---
title: "Graph Engineering: Gestaltungsprinzipien zur Strukturierung von AI-Agenten-Workflows"
locale: de
category: ai_data
category_name: "KI-Daten"
translation_status: reviewed
license: cc_by
author: "injoys"
source_url: https://injoys.com/en/articles/graph-engineering-ai-agent-workflow-guide
published_at: 2026-08-21T02:29:06+09:00
---

# Graph Engineering: Gestaltungsprinzipien zur Strukturierung von AI-Agenten-Workflows

> Graph Engineering ist ein Ansatz, bei dem komplexe AI-Aufgaben in Knoten und Übergangsregeln unterteilt und Zustände, Validierung, Fehlerwiederherstellung sowie Benutzerfreigaben explizit gestaltet werden. Entscheidend ist, nicht alle Schritte der AI zu überlassen, sondern die Rollen von Code, Modell und Mensch klar voneinander abzugrenzen.

## Key Points

- Graph Engineering gestaltet nicht nur eine einzelne Antwort des Modells, sondern den gesamten Ablauf einer Aufgabe einschließlich Pfaden, Zuständen, Verzweigungen, Wiederholungen und Abbruchbedingungen.
- Knoten führen Aufgaben aus, Kanten definieren Übergangspfade, Zustände übertragen Daten zwischen den Schritten und Bedingungen bestimmen den nächsten Pfad.
- Routing, parallele Ausführung, Generator-Evaluator-Schleifen und Benutzerfreigaben sind typische Muster für Agentengraphen.
- Deterministische Aufgaben wie Formatvalidierung und Zahlenvergleiche sollten vorzugsweise dem Code, mehrdeutige Auslegungen der AI und risikoreiche Entscheidungen Menschen zugewiesen werden.
- Ein betriebsfähiger Graph benötigt ein Zustandsschema, Obergrenzen für Wiederholungsversuche, Schutz vor doppelter Ausführung, Beobachtbarkeit, Berechtigungsgrenzen und ein Kostenbudget.

Graph Engineering ist ein Ansatz, bei dem nicht nur die Qualität der Antwort eines einzelnen AI-Modells verbessert wird, sondern auch gestaltet wird, in welcher Reihenfolge und unter welchen Bedingungen verschiedene Aufgaben und Werkzeuge ausgeführt werden. Werden komplexe Arbeitsabläufe als Knoten und Verbindungen dargestellt, lassen sich Ein- und Ausgaben der einzelnen Schritte, Fehlerursachen, Wiederholungspfade und menschliche Genehmigungspunkte getrennt verwalten.

Allerdings ist diese Bezeichnung noch kein branchenweit einheitlich vereinbarter Standardbegriff. Treffender ist es, sie als praxisorientiertes Konzept zu verstehen, das die Gestaltung von Agenten-Workflows, graphbasierte Orchestrierung und die Steuerung mehrerer Agenten umfasst.

## Hintergrund für das Aufkommen von Graphen im AI Engineering

Die Schwerpunkte beim Entwurf von AI-Anwendungen haben sich wie folgt erweitert. Dabei handelt es sich weniger um offizielle Entwicklungsstufen, die alle Organisationen gleichermaßen durchlaufen, als vielmehr um einander ergänzende Entwurfsebenen.

| Ebene | Kernfrage | Zentrale Entwurfsobjekte |
|---|---|---|
| Prompt Engineering | Wie soll das Modell angewiesen werden? | Anweisungen, Beispiele, Ausgabeformat |
| Context Engineering | Aus welchen Informationen soll die Entscheidungsgrundlage bestehen? | Suchergebnisse, Speicher, Werkzeugergebnisse, Systemregeln |
| Loop Engineering | Wie sollen Planung, Ausführung, Prüfung und Korrektur wiederholt werden? | Wiederholungsbedingungen, Bewertungskriterien, Abbruchbedingungen |
| Graph Engineering | Über welche Pfade sollen verschiedene Aufgaben und Entscheidungsträger verbunden werden? | Knoten, Übergänge, Zustand, Verzweigungen, Parallelisierung, Genehmigungen |

Prompts und Kontext werden auch innerhalb eines Graphen weiterhin benötigt. Auch Schleifen lassen sich als zyklische Kanten des Graphen darstellen. Graph Engineering ist daher keine Technik, die bisherige Methoden ersetzt, sondern eher eine übergeordnete Entwurfsperspektive, die diese in eine Ausführungsstruktur einordnet.

