KI-Agenten mit Recherchefunktion: Warum Agenten vor dem Schreiben recherchieren müssen

Vor vier Wochen kannte ich den Begriff KI-Agent kaum. Heute baue ich einen Agenten, der Markttrends recherchiert, bevor er darüber schreibt – und dabei eine Bewertung von 96/100 in unserem Evaluierungssystem erreicht. Der Unterschied lag nicht in einem neuen Modell oder einem komplexen Framework, sondern darin, dass der Agent nicht mehr aus dem Gedächtnis schrieb, sondern aus nachweisbaren Fakten.

Warum blindes Schreiben zu leeren Inhalten führt

Mein erster Ansatz für eine automatisierte Artikelproduktion war einfach: Ich gab dem Agenten den Befehl, einen Artikel über KI-Agenten und Multi-Agenten-Orchestrierung zu verfassen. Das Ergebnis war zwar kohärent, markenkonform und sprachlich einwandfrei – doch es fehlte an Tiefe. Der Agent schrieb aus Mustererkennung, nicht aus Wissen.

Dabei wurde mir klar, dass der Agent weder die aktuelle Marktdynamik noch konkrete Entwicklungen kannte. So wusste er beispielsweise nicht, dass Cursor kürzlich eine Bewertung von 9,9 Milliarden US-Dollar erreichte, weil die neue Agent Mode-Funktion als zentrales Feature präsentiert wurde. Auch die Tatsache, dass 60 % der KI-Projekte in Unternehmen scheitern, weil die Datenbasis unzureichend ist, blieb ihm verborgen. Noch kritischer: Selbst wenn jeder einzelne Agentenschritt mit 85 % Genauigkeit arbeitet, sinkt die Erfolgsquote in einer 10-stufigen Arbeitskette auf gerade einmal 20 %. Der Agent schrieb also selbstbewusst über Dinge, die er nicht wirklich verstand.

Hier zeigt sich der fundamentale Unterschied zwischen einem Chatbot und einem echten Agenten: Ein Chatbot beantwortet Fragen. Ein Agent hingegen untersucht, bevor er handelt.

Der Durchbruch: Recherche vor der Veröffentlichung

Bei der Erstellung eigener Inhalte fiel mir auf: Wenn ich über ein Thema schreibe, das ich wirklich kenne, entsteht ein präziserer, spezifischerer und überzeugenderer Text. Ich nutze konkrete Zahlen, echte Tools und nachprüfbare Zeitpläne. Schreibe ich hingegen aus unvollständigem Wissen, wird der Text generisch, füllend und risikoarm.

Diese Erkenntnis übertrug ich auf meinen KI-Agenten. Statt ihn einfach anzuweisen, einen Artikel zu verfassen, änderte ich die Anweisung:

• Recherchiere das Thema in drei unabhängigen Quellen (Brave Search, DuckDuckGo, Wikipedia).
• Fasse die Ergebnisse in einem strukturierten Brief zusammen mit den vier Abschnitten: Hintergrund, aktuelle Entwicklungen, unbesprochene Lücken und konkrete Zahlen.
• Erst dann verfasse den Artikel auf Basis dieses Briefs.

Der Recherche-Agent arbeitet unabhängig von der Schreibkomponente. Jede Quelle wird separat abgefragt – fällt eine aus, arbeiten die anderen weiter. Ein Claude Haiku verdichtet die Rohdaten zu einem präzisen Brief, in dem Hintergrundrauschen eliminiert und relevante Signale hervorgehoben werden. Dieser Brief wird dann als Grundlage für den Schreibprozess genutzt.

Das erste Ergebnis dieses Verfahrens erreichte eine Bewertung von 96/100 im Evaluierungssystem.

Die konkreten Veränderungen im Detail

Spezifität wird zur Norm

Vor der Recherche lautete ein typischer Satz: „KI-Agenten verändern die Automatisierung in Unternehmen.“

Nach der Recherche hieß es: „Cursor’s Agent Mode ermöglichte acht parallele Agenten und erreichte eine Bewertung von 9,9 Milliarden US-Dollar. Auf der NVIDIA GTC 2026 waren agentische Frameworks das meistdiskutierte Thema, was auf eine wachsende Akzeptanz in Unternehmen hindeutet.“

Ein Satz ist eine Behauptung. Der andere ist eine nachweisbare Aussage. Der strukturierte Brief liefert dem Schreibagenten die Munition – echte Statistiken, relevante Kontexte und greifbare Perspektiven. Der Text muss nicht mehr vorsichtig formuliert werden, weil er auf verifizierbaren Fakten aufbaut.

