Warum industrielle KI-Agenten Graph-first-Orchestrierung brauchen
Hinweis: Dieser Beitrag wurde unter dem Messaging-Stand vom Mai 2026 neu verfasst. Die ursprüngliche Argumentation war auf Pro-Gerät-Codegen für Mikrocontroller fokussiert, was nicht mehr zur ForestHub-Produktstory passt.
Vor fünf Jahren war die offene Frage für Edge AI Capability: kann ein Modell überhaupt auf einem kleinen Gerät laufen? TinyML hat das beantwortet. Heute ist die schwierigere Frage Governance: kann der Agent, der dieses Modell verpackt, einsehbar, wiederabspielbar, auditierbar und eingegrenzt sein — auf dem Niveau, das EU AI Act und Cyber Resilience Act erwarten?
Der Loop-first-Default trägt nicht
Loop-first-Agent-Frameworks (LangChain, OpenAI Agents SDK, Claude Code) machen die Loop des LLMs zum Programm. Für einen Assistenten, der offen formulierte Ziele verfolgt, ist das richtig. Für ein Steuerungssystem, das entscheidet, ob ein Ventil schließt, nicht. „Was das LLM entschieden hat" überlebt kein Audit, und keine Sandbox um die Loop herum macht daraus etwas, das es überlebt.
Graph-first-Orchestrierung
Industrielle KI-Agenten brauchen eine andere Architektur. ForestHub kehrt das Verhältnis um: Der Graph ist das Programm, das LLM ein Knoten unter vielen. Manche Knoten sind deterministisch (Sensor lesen, Wert transformieren, verzweigen, aktuieren). Andere sind LLM-Agenten. Die Engine orchestriert alles. Das LLM ist eine Komponentenart, nicht die Runtime selbst.
Was das bringt
Einsehbarkeit — jede mögliche LLM-Entscheidung ist ein Wire auf dem Canvas. Wiederabspielbarkeit — einen Produktionslauf aufzeichnen, in CI mit gemocktem LLM nachspielen. Auditierbarkeit — die Aktionsmenge ist endlich und aufzählbar. Eingrenzung — das LLM kann nur erreichen, was explizit verkabelt wurde. Loop-first-Frameworks können diese Eigenschaften strukturell nicht liefern.
Edge-nativ by Architecture
Die Engine ist ein Go-Binary in einem distroless Docker-Image (linux/amd64 + arm64), das auf jedem Linux-Edge-Gerät läuft — Gateways, NUCs, NVIDIA Jetsons, Raspberry Pis, Industrie-PCs. Gleiches Image, gleicher Workflow, unabhängig vom Deployment-Ort. Compliance (DSGVO, AI Act, CRA) wird zu einer Eigenschaft der Architektur, nicht zu einer Policy, die nachträglich angeklebt wird.
Sechs konkrete Patterns dazu — verification-gated actuation, AI-as-classifier-only, replay testing, shadow-mode deployment, confidence-routed cascades, FSM-augmented agents — sind unter /patterns dokumentiert.
Der Graph ist das Programm. Das LLM ein Knoten.