## Bestandteile des Graph Engineering

### Knoten

Ein Knoten (Node) ist eine Arbeitseinheit mit einer klar definierten Verantwortung. Nicht nur LLM-Aufrufe, sondern auch gewöhnlicher Code wie Datenbankabfragen, Aufrufe von Such-APIs, Formatprüfungen, Berechnungen oder das Warten auf eine Benutzergenehmigung kann einen Knoten bilden.

Ein guter Knoten besitzt klare Ein- und Ausgaben und kann unabhängig getestet werden. Für das Debugging ist es vorteilhafter, die Verantwortung mit Bezeichnungen wie `aktuelle Unterlagen zur angegebenen Branche sammeln`, `doppelte Quellen entfernen` oder `Belege für jede Aussage prüfen` eng einzugrenzen, statt einen weit gefassten Namen wie `Marktforschung` zu verwenden.

### Kanten

Eine Kante (Edge) ist ein Übergang von einem Knoten zum nächsten. Es gibt feste Kanten, die stets zum gleichen nächsten Schritt führen, bedingte Kanten, die den Zustand prüfen und einen Pfad auswählen, sowie Verzweigungskanten, die mehrere Aufgaben gleichzeitig starten.

### Zustand

Der Zustand (State) umfasst die Daten, die während der Ausführung des Graphen gemeinsam genutzt werden. Dazu können Benutzeranfragen, Zwischenergebnisse, Suchquellen, Fehlercodes, Genehmigungsergebnisse und die Anzahl der Wiederholungen gehören.

Ein Zustand ist nicht dasselbe wie ein einfacher Gesprächsverlauf. Über Schemas und Regeln muss definiert werden, welche Felder erforderlich sind, wer sie ändern darf, wie parallele Ergebnisse zusammengeführt werden und wann sensible Informationen gelöscht werden.

### Bedingungen

Eine Bedingung (Condition) ist eine Regel zur Auswahl des nächsten Pfades. Deterministische Bedingungen wie `Gibt es mindestens drei Quellen?` können durch Code bewertet werden. Bedingungen wie `Stützen die Belege die Schlussfolgerung ausreichend?`, die eine inhaltliche Beurteilung erfordern, können dagegen eine Modellbewertung oder menschliche Prüfung notwendig machen.

## Warum die Steuerung leichter ist als bei einem einzelnen Agenten

Werden Recherche, Analyse, Erstellung und Prüfung vollständig einem einzigen Agenten überlassen, ist die Ursache eines fehlerhaften Ergebnisses schwer zu unterscheiden. Denn Planungsfehler, fehlende Suchergebnisse, fehlgeschlagene Werkzeugaufrufe und unbelegte Generierung vermischen sich in einem einzigen Ausführungsprotokoll.

Wird die Arbeit in einen Graphen zerlegt, lassen sich die folgenden Aspekte schrittweise verwalten.

- Die zulässigen Werkzeuge und Datenzugriffsrechte werden für jeden Knoten eingeschränkt.
- Zwischenergebnisse werden gespeichert und unabhängig bewertet.
- Nur fehlgeschlagene Knoten werden erneut ausgeführt, um Kosten und Zeit zu reduzieren.
- Unmittelbar vor wichtigen externen Aktionen wird eine menschliche Genehmigung eingeholt.
- Ausführungspfade, Latenzzeiten, Token-Verbrauch und Fehler werden nachverfolgt.

