Was ist ein Edge Agent? Definition und Architektur

Die meisten KI-Agenten leben im Rechenzentrum. Jede Entscheidung ist ein Roundtrip in die Cloud, Sensordaten raus und Antwort rein. An der Maschine ist das selten praktikabel. Die Latenz ist zu hoch, die Verbindung nicht garantiert, die Daten sollen die Anlage nicht verlassen, und die laufenden Kosten steigen mit jedem Aufruf. Genau hier setzt eine andere Bauform an, der Edge Agent. Ein KI-Agent, der nicht in der Cloud läuft, sondern direkt auf dem Gerät selbst.

Was ist ein Edge Agent?

Ein Edge Agent ist ein autonom arbeitender KI-Agent, der lokal auf dem Edge-Gerät ausgeführt wird, auf der Maschine, dem Controller, dem Gateway oder einem Single-Board-Computer wie einem Raspberry Pi oder einem Jetson-Board. Er tut drei Dinge, alle vor Ort.

• Wahrnehmen. Er liest Sensoren und Datenquellen, etwa digitale Eingänge (GPIO), analoge Werte (ADC), serielle Schnittstellen (UART) oder Nachrichten über MQTT.
• Entscheiden. Er bewertet die Lage mit der jeweils passenden Stufe, also einer Regel, einem klassischen ML-Modell oder einem kleinen Sprachmodell, das direkt auf dem Gerät läuft.
• Handeln. Er schaltet Ausgänge (GPIO, PWM, DAC), schreibt Parameter oder veröffentlicht eine Nachricht.

Der entscheidende Punkt ist das Wort lokal. On-Device-KI bedeutet, dass Wahrnehmung, Entscheidung und Aktion auf demselben Stück Hardware passieren. Ein Edge Agent ist damit kein Modell, das man irgendwo aufruft, sondern ein vollständiger Kreis aus Wahrnehmen, Entscheiden und Handeln am Ort des Geschehens. Mit einem lokalen Modell arbeitet er offline, und ohne Cloud-Aufruf oder Websuche verlässt kein Datenpaket das Gerät.

Graph-first heißt, der Graph ist das Programm

Was einen Edge Agent berechenbar macht, ist seine innere Struktur. Bei einem Edge Agent ist der Workflow-Graph das Programm, und die KI ist ein Knoten in diesem Graphen, nicht der Dirigent darüber.

Das ist die Umkehrung des verbreiteten Musters, bei dem ein Sprachmodell in einer Schleife sitzt und selbst entscheidet, welches Werkzeug es als Nächstes aufruft. Bei einem graph-first aufgebauten Edge Agent ist der Ablauf vorgezeichnet. Ein Trigger startet den Graphen, die Knoten führen in definierter Reihenfolge aus, und Verzweigungen sind sichtbar. Daraus folgt dreierlei.

• Deterministisch. Derselbe Eingang führt über denselben Pfad.
• Inspizierbar. Jeder Schritt ist ein benannter Knoten, jede Kante ein nachvollziehbarer Übergang.
• Begrenzt. Der Agent kann nur tun, was im Graphen steht. Keine offene Schleife, kein unkontrollierter Werkzeugzugriff.

Sicherheit entsteht hier nicht durch nachträgliche Wächter, sondern durch die Bauform selbst, also lokale Ausführung, Container-Isolation und einen nachvollziehbaren, begrenzten Graphen. Diese Architektur ist von Grund auf für die Sicherheitsanforderungen des EU Cyber Resilience Act ausgelegt, CRA-Readiness als Eigenschaft der Architektur und nicht als nachträgliches Etikett.

Die Intelligenz-Kaskade

Nicht jede Aufgabe braucht ein Sprachmodell, und die teuerste Stufe ist selten die richtige. Ein Edge Agent staffelt seine Intelligenz nach dem tatsächlichen Bedarf.

1. Regeln. Schwellwerte und Zustandslogik. Schnell, deterministisch, kostenlos.
2. Klassisches ML. Klassifikation und Anomalieerkennung auf schmalen Modellen.
3. On-Device-SLM (1 bis 3 Mrd. Parameter). Ein kleines Sprachmodell direkt auf dem Gerät, über einen lokalen, OpenAI-kompatiblen Inferenzserver neben der Engine.
4. Mittelgroßes Open-Weight-Modell. Wenn mehr Sprachverständnis nötig ist.
5. Frontier-Cloud-LLM. Die Ausnahme, nicht die Regel.

