KI-Agent mit Claude erstellen in 2026: Der praktische Leitfaden

Ein KI-Agent mit Claude zu erstellen bedeutet, drei Bausteine miteinander zu verbinden: ein Modell, das Werkzeuge aufrufen kann, eine Schleife, die diese Aufrufe ausführt, und eine Tier-Wahl, die die Rechnung nicht in die Höhe treibt. Die Claude-API stellt all das nativ zur Verfügung. Das größte Problem liegt meist nicht in der Architektur, sondern in der Modellwahl.

Dieser Leitfaden beginnt bei null und behandelt fünf konkrete Schritte: vom Modellvergleich bis zur Produktivschaltung, mit den Problemen, die wir regelmäßig bei unseren Kunden sehen. Falls Sie eher aus der No-Code-Welt kommen, hilft dieser Text auch dort: zu verstehen, was unter der Haube passiert, vermeidet viele böse Überraschungen bei der Abrechnung.

1. Das richtige Claude-Modell für Ihren Agenten wählen

Anthropic hat seine Produktpalette dieses Jahr umgestellt. Die Ära des Einzelflaggschiffs ist vorbei: Die Claude-5-Linie besteht aus drei zweckgebundenen Tiers, Opus 5, Sonnet 5 und Fable 5, die alle auf API-Ebene ein Kontextfenster von einer Million Tokens teilen.

tech-insider.org, Claude Opus 5 vs Sonnet 5 vs Fable 5, August 2026 „Anthropic's Claude 5 lineup replaced the old single-flagship approach with three purpose-built tiers, all sharing a 1-million-token context window at the API level."

Laut diesem Artikel wurde Opus 5 am 24. Juli 2026 veröffentlicht. Es ist das Modell für komplexe Reasoning-Aufgaben: mehrstufige Planung, Orchestrierung zwischen Agenten. Sonnet 5 deckt die meisten Standard-Agenten-Anwendungsfälle ab: Kundensupport, Datenextraktion, Ticket-Zusammenfassung. Fable 5 zielt auf Geschwindigkeit und Kosten für sich wiederholende, hochvolumige Aufgaben.

Die meisten Teams starten aus Gewohnheit mit dem teuersten Modell. Das ist selten nötig. Zu den Kosten: Fable 5.1 kostet 10 $ pro Million Input-Tokens und 50 $ pro Million Output-Tokens, ohne Cache.

VentureBeat, 1. September 2026 „Fable 5.1 retains Fable 5's headline API rates: $10 per 1 million input tokens and $50 per million output."

Laut VentureBeat kostet Lesen aus dem Cache mit dieser Version 75 % weniger. Praktisch bedeutet das: Falls Ihr Agent bei jedem Aufruf denselben Systemprompt erneut liest, senkt Cache-Aktivierung Ihre Monatsrechnung erheblich.

Fallstricke: Mit Opus 5 zu starten, „weil es am stärksten ist", für einen Agenten, der nur einfache Klassifizierung macht. Testen Sie zunächst mit dem günstigsten Tier. Wechseln Sie nur auf, wenn die Ausgabequalität es wirklich erfordert.

2. Die Werkzeuge definieren, die der Agent aufrufen kann

Ein Agent ohne Werkzeuge ist ein Chatbot. Nichts mehr. Der Unterschied entscheidet sich hier: Sie beschreiben jede verfügbare Funktion mit einem JSON-Schema, und das Modell entscheidet selbst, wann es diese aufrufen soll.

{
  "name": "get_order_status",
  "description": "Récupère le statut d'une commande à partir de son numéro",
  "input_schema": {
    "type": "object",
    "properties": {
      "order_id": { "type": "string" }
    },
    "required": ["order_id"]
  }
}

Das Modell gibt einen tool_use-Block zurück, wenn es den Aufruf für notwendig erachtet. Ihr Code führt die eigentliche Funktion aus und sendet das Ergebnis in der nächsten Gesprächsrunde zurück. Das ist das Prinzip des nativen Function Calling der Claude-API, Sie brauchen dafür kein externes Framework, um zu beginnen.

Ein Agent kann auch zwei oder drei Werkzeuge in derselben Runde parallel aufrufen. Das ist nützlich für einen Agenten, der z. B. eine Shopify-Bestellung und ein Support-Ticket kreuzen muss, bevor er antwortet.