Eine größere Zahl von Knoten erhöht die Zuverlässigkeit jedoch nicht automatisch. Werden Zustände ungenau übermittelt oder sind Bewertungskriterien unklar, können sich Fehler über mehrere Schritte hinweg verstärken.

## Typische Nutzungsmuster für Graphen

### Router-Muster

Ein Router wählt abhängig von der Art oder dem Risiko einer Anfrage unterschiedliche Pfade aus. Beispielsweise kann eine Anfrage zu einer Rückerstattung an einen Knoten zur Richtliniensuche und eine technische Störung an einen Diagnoseknoten weitergeleitet werden.

Basiert die Routing-Entscheidung auf einfachen Schlüsselwörtern oder dem Kontostatus, ist Code dafür geeignet. Muss der Kontext interpretiert werden, kann eine Modellklassifizierung eingesetzt werden. Bei geringer Konfidenz ist jedoch eine Absicherung erforderlich, die die Anfrage an einen Standardpfad oder zur menschlichen Prüfung weiterleitet.

### Muster der parallelen Ausführung

Aufgaben, die nicht voneinander abhängig sind, werden gleichzeitig ausgeführt und anschließend in einem Aggregationsknoten zusammengeführt. Ein typisches Beispiel ist die parallele Untersuchung von Markt, Kunden und Wettbewerbern.

Parallelisierung kann die Latenz reduzieren, erhöht jedoch die Zahl der Aufrufe und die momentanen Kosten. Wenn Ergebnisse gleichzeitig dasselbe Zustandsfeld ändern, müssen auch Regeln zur Konfliktlösung und die Reihenfolge der Zusammenführung festgelegt werden.

### Ersteller-Bewerter-Muster

Ein Ersteller fertigt einen Entwurf an, und ein Bewerter entscheidet anhand festgelegter Kriterien über Annahme, Überarbeitung oder Neuerstellung. Da das Bewertungsergebnis an den Ersteller zurückgegeben wird, entsteht innerhalb des Graphen eine Schleife.

Ist auch der Bewerter ein LLM, kann er fehlerhafte Entscheidungen treffen. Soweit möglich, sollte die Bewertung durch deterministische Prüfungen wie Schemaprüfungen, Testausführungen oder die Überprüfung zitierter URLs ergänzt werden. Außerdem muss eine maximale Zahl von Wiederholungen festgelegt werden, um Endlosschleifen zu verhindern.

### Muster der Benutzergenehmigung

Vor Aktionen, die schwer rückgängig zu machen sind oder eine hohe Verantwortung mit sich bringen, etwa Änderungen an externen Systemen, das Versenden von Nachrichten, Zahlungen oder Bereitstellungen, wird die Ausführung angehalten und auf eine menschliche Entscheidung gewartet. Sicherer ist es, auf der Genehmigungsoberfläche nicht nur das Endergebnis, sondern auch die auszuführende Aktion, die verwendeten Daten, die erwarteten Auswirkungen und die Möglichkeit zur Rückgängigmachung anzuzeigen.

### Manager-Spezialisten-Muster

Ein Managerknoten zerlegt eine Aufgabe, weist sie spezialisierten Knoten für Suche, Analyse, Erstellung und weitere Tätigkeiten zu und führt anschließend die Ergebnisse zusammen. Die Aufgabentrennung ist nützlich, doch die bloße Erhöhung der Agentenzahl sollte nicht zum Selbstzweck werden. Bei festgelegten Abläufen kann ein expliziter Workflow besser vorhersehbar sein.

