Das Modell ist ein Baustein, die Anwendung ein System.
Ein Large Language Model (LLM) ist ein großes Sprachmodell. Beim Training werden viele Zahlenwerte, die Parameter, angepasst. Bei einer Anfrage verarbeitet das Modell den verfügbaren Kontext als Tokens und berechnet mögliche Fortsetzungen. Bei autoregressiver Textausgabe entsteht die Antwort schrittweise: Das nächste Token hängt von der Eingabe und der bisherigen Ausgabe ab.
Das ist ein nützliches Erklärmodell, keine vollständige Beschreibung jeder heutigen KI-Anwendung. Ein Dienst kann zusätzlich suchen, Bilder verarbeiten oder Werkzeuge benutzen. Eine einzelne Anfrage ist außerdem nicht dasselbe wie neues Training der Modellgewichte.
Modell und Anwendung solltest du deshalb trennen. Das Modell berechnet Ausgaben. Die Anwendung entscheidet, welche Nachrichten es erhält, welche Werkzeuge erreichbar sind und was mit dem Ergebnis passiert. Ein überzeugender Text ist noch kein Beleg für eine richtige Antwort oder eine ausgeführte Handlung.
Ein Chatbot ergänzt eine Gesprächsoberfläche.
Ein Chatbot nimmt Nachrichten entgegen und zeigt Antworten an. Um das Modell herum liegen beispielsweise eine Oberfläche, die Aufbereitung des Gesprächsverlaufs und Regeln für die Anwendung. Ein Chatprodukt kann verschiedene Modelle und zusätzliche Funktionen anbieten. Sein Name bezeichnet deshalb nicht automatisch ein bestimmtes Modell.
Ob der Bot nur antwortet oder auch handelt, hängt von seiner Ausstattung ab. Eine Chatoberfläche kann der Zugang zu einem Agentensystem sein. Umgekehrt wird aus einem Modell nicht schon durch ein Texteingabefeld ein autonomer Agent.
Szene 1: eine Frage beantworten.
Du fragst: „Warum hat ein Byte 256 mögliche Muster?“ Die Anwendung übergibt deine Frage und den relevanten Verlauf an das Modell. Es erzeugt eine Erklärung: Acht binäre Stellen erlauben 28 Kombinationen. Die Anwendung zeigt den Text an. Für diesen Ablauf sind weder Dateizugriff noch E-Mail-Versand nötig.
Der Text sollte fachlich geprüft werden. Die Oberfläche allein garantiert nicht, dass die Erklärung korrekt ist; auch eine schön formulierte Rechnung kann falsch sein.
Ein Agent steuert Schritte innerhalb eines vorgegebenen Rahmens.
Der Begriff KI-Agent wird unterschiedlich verwendet. Hier meinen wir ein System, in dem ein Modell abhängig von Aufgabe und Zwischenergebnissen nächste Schritte wählen kann. Dazu gehören eine Ablaufsteuerung, ein Arbeitszustand, Abbruchbedingungen und klare Grenzen. Das Modell allein ist dieses Gesamtsystem nicht.
Externe Werkzeuge sind häufig hilfreich, aber keine universelle Definitionsbedingung. Ein System kann beispielsweise intern verschiedene Lösungswege planen und prüfen. Sobald es außerhalb seiner Textausgabe etwas bewirken soll, braucht es dafür eine tatsächliche Schnittstelle und passende Rechte. Mehr Eigenständigkeit bedeutet nicht unbegrenzte Befugnisse.
Szene 2: eine Aufgabe in mehreren Schritten bearbeiten.
Auftrag: „Vergleiche die drei freigegebenen Inventarlisten und erstelle einen Entwurf der Unterschiede. Versende nichts.“ Ein möglicher Ablauf:
- Die Anwendung gibt nur einen lesenden Zugriff auf genau diese drei Dateien frei.
- Der Agent liest die erste Liste, prüft das Format und entscheidet, welche Felder er für den Vergleich braucht.