In der Praxis passt ein großer Teil industrieller Aufgaben auf ein kleines Sprachmodell, das lokal läuft. Die Cloud ist dann der Sonderfall und nicht der Default, und genau das macht lokale KI in der Industrie tragfähig.

Edge Agent, Cloud-Agent, TinyML und Chatbot im Vergleich

• Cloud-Agent. Ruft ein Rechenzentrum auf. Mächtig, aber abhängig von Verbindung, Latenz und laufenden Kosten, und die Daten verlassen die Anlage.
• Reine TinyML-Inferenz. Ein einzelnes Modell auf dem Mikrocontroller, das eine Zahl ausgibt. Kein Kreis aus Wahrnehmen, Entscheiden und Handeln, keine Verzweigung, kein Gedächtnis.
• Chatbot. Wartet auf Text und antwortet mit Text. Keine Sensoren, keine Aktoren, kein Trigger aus der physischen Welt.
• Edge Agent. Schließt den vollen Kreis lokal, mit Hardware-I/O als erstklassigen Knoten, einer gestaffelten Intelligenz und einem dauerhaften lokalen Gedächtnis.

Beispiel aus der Gebäudetechnik

Ein Anlagenbetreiber überwacht eine Pumpen- und Verdichterstation. Ein Edge Agent läuft auf einem kleinen Controller direkt an der Station. Über einen analogen Eingang liest er den Vordruck, und ein Trigger mit Schwellwert und Hysterese reagiert erst, wenn der Wert eine Bandbreite wirklich verlässt, ohne Flattern. Der Agent klassifiziert den Betriebszustand lokal, und wenn ein Eingriff nötig ist, schreibt er einen neuen Sollwert. Den deterministischen Regelkreis berührt er dabei nie direkt. Er liefert den Parameter gepuffert, während der eigentliche Regler ungestört weiterläuft. Den Stationsstatus veröffentlicht der Agent über MQTT an die Leitebene. In seinem lokalen Gedächtnis hält er die jüngsten Verläufe fest, um wiederkehrende Muster über die Zeit einzuordnen.

So läuft das am Edge

Technisch ist der Edge Agent ein einziges Binary, das auf der jeweiligen Hardware läuft, vom Raspberry Pi über ein Jetson-Board bis zum x86-Industrierechner. Der Wechsel vom Pi auf stärkere Hardware bedeutet neu ausrollen statt neu schreiben (bench-getestet). Die Hardware-Schnittstellen sind erstklassige Knoten auf echten Linux-Treibern, GPIO digital, ADC, DAC und PWM analog, UART seriell sowie MQTT als Publish und als auslösendes Abonnement. Das Trigger-Set umfasst Intervall, Alarm und Zeit, Verzögerung, Schwellwert mit Hysterese, Pin-Flanke, seriellen Empfang und MQTT-Nachricht.

Das kleine Sprachmodell läuft über einen lokalen, OpenAI-kompatiblen Inferenzserver direkt neben der Engine. Für Wissen steht eine durchsuchbare Wissensbasis mit semantischer Suche bereit, und Web-Fetch sowie Websuche sind eigene Knoten, sobald Netz vorhanden ist. Für den Betrieb über viele Geräte hinweg gibt es eine Agent Registry, Fleet-Orchestrierung und föderiertes Lernen, also Modellverbesserung über viele baugleiche Geräte hinweg, ohne die Rohdaten zu zentralisieren. Gebaut wird visuell im Builder oder über die CLI, und der Kern ist quelloffen und ohne Konto nutzbar. From Hardware to Intelligence.

Das Wichtigste in Kürze

• Ein Edge Agent ist ein KI-Agent, der lokal auf dem Edge-Gerät wahrnimmt, entscheidet und handelt, statt in der Cloud.
• Graph-first heißt, der Graph ist das Programm und die KI ein Knoten, deterministisch, inspizierbar, begrenzt.
• Die Intelligenz-Kaskade staffelt von Regeln über klassisches ML bis zum On-Device-SLM, und die Cloud ist die Ausnahme.
• Gleiches Binary von Raspberry Pi bis x86, Hardware-I/O als Knoten, lokales Modell, offline-fähig und mit dauerhaftem Gedächtnis.
• Anders als Cloud-Agent, TinyML oder Chatbot schließt der KI-Agent auf der Maschine den vollen Kreis vor Ort.