## Prinzipien für die Aufteilung der Rollen von AI, Code und Menschen

| Art der Aufgabe | Bevorzugtes Mittel | Beispiele |
|---|---|---|
| Klare Regeln, die stets dasselbe Ergebnis liefern müssen | Gewöhnlicher Code | Anzahl berechnen, Datumswerte vergleichen, JSON-Schema prüfen |
| Beurteilungen, die Bedeutung und Mehrdeutigkeit natürlicher Sprache behandeln | AI-Modell | Absicht klassifizieren, zusammenfassen, Entwurf erstellen, qualitativ bewerten |
| Entscheidungen, die Verantwortung, Ethik oder eine Hochrisikobewertung erfordern | Mensch | Genehmigung externer Mitteilungen, Zulassung von Ausnahmen, Genehmigung von Hochrisikomaßnahmen |

Wird trotz klarer Regeln ein LLM eingesetzt, steigen Kosten, Latenz und Nichtdeterminismus unnötig. Werden dagegen alle Entscheidungen in festen Coderegeln abgebildet, lassen sich reale Eingaben mit vielfältigen Ausdrucksformen nur schwer verarbeiten. Ein guter Graph verbindet die Vorteile aller drei Mittel und validiert an jeder Schnittstelle die Ein- und Ausgaben.

## Unterschied zwischen Wissensgraphen und Graph Engineering

Die beiden Konzepte können miteinander zusammenhängen, sind jedoch nicht identisch.

- Ein **Wissensgraph** ist eine strukturierte Datendarstellung von Entitäten wie Menschen, Organisationen, Dokumenten und Konzepten sowie ihrer Beziehungen.
- Ein **Agenten-Ausführungsgraph** stellt dar, in welcher Reihenfolge und unter welchen Bedingungen Aufgaben ausgeführt werden.
- **Graph Engineering** kann die praktische Gestaltung von Struktur, Zustand, Steuerung, Prüfung und Betrieb eines Ausführungsgraphen bezeichnen.

Die Suche in einem Wissensgraphen kann als einzelner Knoten eingebunden werden, doch Graph Engineering erfordert nicht zwingend einen Wissensgraphen. Umgekehrt entsteht durch den Aufbau eines Wissensgraphen nicht automatisch ein Agenten-Workflow mit Wiederholungs- und Genehmigungspfaden.

## Verborgene Entwurfselemente, die die Betriebsqualität bestimmen

Eine Darstellung des Graphen allein ergibt noch kein Produktionssystem. Die tatsächliche Zuverlässigkeit wird durch die Ausführungssemantik und die betrieblichen Vereinbarungen bestimmt.

### Zustandsverträge und Versionsverwaltung

Für jeden Knoten müssen das Ein- und Ausgabeschema, Pflichtfelder, Datenquellen und Aktualisierungsrechte definiert werden. Auch die Kompatibilität zwischen Zustandsschema und Workflow-Version muss verwaltet werden, damit bereits unterbrochene Ausführungen nach einer Änderung des Graphen fortgesetzt werden können.

### Fehlerbehebung und Idempotenz

Wird ein Knoten nach einem Netzwerkfehler erneut ausgeführt, können E-Mails oder Zahlungen doppelt ausgelöst werden. Aufgaben mit externen Nebenwirkungen benötigen Idempotenzschlüssel, eine Prüfung vor der Ausführung, Kompensationsaktionen oder einen Speicher zur Vermeidung von Duplikaten.

Auch Fehler sind nicht alle gleich. Pfade müssen nach Fehlertyp getrennt werden: Vorübergehende API-Fehler werden erneut versucht, fehlerhafte Eingaben an den Benutzer zurückgegeben und Richtlinienverstöße führen zum sofortigen Abbruch.

### Abbruchbedingungen und Kostenbudget

Ersteller-Bewerter-Schleifen müssen eine maximale Zahl von Wiederholungen, ein Zeitlimit sowie ein Token- oder Kostenlimit besitzen. Außerdem sind Bedingungen erforderlich, unter denen der Vorgang beendet oder an einen Menschen übergeben wird, wenn sich die Qualität nur geringfügig verbessert.

