Beobachtetes Signal · 11. Mai 2026 · Technical Release · Quelle: DEV Community · Relevanz: 2/5 · Sentiment: Positiv
Agentische Workflows in Java und Quarkus
Diese technische Anleitung demonstriert die Entwicklung und Ausführung agentischer Workflows auf der JVM unter Verwendung des Agentican-Frameworks und Quarkus. Der Leitfaden behandelt essenzielle Voraussetzungen wie Quarkus, Java 25, Build-Tools sowie LLM-API-Schlüssel und zeigt die Integration der Agentican-Runtime. Die Definition von Agenten, Skills und Workflows erfolgt deklarativ über eine YAML-Konfiguration. Das Framework unterstützt LLM-Provider wie Anthropic und OpenAI. Zudem werden typisierte Workflow-Instanzen mittels Java Records erstellt und über REST-Endpunkte bereitgestellt. Integrierte Funktionen umfassen das Model Context Protocol sowie Composio für die Anbindung zahlreicher SaaS-Toolkits, was die Automatisierung von Recherche- und Content-Prozessen in Marketing- und Insights-Teams ermöglicht.
Das Framework bietet einen konkreten Ansatz für agentische LLM-Workflows auf der JVM und ermöglicht Marketing- und Analystenteams die automatisierte Einbindung von SaaS-Tools für Recherche- und Content-Prozesse.
Marktsignale zu Anthropic in Echtzeit verfolgen
Polaris7 erfasst behördliche Registrierungen, Primärquellen, Führungswechsel und Deal-Aktivitäten rund um die Uhr. Erstellen Sie Ihren kostenlosen Explorer-Workspace, um automatisierte Executive Briefings zu erhalten.
Wichtigste Kernpunkte & Evidenz
- Agentican Quarkus Runtime-Modul-Abhängigkeit: ai.agentican:agentican-quarkus-runtime:0.1.0-alpha.4
- Voraussetzungen: Quarkus, Java 25, Maven oder Gradle sowie ein LLM-Provider-API-Schlüssel
- Workflows, Agenten und Skills werden in einer agentican-catalog.yaml im Classpath definiert
- Standard-LLM-Provider ist Anthropic mit claude-sonnet-4-5; OpenAI wird mit gpt-4o-mini unterstützt
- Integrierte Konnektivität für Model Context Protocol (MCP) und Composio mit über 100 SaaS-Toolkits
Verknüpfte Unternehmen
5 verknüpfte UnternehmenOntologie & Marktkonzepte
Verwandte Marktsignale & Trends
Aktuelle verifizierte Unternehmensentwicklungen und Deal-Aktivitäten in diesem Marktsegment.
Agentenbasierte KI-Workflows für die Plattform-Engineering-Entwicklung
Dies ist Teil 1 einer technischen Artikelserie über den Aufbau agentenbasierter KI-Workflows für Platform-Engineering-Teams. Der Autor argumentiert, dass eine höhere Entwicklergeschwindigkeit voraussetzt, Teamstandards direkt im Workspace zu verankern – statt sich nur auf bessere Prompts zu verlassen. Dazu dienen Steering Files, Skills und Agenten-Definitionen, die KI-Agenten einen persistenten, rollenspezifischen Kontext verleihen. Der Beitrag skizziert ein geschichtetes Workspace-Modell (etwa ein .kiro/-Verzeichnis), das verbindliche Regeln in jede KI-Interaktion einbindet, beschreibt spezialisierte Agenten für Aufgaben wie Infrastrukturerstellung und Sicherheitsprüfungen sowie Tool-Integrationen (Ticket-Tracker, CI/CD, AWS). Der zugrundeliegende Stack umfasst AWS (Multi-Account), Terraform, GitLab CI und AWS Secrets Manager. Der Artikel bietet konkrete Erste Schritte (Erstellen eines Steering Files und AGENTS.md) und gibt einen Ausblick auf kommende Teile, die detaillierte Steering Files sowie GitOps- und Kubernetes-Tooling behandeln.
Google Android: Agentische Workflows in Apps
Auf dem offiziellen Android Developers Blog hat Google einen technischen Leitfaden zur Entwicklung agentischer Workflows in Android-Apps veröffentlicht. Der Beitrag beschreibt die cloudgehosteten Backends mit dem Agent Development Kit (ADK) sowie den Protokollen AG-UI und A2UI. Letztere standardisieren die Kommunikation zwischen Agenten und UI-Clients beziehungsweise ermöglichen es dem Agenten, UI-Komponenten dynamisch zu beschreiben. Entwickler können damit autonome Multi-Agenten-Systeme bauen, etwa einen Buchungsassistenten in der Beispiel-App Jetpacker, der Flüge, Hotels und Restaurants bucht. Die Backend-Agenten laufen autonom und rendern Interaktionen nativ über Jetpack Compose.
Agentische Systeme: Der Kontroll-Loop macht den Unterschied
Ein auf Dev.to veröffentlichter Beitrag von Hemantkumargiri argumentiert, dass KI-Systeme erst durch den umgebenden Ausführungs-Loop und nicht bloß durch die Kombination eines LLM mit Werkzeugen als agentisch gelten können. Der Autor skizziert den typischen Workflow von agentischen Systemen (Ziel → Begründung → Aktion → Beobachtung → Wiederholung → Abschluss) und beleuchtet zentrale systemtechnische Herausforderungen für einen zuverlässigen Betrieb: State Management, Tool-Auswahl, Fehlerbehandlung, Wiederholungsversuche, Leitplanken, Abbrechbedingungen sowie menschliche Eingriffe. Damit verschiebt sich der Fokus bei der Entwicklung von zuverlässigen Agenten weg vom reinen Prompt Engineering hin zu einer fundierten Systemarchitektur.
Marktsignale & Strategische Shifts in Echtzeit verfolgen
Erstellen Sie benutzerdefinierte Watchlists, um automatisierte, evidenzbasierte Executive Briefings zu erhalten, sobald wesentliche Signale oder Marktverschiebungen auftreten.