Graph-first statt Loop-first für Edge-KI-Agenten

Ein KI-Agent, der so lange iteriert, bis er irgendeine Lösung findet, ist im Chatfenster beeindruckend. An einer Maschine in der Fertigung ist er ein Risiko. Wer eine Anlage betreibt, will nicht hören, dass „die KI das schon richtig macht“. Er will wissen, was sie tun kann, was sie nicht tun kann und in welcher Reihenfolge, vor allem sobald ein Echtzeit-Regelkreis im Spiel ist. An dieser Frage trennen sich zwei Architekturen für KI-Agenten auf der Maschine, Loop-first und graph-first.

Loop-first, der Agent entscheidet und du hoffst

Im Loop-first-Modell gibst du dem Agenten ein Ziel und überlässt ihm den Weg. Er ruft ein Werkzeug auf, prüft das Ergebnis, korrigiert sich und ruft das nächste auf, über fünf, sechs, sieben Schleifen, bis er konvergiert. Das funktioniert für offene Recherche. Für eine Anlagensteuerung ist es schwer zu beherrschen.

Das Problem ist nicht die Intelligenz, sondern die fehlende Struktur. Was am Ende bleibt, ist ein Protokoll, eine Abfolge von Versuchen und kein nachvollziehbarer Bauplan. Derselbe Auftrag kann beim nächsten Lauf einen anderen Weg nehmen. Es gibt keine feste Grenze dafür, welche Aktionen überhaupt möglich sind. In einer Umgebung, in der ein falscher Schreibzugriff Material, Maschine oder Mensch trifft, ist „der Agent wird schon das Richtige tun“ keine tragfähige Zusage.

Graph-first heißt, der Graph ist das Programm

Graph-first dreht das Verhältnis um. Statt dem Agenten den Ablauf zu überlassen, ist der Ablauf selbst das Programm, eine deterministische Folge typisierter Knoten mit klaren Grenzen. Ein Knoten liest einen Sensor, ein Knoten prüft einen Schwellwert mit Hysterese, ein Knoten veröffentlicht eine MQTT-Nachricht, und ein Knoten ist der KI-Agent. Die KI ist nicht der Dirigent, sie ist ein Instrument im Orchester.

Der entscheidende Punkt ist, dass der Workflow-Graph das Artefakt ist. Man kann ihn lesen, versionieren, im Review durchgehen und vor dem Ausrollen prüfen. Jeder Knoten hat einen Typ, einen definierten Eingang und Ausgang. Die KI darf innerhalb ihres Knotens entscheiden. Ein lokales Small Language Model klassifiziert, fasst zusammen oder schlägt einen Parameter vor. Aber sie kann den Graphen nicht umschreiben. Der Handlungsraum ist durch die Struktur begrenzt, nicht durch gutes Zureden.

Dasselbe Graph-Modell trägt dabei über viele Anwendungsfälle, von der Zustandsüberwachung über die Schwellwert-Reaktion bis zur Datenanreicherung am Edge. Man lernt eine Denkweise, nicht zehn Werkzeuge.

Die Plan-Mode-Analogie

Wer mit Coding-Agenten arbeitet, kennt das Muster bereits. Gute Agenten erstellen erst einen Plan und führen ihn dann aus. Der Plan ist sichtbar, prüfbar und korrigierbar, und die Ausführung folgt ihm.

Graph-first treibt diese Idee konsequent zu Ende. Der Plan ist das Programm, und er steht vor der Laufzeit fest. Die Intelligenz steckt nicht darin, den Ablauf zur Laufzeit neu zu erfinden, sondern an genau den richtigen Stellen eine Entscheidung zu treffen. Erst der Bauplan, dann die Ausführung. Hier wird der Bauplan nur nicht wieder verworfen, sobald es ernst wird.

Warum die Industrie das braucht

Drei Eigenschaften machen graph-first für die lokale KI in der Industrie attraktiv.