Die Gesamtkosten eines Graphen müssen nicht nur anhand der Kosten einzelner Modellaufrufe berechnet werden, sondern auch Wiederholungen, parallele Aufrufe, Zustandsspeicherung, externe Werkzeuge und Beobachtungssysteme einschließen.

### Beobachtbarkeit und Bewertung

Betriebsprotokolle müssen festhalten, welche Knoten und Modelle ausgeführt wurden, welcher Pfad ausgewählt wurde und welche Ein- und Ausgaben sowie Fehler auftraten. Dabei müssen jedoch Maskierung und Aufbewahrungsfristen angewandt werden, damit personenbezogene Daten, Authentifizierungsinformationen und sensible Geschäftsdaten nicht unverändert in den Protokollen gespeichert werden.

Die Bewertung endet nicht mit einer Punktzahl für die endgültige Antwort. Um Engpässe zu erkennen, müssen auch Kennzahlen für einzelne Knoten und Pfade gemessen werden, etwa Routing-Genauigkeit, Erfolgsquote der Werkzeuge, Erfüllungsquote der Beleganforderungen, Erkennungsquote von Risiken vor der Genehmigung und durchschnittliche Zahl der Wiederholungen.

### Sicherheits- und Berechtigungsgrenzen

Prompt-Injection-Angriffe müssen berücksichtigt werden, bei denen Anweisungen in Suchdokumenten oder Benutzereingaben die Systemregeln verändern. Vom Modell generierte Werkzeugargumente sind vor der Ausführung zu validieren, und jeder Knoten darf nur die für seine Aufgabe minimal erforderlichen Berechtigungen erhalten. Werden Lese-, Schreib-, Lösch- und externe Sendeberechtigungen getrennt, lässt sich das Risiko reduzieren, dass der Fehler eines einzelnen Knotens zu einem Vorfall im gesamten System führt.

## Fälle, in denen Graph Engineering geeignet ist

Je mehr der folgenden Bedingungen gleichzeitig vorliegen, desto größer ist der Nutzen einer Graphstruktur.

- Abhängig von der Eingabe sind unterschiedliche spezialisierte Verarbeitungspfade erforderlich.
- Unabhängige Aufgaben können parallel ausgeführt werden.
- Schlägt ein bestimmter Schritt fehl, muss zu einem festgelegten Punkt zurückgekehrt werden.
- Zwischenergebnisse müssen geprüft oder auditiert werden.
- Vor Änderungen an externen Systemen ist eine Genehmigung erforderlich.
- Die Ausführung dauert lange, sodass sie nach einer Unterbrechung fortgesetzt oder ihr Zustand erhalten werden muss.
- Berechtigungen und Datenzugriffsbereiche müssen nach Werkzeug getrennt werden.

Für einfache Zusammenfassungen, eine einmalige Klassifizierung oder kurze Frage-Antwort-Interaktionen eignet sich ein einzelner Modellaufruf oder eine kurze sequenzielle Pipeline besser. Wenn der durch die Einführung eines Graphen entstehende Aufwand für Zustandsverwaltung, Tests, Beobachtung und Bereitstellung größer ist als der erzielte Nutzen, handelt es sich um Overengineering.

## Checkliste für die Entwurfsprüfung

1. Endergebnis und Erfolgskriterien in messbarer Form definieren.
2. Jeden Knoten auf eine einzige Verantwortung sowie testbare Ein- und Ausgaben beschränken.
3. Klare Regeln als Code implementieren und den Beurteilungsspielraum des LLM minimieren.
4. Das Zustandsschema und die Regeln zur Zusammenführung paralleler Ergebnisse definieren.
5. Fehler, bei denen ein erneuter Versuch möglich ist, von Fehlern unterscheiden, die einen sofortigen Abbruch erfordern.
6. Obergrenzen für Wiederholungszahl, Ausführungszeit und Kosten festlegen.
7. Knoten mit externen Nebenwirkungen mit Schutzmechanismen gegen doppelte Ausführung versehen.
8. Vor Hochrisikoaktionen eine menschliche Genehmigung und ausreichende Erläuterungen vorsehen.
9. Protokolle und Bewertungskennzahlen für einzelne Knoten und Pfade sowie Datenschutzregeln festlegen.
10. Erneut prüfen, ob sich dieselbe Zuverlässigkeit nicht mit einer einfacheren Struktur erreichen lässt.