Unsichtbare Lücken werden sichtbar

Besonders überraschend war die Entdeckung von Problemen, über die niemand spricht – obwohl sie entscheidend sind. Ein Beispiel ist die Kumulation von Genauigkeit: Während viele über eine 85 %-ige Genauigkeit pro Arbeitsschritt sprechen, wird selten thematisiert, dass dies in einer 10-stufigen Kette zu einer Erfolgsquote von nur 20 % führt. Der Recherche-Agent identifizierte dies als „unbesprochenen Aspekt“ und der Artikel konnte diese Lücke direkt adressieren.

Ein Schreibagent ohne Recherche schreibt aus Wissenslücken. Ein Schreibagent mit Recherche schreibt aus Erkenntnislücken – und diese sind deutlich wertvoller.

Vertrauen wird messbar

Als ich den Artikel mit 96/100 las, war ich nicht nur subjektiv überzeugt – ich konnte konkret benennen, warum. Der Text enthielt drei validierte Statistiken, verwies auf spezifische Produkte und nannte messbare Folgen. Unser Evaluierungssystem bewertete ihn höher, weil die Inhalte nachprüfbar waren.

Das ist der eigentliche Paradigmenwechsel: Der Agent ist nicht intelligenter geworden. Aber er ist ehrlicher.

Die technische Umsetzung – einfach, aber durchdacht

Die Implementierung ist kein Raketenwissenschaftsprojekt, aber es gibt einige Fallstricke, die es zu beachten gilt.

Der Kern des Systems ist eine asynchrone Recherche-Pipeline, die parallel drei unabhängige Quellen abfragt. Hier ein vereinfachtes Beispiel:

async def recherchiere_thema(thema: str) -> dict:
    """
    Recherchiert ein Thema in drei unabhängigen Quellen und gibt einen strukturierten Brief zurück.
    Enthält Abschnitte zu Hintergrund, aktuellen Diskussionen, Lücken und Statistiken.
    """
    quellen = [
        {"name": "Brave Search", "funktion": suche_brave},
        {"name": "DuckDuckGo", "funktion": suche_duckduckgo},
        {"name": "Wikipedia", "funktion": suche_wikipedia}
    ]
    ergebnisse = {}

    # Alle Suchanfragen laufen parallel
    for quelle in quellen:
        try:
            ergebnisse[quelle["name"]] = await quelle"funktion"
        except Exception as e:
            # Ein Ausfall einer Quelle stoppt nicht die gesamte Pipeline
            ergebnisse[quelle["name"]] = {"fehler": str(e), "daten": None}

    # Rohdaten werden zu einem strukturierten Brief verdichtet
    brief = await verdichte_mit_claude(
        ergebnisse,
        abschnitte=[
            "hintergrund",
            "aktuelle_diskussion",
            "lücken_und_unbesprochene_aspekte",
            "wichtige_statistiken_und_datenpunkte"
        ]
    )
    return brief

Die entscheidenden Entscheidungen im Überblick:

• Unabhängige Fehlerbehandlung: Fällt Brave Search aus, läuft DuckDuckGo weiter. Scheitert Wikipedia, werden die verbleibenden zwei Quellen genutzt. In der ersten Version stoppte das System bei einem Fehler – die Praxis zeigte, dass dies in der Produktion nicht tragbar ist.

• Parallelisierung: Alle drei Suchanfragen laufen gleichzeitig über asyncio.gather(). Eine sequenzielle Abarbeitung wäre dreimal langsamer – und jede Sekunde Verzögerung bedeutet Wartezeit für den Nutzer.

• Strukturierte Verdichtung: Die Rohdaten werden nicht einfach aneinandergefügt. Der Claude-Agent erhält die Anweisung, die Ergebnisse in vier spezifische Abschnitte zu gliedern. Der Hintergrund liefert historische Kontexte. Die aktuelle Diskussion zeigt aktuelle Trends. Die Lücken identifizieren unbesprochene Aspekte. Die Statistiken heben messbare Fakten hervor.

Die Recherche vor dem Schreiben ist kein Allheilmittel. Aber sie ist ein entscheidender Schritt, um KI-Agenten von bloßen Textgeneratoren zu vertrauenswürdigen Wissensverarbeitern zu machen – Agenten, die nicht nur schreiben, sondern verstehen.

Langfristig wird diese Methode nicht nur die Qualität von KI-generierten Inhalten steigern, sondern auch das Vertrauen in automatisierte Systeme stärken. Denn am Ende geht es nicht darum, schneller zu schreiben – sondern besser zu informieren.