3. Die Agent Loop bauen

Das ist der Punkt, wo die meisten Tutorials zu früh enden. Ein Agent ist nicht ein einzelner API-Aufruf. Es ist eine Schleife, die läuft, solange das Modell Werkzeuge anfordert.

Der typische Ablauf:

1. Sende die Nachricht des Benutzers und die Liste der verfügbaren Werkzeuge
2. Falls die Antwort einen tool_use enthält, führe die entsprechende Funktion aus
3. Gib das Ergebnis dem Modell in einer neuen Nachricht zurück
4. Wiederhole, bis das Modell eine finale Antwort ohne Tool-Aufruf gibt

Fallstricke: Eine Tour-Begrenzung vergessen. Ein nicht abgegrenzter Agent kann auf einem Werkzeug steckenbleiben, das immer einen Fehler zurückgibt, und Token bei jeder Iteration verschwenden, ohne sich je zu stoppen. Ein Limit von etwa zehn Touren reicht für die meisten Fälle, die wir bei unseren Kunden haben.

Wir hatten diese Art von Drift in unserem Artikel über die Kosten von KI-Agenten in der Produktion detailliert behandelt: Die nicht abgegrenzte Schleife ist genau eine der häufigsten Ursachen für explodierende Rechnungen.

4. Speicher und persistenter Kontext hinzufügen

Ein Agent, der zwischen Sessions alles vergisst, ist nicht besonders nützlich für geschäftliche Nutzung. Zwei Optionen: Speicher selbst verwalten, indem Sie den Verlauf zusammenfassen und erneut einspeisen, oder über einen MCP-Server gehen, der eine externe Datenquelle als persistenten Speicher zugänglich macht.

Wir sind auf die Details des Protokolls in unserer Definition des MCP-Servers eingegangen. Kurz zusammengefasst: MCP standardisiert, wie ein Agent sich mit einer Datenbank, einem CRM oder einem Dateisystem verbindet, ohne einen Connector pro Werkzeug und pro Client zu schreiben.

Mit dem Prompt-Cache zu 75 % niedrigeren Kosten bei Fable 5.1 wird ein langer Kontext behalten finanziell deutlich weniger belastend als noch vor ein paar Monaten. Das verändert die Rechnung für Agenten, die sich an eine ganze Gesprächshistorie erinnern müssen.

5. Den Agenten vor der Produktivschaltung sichern und überwachen

Bevor Sie einen Agenten an echte Daten anschließen, sind drei Überprüfungen notwendig. Begrenzen Sie die Berechtigungen jedes Werkzeugs auf das absolut Notwendigste. Protokollieren Sie jeden Tool-Aufruf mit seinen Token-Kosten. Sehen Sie einen Fallback-Modus vor, falls die API einen Fehler zurückgibt. Diese drei Überprüfungen sind die Grundlage für jeden produktiven KI-Agenten, unabhängig vom Modell dahinter.

Wir haben dieses Szenario bei einem Kunden erlebt, der E-Commerce-Support verwaltet: ein Werkzeug, das systematisch einen Fehler zurückgab, kein Tour-Limit, und eine Session, die die ganze Nacht lief, bis jemand es bemerkte.

Anthropic dokumentiert dieses Sicherheitsthema selbst. Seine Teams haben Forschung zu veröffentlicht, wie Claude-Agenten in kontrollierter Umgebung zu Korrekturen von Alignment-Schwächen beigetragen haben, ein Zeichen, dass die Zuverlässigkeit autonomer Agenten weit über den Rahmen eines technischen Tutorials hinausgeht.

Falls Ihr Team weniger als fünf Entwickler hat, bauen Sie kein Observability-System von Grund auf. Eine Postgres-Tabelle mit Kosten pro Aufruf und Tool-Name reicht zum Starten aus. Sie können später verfeinern.

Fazit

Drei Dinge zum Merken. Die Modellwahl, Opus 5, Sonnet 5 oder Fable 5, wirkt sich stärker auf Ihr Budget aus als die Architektur der Schleife selbst. Die Agent Loop muss immer ein Tour-Limit haben, ausnahmslos. Und persistenter Speicher sollte von Anfang an eingeplant werden, nicht in letzter Minute nach dem ersten Produktions-Bug.

Falls Sie möchten, dass wir gemeinsam ansehen, wie Sie einen KI-Agenten an Ihre vorhandenen Geschäftstools anschließen, begleitet das Team von fstck.co solche Projekte von A bis Z.