nutzbaren Lizenz zu betreiben.
Ailoy
Framework für KI-Agenten, die in unterschiedlichen Umgebungen laufen sollen. Es unterstützt lokale Modelle und WebAssembly und ist damit für Agenten interessant, die ohne Cloud-Anbindung oder direkt im Browser arbeiten.
PraisonAI
Multi-Agent-Framework mit Selbstreflexion der Agenten, Workflows, Gedächtnis und MCP-Anbindung. Es bietet SDKs für Python und JavaScript und lässt sich mit zahlreichen Sprachmodellen kombinieren.
AgentField
Open-Source-Infrastruktur für KI-Backends, die Orchestrierung und Identitätsverwaltung für Agenten bündelt. Sie richtet sich an Teams, die Agenten als dauerhaft laufende Dienste in Produktion bringen wollen.
Cortex Memory
Gedächtnislösung für Agenten, die Informationen extrahiert, per Vektorsuche wiederfindet und den Speicher automatisch pflegt. Zugriff ist über REST-API, MCP und CLI möglich, ergänzt um ein Dashboard.
Pipecat
Open-Source-Framework in Python für sprachbasierte und multimodale Dialogsysteme. Es eignet sich, um Voice-Agenten zu bauen, die Spracherkennung, Sprachmodell und Sprachausgabe in Echtzeit verbinden.
LoongFlow
Framework aus dem Baidu-Umfeld für die Entwicklung sich weiterentwickelnder Agenten. Es reicht von einzelnen Bausteinen über das Entwicklungsgerüst bis zu fertigen Agenten für typische Einsatzszenarien.
Agentset
Open-Source-Plattform für RAG mit agentenbasiertem Reasoning, hybrider Suche und Unterstützung mehrerer Medientypen. Sie eignet sich, um Agenten fundierte Antworten auf Basis eigener Unternehmensdaten geben zu lassen.
Pilot Protocol
In Go geschriebener Netzwerk-Stack, der KI-Agenten virtuelle Adressen und verschlüsselte Verbindungen gibt, auch über NAT hinweg. Er dient dazu, dass Agenten auf verschiedenen Rechnern direkt und mit gegenseitigem Vertrauen kommunizieren.
hcom
Werkzeug, mit dem Coding-Agenten wie Claude Code, Gemini CLI, Codex oder OpenCode sich über Terminals hinweg Nachrichten schicken, beobachten und gegenseitig starten. Es unterstützt die Zusammenarbeit mehrerer Agenten in der Kommandozeile.
nanobot
Schlankes Python-Framework für einen persönlichen KI-Assistenten mit kompakter Codebasis. Es unterstützt MCP, mehrere Chat-Kanäle und ein erweiterbares Skill-System.
Hive
Open-Source-Framework für zielorientierte, autonome Agenten: Ziele werden in natürlicher Sprache beschrieben, daraus entstehen Agenten-Graphen, die sich in Schleifen weiterentwickeln. MCP-Anbindung und eine größere Tool-Sammlung sind enthalten.
ConnectOnion
Einfaches Python-Framework, in dem normale Funktionen als Tools dienen. Lifecycle-Hooks, ein Plugin-System und die Vernetzung mehrerer Agenten mit Vertrauensmechanismen machen es für produktive Agenten nutzbar.
SwarmClaw
Selbst gehostete Laufzeitumgebung für Multi-Agent-Orchestrierung mit Zeitplänen, Delegation, Gedächtnis und Skills. Sie bindet Coding-Agenten und verschiedene LLM-Anbieter ein und läuft als Desktop-App oder CLI.
smolagents
Open-Source-Bibliothek von Hugging Face in Python, mit der sich Agenten mit wenig Code bauen und ausführen lassen. Sie eignet sich für schnelle Prototypen und für Agenten, die ihre Aktionen als Code formulieren.
Open Multi-Agent
Multi-Agent-Orchestrierung in TypeScript, die Aufgaben zur Laufzeit als Abhängigkeitsgraph plant und in der eigenen Umgebung ausführt. Freigabeschritte, Tracing, Evaluation und Checkpoints mit Wiederaufnahme sind vorgesehen.
Aeon
Framework für autonome Agenten, die unbeaufsichtigt über GitHub Actions laufen. Es bietet sich selbst reparierende Skills, eine Bewertung der Ergebnisqualität, dauerhaftes Gedächtnis und ereignisgesteuerte Auslöser.