- Er liest die übrigen Listen und lässt fehlende oder widersprüchliche Werte kenntlich machen.
- Er erstellt einen Berichtsentwurf und prüft ihn gegen die gelesenen Daten.
- Die Anwendung beendet den Lauf. Für einen Versand fehlt sowohl die Freigabe als auch das Werkzeug.
Zusätzlich zum Modell werden hier Dateischnittstellen, Zugriffsregeln, ein nachvollziehbarer Laufzustand und eine Begrenzung der Schritte benötigt. Ein Plan im Antworttext ist kein Nachweis, dass die Dateien wirklich gelesen wurden.
Ein Tool-Aufruf ist zunächst ein strukturierter Wunsch.
Bei Function Calling oder Tool Calling kann das Modell einen Werkzeugnamen und Argumente in einem vorgegebenen Format ausgeben. Die umgebende Anwendung prüft diesen Vorschlag und führt die zugelassene Operation aus. Ein Ergebnis kann danach wieder als Kontext an das Modell gehen.
Beispiel: Ein Werkzeug heißt inventar_lesen und akzeptiert die Kennung einer freigegebenen Liste. Das Modell darf nicht allein durch einen passend klingenden Dateinamen beliebige Dateien öffnen. Die Anwendung muss die Kennung, Berechtigung und das Ergebnis prüfen. Ein gültiges Datenformat ist noch keine ausreichende Autorisierung.
Schreib-, Lösch- und Kommunikationsrechte sind getrennte Entscheidungen. Wenn die Aufgabe nur einen Entwurf verlangt, ist ein Versandwerkzeug unnötig. Der Sicherheitsartikel zeigt diese Vertrauensgrenzen an einer lokalen Demo.
Ein Workflow kann feststehen, ein Agent kann Wege auswählen.
In einem festen Workflow ist die Reihenfolge im Programm vorgegeben: Datei lesen → Felder prüfen → Bericht erzeugen. Ein LLM kann einen dieser Schritte übernehmen, ohne selbst die Reihenfolge zu steuern. Bei einem agentischen Ablauf beeinflussen Modellentscheidungen und Ergebnisse stärker, welcher Schritt als Nächstes folgt.
In der Praxis lassen sich beide Formen kombinieren. Beispielsweise kann ein festes Programm einen Agenten nur für unklare Fälle aufrufen und anschließend dessen Ergebnis validieren. Eine einfache, gut prüfbare Automatisierung kann für eine Aufgabe geeigneter sein als eine offene Agentenschleife.
Mehr Handlungsmöglichkeiten vergrößern auch die Fehlerfolgen.
Das Modell kann Fakten erfinden, Werkzeuge falsch auswählen oder Argumente ergänzen, die niemand vorgegeben hat. Eine Schleife kann sich wiederholen, ein veralteter Zwischenstand kann spätere Schritte verfälschen. Deshalb braucht das System Zeit-/Schrittbudgets, überprüfbare Ergebnisse und eine definierte Übergabe an einen Menschen, wenn es nicht weiterkommt.
Merksatz: LLM beschreibt einen Modellbaustein, Chatbot eine Form der Interaktion, Agent eine Art der Ablaufsteuerung. Diese Begriffe schließen sich nicht gegenseitig aus und bilden keine zwangsläufige Entwicklungsleiter. Für den nächsten Zusammenhang klären wir, was das Modell bei einer Anfrage überhaupt sehen kann.
Passend dazu ansehen.
Veröffentlichte BitSicht-Videos mit Zusammenfassung, Kapiteln und einem Player, den du selbst aktivierst.
Quellen und Stand.
Fachlich geprüft am . Rechenwege, Beispiele und Diagramme sind eigene Darstellungen. Vereinfachte Beispiele sind gekennzeichnet. Laufende Dokumentation wurde für allgemeine Konzepte verwendet; produktspezifische Belege sind mit Stand oder Version benannt.