## Kernaussagen

Wenn ein einzelner Agent damit vergleichbar ist, einem kompetenten Mitarbeiter mehrere Aufgaben gleichzeitig zu übertragen, ähnelt Graph Engineering eher der Gestaltung von Rollen, Übergabewegen, Prüfverfahren und Genehmigungswegen innerhalb einer Organisation.

Entscheidend ist nicht die Zahl der Agenten, sondern eine kontrollierbare Struktur. Es muss klar sein, in welchem Schritt AI entscheidet, wo Code prüft und wann ein Mensch eine verantwortliche Entscheidung trifft. Erst wenn zusätzlich Zustandsverträge, Fehlerbehebung, Beobachtbarkeit, Berechtigungskontrollen und Kostenlimits vorhanden sind, wird aus einem Graphen mehr als nur ein Diagramm: ein betriebsfähiges AI-System.

## FAQ

### Was ist Graph Engineering?
Es ist ein Ansatz, bei dem komplexe KI-Aufgaben in Knoten unterteilt und die Übergangspfade zwischen den Aufgaben, der gemeinsame Zustand, Verzweigungsbedingungen, Wiederholungen und Genehmigungsverfahren explizit gestaltet werden. Statt eines branchenweit einheitlich definierten Standardbegriffs ist es eher eine praxisbezogene Bezeichnung für die Beschreibung einer graphbasierten Agenten-Orchestrierung.

### Wie unterscheiden sich Graph Engineering und Prompt Engineering?
Prompt Engineering befasst sich damit, welche Anweisungen und Beispiele einem einzelnen Modellaufruf bereitgestellt werden. Graph Engineering befasst sich damit, in welcher Reihenfolge und unter welchen Bedingungen mehrere Modellaufrufe, Code, Werkzeuge und menschliche Beurteilungen miteinander verknüpft werden. Prompts werden weiterhin innerhalb der einzelnen Knoten verwendet, aus denen der Graph besteht.

### Sind Graph Engineering und Wissensgraphen dasselbe Konzept?
Nein. Ein Wissensgraph besteht aus Daten, die Entitäten und Beziehungen strukturieren, während ein Ausführungsgraph für Agenten die Reihenfolge der Aufgaben und den Kontrollfluss darstellt. Die Suche in einem Wissensgraphen kann als ein Knoten des Ausführungsgraphen verwendet werden, aber keines von beiden ist eine notwendige Voraussetzung für das andere.

### Müssen alle Knoten als KI-Agenten umgesetzt werden?
Das ist nicht nötig. Für Aufgaben mit eindeutigem Ergebnis, etwa das Zählen von Mengen, den Vergleich von Datumsangaben oder die Prüfung von Formaten, ist herkömmlicher Code schneller, kostengünstiger und besser vorhersehbar. Sinnvoll ist es, die Interpretation natürlicher Sprache und qualitative Beurteilungen der KI zu überlassen und Entscheidungen mit großer Verantwortung oder schwer rückgängig zu machenden Folgen Menschen zu übertragen.

### Wie verhindert eine Generator-Evaluator-Schleife Endlosschleifen?
Die maximale Anzahl an Wiederholungen, Zeit- und Kostenlimits sowie die Kriterien für das Bestehen müssen im Voraus festgelegt werden. Außerdem sind Abbruchbedingungen erforderlich, die bei ausbleibender Qualitätsverbesserung trotz Wiederholungen oder bei geringer Bewertungssicherheit das bisher beste Ergebnis zurückgeben oder es zur menschlichen Überprüfung weiterleiten.

