LLM · Agent · Workflow

Warum die Begriffe verwirren

Die Begriffe LLM, Agent und Workflow tauchen im Umfeld von KI Automation ständig auf und werden oft miteinander verwechselt. Tatsächlich beschreiben sie unterschiedliche Konzepte.

Die Verwirrung entsteht, weil die drei Konzepte eng zusammenhängen und in der Praxis oft gemeinsam genutzt werden. Ein Agent verwendet ein LLM. Ein Workflow kann einen Agenten enthalten. Ein LLM allein ist jedoch noch kein Agent. Die Unterschiede werden klar, sobald man die einzelnen Ebenen getrennt betrachtet.

Die drei Ebenen:

LLM
Das Sprachmodell.
Verarbeitet Text und erzeugt Antworten.

Agent
Nutzt ein LLM.
Kann zusätzlich Werkzeuge einsetzen, um Informationen abzurufen oder Aktionen auszuführen.

Workflow
Steuert und verbindet Abläufe.
Kann LLMs, Agenten und klassische Automatisierungen kombinieren.

LLM – das Sprachmodell

↑ Zur Kapitelübersicht

Ein Large Language Model ist ein neuronales Netz, das auf sehr großen Textmengen trainiert wurde und daraus sprachliche Muster, Zusammenhänge und Wissen gelernt hat.

Ein LLM verarbeitet Texteingaben, den sogenannten Prompt, und erzeugt daraus eine passende Antwort. Dabei analysiert es Sprache, erkennt Zusammenhänge und formuliert neue Texte.

Seine Stärke liegt im Umgang mit Sprache: Texte analysieren, zusammenfassen, übersetzen, erklären, umformulieren und beantworten. Moderne LLMs können außerdem Code schreiben, Inhalte strukturieren und komplexe Informationen verständlich aufbereiten.

Zu den bekanntesten LLMs gehören:

Claude (Anthropic)
Stark bei Analyse, Nuancen und längeren Texten.

GPT 4o / GPT 5 (OpenAI)
Weit verbreitet, vielseitig und gut dokumentiert.

Gemini (Google)
Eng mit Google Diensten verknüpft.

Llama (Meta)
Open Source und lokal betreibbar.

LLMs im praktischen Einsatz

LLMs arbeiten meist als Teil eines größeren Systems. In Workflows oder Agenten übernehmen sie die Sprachverarbeitung, während andere Komponenten Daten abrufen, Werkzeuge steuern oder Aktionen ausführen. In n8n erscheinen LLMs dafür als Chat Model Nodes, zum Beispiel „Anthropic Chat Model“ oder „OpenAI Chat Model“.

Workflow – der geregelte Ablauf

↑ Zur Kapitelübersicht

Ein Workflow ist eine klar definierte Abfolge von Schritten. Er folgt einem festen Ablauf und arbeitet dadurch zuverlässig, nachvollziehbar und kontrollierbar.

Ein Workflow kennt seinen Ablauf bereits beim Start. Jeder Schritt wird vorher festgelegt und konfiguriert. Ein LLM kann dabei Teil des Workflows sein, etwa zum Zusammenfassen oder Analysieren von Texten. Die Steuerung des Ablaufs übernimmt jedoch der Workflow selbst.

Stärken des Workflows

Vorhersehbar: Das Ergebnis ist planbar, testbar und dokumentierbar.

Günstig: Jeder Schritt wird genau einmal ausgeführt – keine unerwarteten Mehrfach-API-Aufrufe.

Sicher: Kein KI-Modell entscheidet, ob eine E-Mail versendet oder eine Datei gelöscht wird. Das steht im Workflow-Plan.

Gut wartbar: Jeder Node hat eine klare Funktion, Fehler lassen sich in der Executions-Liste präzise lokalisieren.

Grenzen des Workflows

Was nicht vorher geplant wurde, kann nicht passieren. Unstrukturierte Eingaben, offene Fragen oder Aufgaben mit unbekannter Schrittzahl lassen sich schlecht in einem festen Ablauf abbilden. Hier beginnt der Bereich des Agenten.

Agent – die autonome Einheit

↑ Zur Kapitelübersicht

Ein Agent kombiniert ein LLM mit Werkzeugen und gibt dem Modell die Kontrolle darüber, welche Werkzeuge es wann einsetzt.

Der entscheidende Unterschied zum Workflow: Beim Agenten entscheidet das LLM den Ablauf. Es bekommt ein Ziel, überlegt selbst, welche Schritte nötig sind, führt sie aus, bewertet das Ergebnis – und wiederholt das, bis die Aufgabe erledigt ist.

Stärken des Agenten

Flexibel: Kann auf unerwartete Situationen reagieren, die beim Bau des Systems noch nicht bekannt waren.

Sprachfähig: Versteht natürlichsprachliche Eingaben und gibt natürlichsprachliche Antworten zurück.

Mehrstufig: Löst Aufgaben, die mehrere aufeinander aufbauende Recherche- oder Verarbeitungsschritte erfordern.

Grenzen des Agenten

Teurer: Mehrere LLM-Aufrufe pro Aufgabe.