• Auditierbarkeit. Der Graph lässt sich lesen wie ein Stromlaufplan. Was passiert, ist vor dem Start bekannt, nicht erst im Nachhinein aus einem Protokoll zu rekonstruieren.
• Begrenztheit. Der Agent kann nichts anrichten, was außerhalb seines Knotens liegt. Sein gesamter Handlungsraum ist der Graph, und der ist endlich und sichtbar.
• Sicherheit aus der Architektur. Lokale Ausführung, Container-Isolation und der begrenzte, prüfbare Graph ergeben zusammen ein Sicherheitsmodell, das man nicht auf Wohlverhalten der KI stützen muss.

Echtzeit bleibt deterministisch mit Agent-as-a-Tool

Der heikelste Einwand zuerst. Echtzeitregelung verträgt keinen KI-Agenten, der unvorhersehbar lange nachdenkt. Stimmt, deshalb sitzt der Agent auch nie im Regelkreis. Das Muster heißt Agent-as-a-Tool. Der deterministische Regler läuft in seinem festen Takt weiter, und der KI-Agent schreibt nur Parameter, gepuffert und außerhalb der Schleife. Er verschiebt einen Sollwert, und der Regler holt ihn sich, wenn es ihm passt. Die Intelligenz wirkt auf die Regelung ein, ohne in ihr zu stecken.

Ein anonymes Szenario

Eine Trocknungsstation in einer Fertigungslinie. Ein klassischer PID-Regler hält die Temperatur, zuverlässig, aber stur. Schwankt die Materialfeuchte, läuft die Station mal zu heiß, mal zu kalt, und jemand justiert von Hand nach.

Ein Edge Agent läuft direkt an der Station. Ein Trigger feuert beim Überschreiten eines Schwellwerts mit Hysterese. Ein KI-Knoten bewertet den Trend der letzten Messwerte und schlägt einen angepassten Sollwert vor. Ein Schreibknoten legt diesen Sollwert in den Pufferbereich des Reglers. Der Regler arbeitet ununterbrochen weiter in seinem Takt. Fällt der KI-Knoten aus oder liefert Unsinn, regelt die Station weiter auf dem letzten gültigen Sollwert. So entsteht ein KI-Agent auf der Maschine, der mitdenkt, ohne die Kontrolle zu übernehmen.

So läuft das am Edge

Technisch ist der Agent ein einziges Binary, dasselbe auf Raspberry Pi, Jetson, Industriesteuerung oder x86. Neu ausrollen statt neu schreiben. Daneben läuft ein lokaler, OpenAI-kompatibler Inferenzserver (etwa llama.cpp), der ein Small Language Model mit 1 bis 3 Milliarden Parametern bedient. Hardware-I/O ist erstklassig, mit GPIO, ADC/DAC/PWM, UART/Serial und MQTT auf echten Linux-Treibern. Die Trigger reichen von Intervall und Zeit über Schwellwert-mit-Hysterese und Flankenwechsel bis zur eingehenden MQTT-Nachricht.

Dahinter steht eine Intelligenz-Kaskade. Erst Regeln, dann klassisches ML, dann das On-Device-SLM, und nur im Ausnahmefall ein größeres Modell. Ein großer Teil industrieller Aufgaben passt auf ein lokales SLM. Mit lokalem Modell läuft die On-Device-KI offline. Ohne Modell wandern Anfragen nach außen. Lokale KI in der Industrie heißt hier, dass die Entscheidung dort fällt, wo die Maschine steht, in einem Ablauf, den man vorher gelesen hat.

Key Takeaways

• Loop-first lässt den Agenten iterieren, bis irgendeine Lösung steht, flexibel, aber schwer nachvollziehbar und schwer zu begrenzen.
• Graph-first macht den Workflow-Graphen zum Programm, mit typisierten Knoten, klaren Barrieren und der KI als ein Knoten unter vielen.
• Wie beim Plan-Modus von Coding-Agenten gilt, erst der Bauplan und dann die Ausführung, nur steht der Plan hier vor der Laufzeit fest.
• Die Industrie gewinnt Auditierbarkeit, Begrenztheit und ein Sicherheitsmodell aus der Architektur statt aus Vertrauen.
• Echtzeit bleibt deterministisch, weil der Agent per Agent-as-a-Tool nur gepufferte Parameter schreibt und nie im Regelkreis sitzt.