### Sind Multi-Agenten-Systeme immer besser als ein einzelner Agent?
Nein. Mit zunehmender Zahl der Rollen steigen auch die Aufrufkosten, Fehler bei der Zustandsübermittlung, Verzögerungen und der Aufwand für die Fehlersuche. Eine Multi-Agenten-Struktur sollte nur gewählt werden, wenn die Trennung zwischen spezialisierten Rollen tatsächlich zur Qualität oder zur Berechtigungskontrolle beiträgt. Feste Abläufe lassen sich unter Umständen besser als herkömmlicher codebasierter Workflow umsetzen.

### Was sollte im Zustand des Graphen gespeichert werden?
Grundsätzlich sollten nur die für den nächsten Schritt erforderlichen Daten gespeichert werden, etwa die Benutzeranfrage, validierte Zwischenergebnisse, Quellen, Fehlertypen, die Anzahl der Wiederholungen und der Genehmigungsstatus. Für jedes Feld sollten Format und Änderungsberechtigungen definiert werden. Anmeldedaten oder unnötige personenbezogene Daten sollten nicht gespeichert oder müssen maskiert werden.

### Was ist beim erneuten Ausführen eines fehlgeschlagenen Knotens zu beachten?
Zunächst muss unterschieden werden, ob der Fehler vorübergehend ist, ob die Eingabe selbst fehlerhaft ist oder ob der Vorgang gemäß den Richtlinien abgebrochen werden muss. Bei Aufgaben mit externen Nebenwirkungen, etwa dem Versand von E-Mails, Zahlungen oder Datenänderungen, müssen Idempotenzschlüssel und Prüfungen auf doppelte Ausführung verwendet werden.

### Für welche Aufgaben ist Graph Engineering nicht erforderlich?
Für Aufgaben, bei denen ein einzelner Aufruf ausreicht, etwa eine einfache Zusammenfassung, eine kurze Frage-und-Antwort-Interaktion oder eine einmalige Klassifizierung, ist es in der Regel nicht erforderlich. Wenn der durch einen Graphen entstehende Aufwand für Zustandsverwaltung und Betrieb größer ist als die Verbesserungen bei Qualität, Kontrolle oder Wiederherstellungsfähigkeit, ist es besser, eine einfache Struktur beizubehalten.

## Sources

- [Effektive Agenten entwickeln](https://www.anthropic.com/research/building-effective-agents)
- [LangGraph](https://github.com/langchain-ai/langgraph)
- [Temporal-Dokumentation](https://docs.temporal.io/)
- [NIST-Rahmenwerk für das Risikomanagement bei KI](https://www.nist.gov/itl/ai-risk-management-framework)
- [Graphiti](https://github.com/getzep/graphiti)
- [OWASP Top 10 für Anwendungen mit großen Sprachmodellen](https://genai.owasp.org/llm-top-10/)

## Images

![Frau bedient in einem Serverraum einen vernetzten Workflow-Graphen auf einem Touchscreen](https://injoys.com/rails/active_storage/blobs/proxy/eyJfcmFpbHMiOnsiZGF0YSI6MTA0NzMsInB1ciI6ImJsb2JfaWQifX0=--ef1105ce6a385a669f3ac38d2daca7268be12737/ai-8a9b7d63.webp)
![Workflow-Diagramm mit KI-Agenten, Daten-Dashboards, Validierung, Sicherheit und menschlicher Prüfung](https://injoys.com/rails/active_storage/blobs/proxy/eyJfcmFpbHMiOnsiZGF0YSI6MTA0NzksInB1ciI6ImJsb2JfaWQifX0=--dcdc470a0909904f41c12684bf7ee53b4ab8a805/ai-03b3a3b1.webp)