Weniger vorhersehbar: Der genaue Weg zum Ergebnis variiert.

Fehleranfälliger: Halluzinationen können den Ablauf in eine falsche Richtung lenken.

Wie die drei zusammenarbeiten

↑ Zur Kapitelübersicht

In der Praxis arbeiten LLM, Agent und Workflow meist gemeinsam – jedes auf seiner Ebene.

Ein typisches reales System sieht so aus: Ein Workflow läuft täglich um 8 Uhr, empfängt eine Nachricht und leitet sie weiter. In der Mitte des Workflows sitzt ein Agent, der die Nachricht analysiert, Recherchen anstellt und eine Antwort formuliert. Das Denken im Agenten übernimmt ein LLM. Am Ende speichert der Workflow das Ergebnis – wieder ohne KI, einfach als fester Schritt.

Schema eines kombinierten Systems:

[Workflow-Trigger]
  ↓
[Workflow-Node: Daten vorbereiten]
  ↓
[AI Agent] ← verwendet [LLM] + [Werkzeuge]
  ↓
[Workflow-Node: Ergebnis speichern / senden]

Der Workflow gibt den Takt vor. Der Agent löst den komplexen Mittelteil. Das LLM ist das Denkorgan im Agenten.

Diese Schichtung ist kein Zufall – sie nutzt die Stärken jedes Konzepts gezielt: Der Workflow sorgt für Zuverlässigkeit an den Rändern, der Agent für Flexibilität in der Mitte, das LLM für Sprachverständnis im Kern.

Was nehme ich wofür?

↑ Zur Kapitelübersicht

Drei Fragen genügen, um die richtige Wahl zu treffen.

Frage 1: Ist die Aufgabe klar und wiederkehrend?

Ja → Workflow.
Täglich Daten abrufen, filtern, versenden – das ist ein Workflow. Klar definiert, immer gleich, kein Urteilsvermögen nötig.

Frage 2: Muss Text verstanden oder erzeugt werden?

Ja, aber der Ablauf bleibt fest → Workflow mit LLM-Node.
Ein E-Mail-Text soll zusammengefasst werden, bevor er weiterverarbeitet wird – der Workflow ruft einmal das LLM auf, nutzt die Antwort und macht weiter. Das LLM ist hier ein Werkzeug im Workflow, kein steuerndes Element.

Frage 3: Ist die Aufgabe offen, mehrstufig oder gesprächsbasiert?

Ja → Agent.
Die Anzahl der nötigen Schritte ist unklar, die Eingabe ist natürlichsprachlich, oder das System soll auf unerwartete Situationen reagieren – dann braucht es einen Agenten.

Kriterium	→ Workflow	→ Workflow + LLM	→ Agent
Ablauf bekannt?	Ja, fest	Ja, fest	Nein, variabel
Sprachverarbeitung nötig?	Nein	Ja, einmalig	Ja, mehrfach
Schritte unbekannt?	Nein	Nein	Ja
Kosten	Gering	Mittel	Höher
Vorhersehbarkeit	Hoch	Hoch	Mittel

Drei Aufgaben – drei Antworten

↑ Zur Kapitelübersicht

Dieselbe Frage für drei konkrete Aufgaben aus diesem Projekt – damit die Abgrenzung nicht abstrakt bleibt.

Aufgabe: EV-Ladesäulen-Finder

Täglich zur gleichen Zeit freie Ladestationen abfragen, filtern und per Nachricht melden.

→ Workflow.
Der Ablauf ist immer gleich, kein Urteilsvermögen nötig, die Schritte sind klar definiert. Ein LLM wäre hier Verschwendung – die Daten kommen strukturiert aus der API, eine Filterregel reicht.

Aufgabe: Fotografie-Workflow

Neue Fotos automatisch sortieren, benennen und mit Tags versehen.

→ Workflow mit LLM-Node.
Der Ablauf ist fest: neues Bild → Metadaten lesen → KI beschreibt den Inhalt → Datei umbenennen → sortieren. Das LLM erledigt einen klar abgegrenzten Schritt (Bildbeschreibung), steuert aber nichts.

Aufgabe: Gitarren-Akkord-Assistent

Auf eine natürlichsprachliche Beschreibung hin passende Akkorde vorschlagen, Rückfragen beantworten, Alternativen auf Nachfrage anbieten.

→ Agent.
Die Eingabe ist offen, der Gesprächsverlauf variiert, der Agent muss auf „Kannst du das etwas bluesiger machen?" den vorherigen Kontext kennen und flexibel reagieren.

Merksatz:
Wenn du den Ablauf komplett aufzeichnen kannst, bevor du anfängst – nimm einen Workflow.
Wenn nicht – nimm einen Agenten.

Nächste Schritte

↑ Zur Kapitelübersicht

Die Grundbegriffe sind geklärt. Jetzt fehlt noch eine technische Basis, um das erste Projekt zu starten.

APIs und Webhooks

Sowohl Workflows als auch Agenten kommunizieren über APIs mit der Außenwelt. Die nächste Grundlagen-Seite erklärt, was eine API ist, wie ein Webhook funktioniert und warum beides die technische Basis jeder Automatisierung bildet.