Cordum
Governance-Schicht, die außerhalb der Agenten läuft und Richtlinien prüft, bevor eine Aktion ausgeführt wird. Freigabeschritte und signierte Audit-Trails unterstützen die Kontrolle autonomer Agenten im Produktivbetrieb.
trpc-agent-go
Go-Framework für produktive Agentensysteme mit Graph-Workflows, Tools und Gedächtnis. Es unterstützt Protokolle wie A2A, AG-UI und MCP und bringt Evaluation und Observability mit.
Agentlas-OS
Lokal ausgerichtete, modellunabhängige Umgebung, um spezialisierte Agenten und Agenten-Teams zu bauen, zu übernehmen und zu orchestrieren. Pakete sind einem Eigentümer zugeordnet, Berechtigungen setzt die jeweilige Host-Umgebung durch.
Lobu
Open-Source-Kontext- und Kontrollschicht für KI-Agenten: Unternehmenswerkzeuge werden einmal angebunden und ihr Kontext berechtigungsgerecht mit verschiedenen Assistenten und eigenen Agenten geteilt. MCP, eigene Identitäten, Freigaben und Audit sind vorgesehen.
OpenProgram
Agenten-Framework, in dem Agenten ihre eigenen Workflows anlegen und verbessern. Es bietet Multi-Agent-Orchestrierung, dauerhafte Sitzungen, Ausführung in einer Sandbox sowie Desktop- und Weboberflächen.
SandBase Harness
Lokal ausgerichtete Laufzeitumgebung für Agenten mit dauerhaften Sitzungen und Ausführung in einer Sandbox. MCP-Tools, Audit, Wiedergabe vergangener Läufe und eine Konsole für menschliche Eingriffe unterstützen den kontrollierten Betrieb.
Agent Swarm
Selbst gehostetes Multi-Agent-System, in dem ein leitender Agent Aufgaben an spezialisierte Worker verteilt. Gemeinsames Gedächtnis, Tools, Zeitpläne und Prüfschritte halten die Arbeit nachvollziehbar.
agent-sdk-go
Framework in Go für zustandsbehaftete KI-Agenten. Es eignet sich für Teams, die Agenten direkt in bestehende Go-Dienste integrieren wollen.
OpenHuman
Lokal ausgerichteter persönlicher KI-Agent für den Desktop mit Agenten, Workflows und MCP-Client. Sprachmodelle lassen sich über Ollama lokal betreiben.
Tenuo
Autorisierung für Agenten-Tools, die jeden einzelnen Aufruf bis auf die Ebene der Argumente prüft. Berechtigungen bleiben auch über Delegationsketten zwischen Agenten nachvollziehbar.
Pydantic Deep Agents
Python-Framework auf Basis von Pydantic AI mit Planung, Sub-Agenten, Datei- und Shell-Tools sowie MCP. Optional laufen Agenten in einer Docker-Sandbox; zusätzlich gibt es einen Coding-Agenten für das Terminal.
CUGA
Generalistischer Agent von IBM Research auf Basis von LangGraph, der Aufgaben über APIs und im Web erledigt. Richtlinien, Human-in-the-Loop, die Steuerung entfernter Agenten per A2A und Agent-Skills sind vorgesehen.
Omnara
Open-Source-Plattform, um dauerhaft laufende Agenten mit beliebigen Modellen auf unterschiedlichen Rechnern zu betreiben, von der Sandbox bis zum eigenen Laptop. MCP, Skills, Sub-Agenten und menschliche Freigaben sind enthalten; die Plattform lässt sich selbst hosten.
Vom Tool zum Ergebnis
Im AI-first-Coaching klären Sie, welche Ergebnisse KI-Agenten in Ihrer Marktbearbeitung verantworten sollen und in welchem Rahmen. Danach gestaltet, entwickelt und betreibt REVAGO Ihr System. Sie zahlen für Ergebnisse – nicht für Aktivität.
Leitbegriffe
Weitere Kategorien
Neutrale Einordnung, keine Empfehlung einzelner Anbieter. REVAGO ist mit den aufgeführten Projekten nicht verbunden. Beschreibungen beruhen auf den öffentlichen Angaben der Projekte; Funktionsumfang und Lizenzen können sich ändern. Auswahl nach awesome-agents (kyrolabs), Stand 19. Oktober 2026.