Googles Agent Executor als neue Lösung für die Produktionsintegration von KI-Agenten

Googles Agent Executor: Ein Schritt zur Produktionsreife von KI-Agenten

Die Entwicklung von Künstlicher Intelligenz (KI) hat in den letzten Jahren rasante Fortschritte gemacht, von einfachen Chatbots bis hin zu autonomen Agenten, die komplexe Aufgaben über längere Zeiträume hinweg ausführen können. Während die Prototypenphase vielversprechende Ergebnisse liefert, stellen die operativen Herausforderungen bei der Bereitstellung und Skalierung dieser Agenten in Produktionsumgebungen Unternehmen oft vor erhebliche Hürden. Google hat nun mit der Veröffentlichung des Agent Executor (AX) als Open-Source-Laufzeitumgebung einen wichtigen Schritt unternommen, um diesen Herausforderungen zu begegnen und die Zuverlässigkeit von KI-Agenten in der Produktion zu verbessern.

Die Herausforderung langfristiger Agenten-Workflows

Langfristig laufende Agenten-Workflows sind KI-gesteuerte Aufgaben, die sich über Minuten bis Tage erstrecken können. Sie umfassen oft mehrere Schritte, Systeminteraktionen, Pausen für menschliche Eingaben oder die Wiederherstellung nach Unterbrechungen. Herkömmliche Frameworks, die sich für das Prototyping eignen, stoßen bei solchen Anforderungen schnell an ihre Grenzen. Experten wie Advait Patel, Senior Reliability Engineer bei Broadcom, weisen darauf hin, dass die fehlende Dauerhaftigkeit, Orchestrierung und Wiederaufnahmefähigkeit die größten Hindernisse für den Einsatz von Unternehmensagenten in der Produktion darstellen. Ein Agent, der seinen Zustand bei einem Pod-Neustart verliert oder bei Netzwerkproblemen nicht wiederhergestellt werden kann, ist für geschäftskritische Anwendungen ungeeignet.

Kernfunktionen des Agent Executor (AX)

Der Agent Executor wurde entwickelt, um diese Produktionsprobleme zu lösen. Er bietet eine Reihe von Funktionen, die auf die Unterstützung langlebiger und verteilter Agenten-Workflows zugeschnitten sind:

• Dauerhafte Ausführung (Durable Execution): AX ermöglicht es Workflows, nach Ausfällen oder menschlichen Genehmigungsschritten wieder aufgenommen zu werden. Dies wird durch ein Event-Log und Snapshotting erreicht, das den Ausführungszustand sichert.
• Sicheres Sandboxing: Für die Isolation von Agentenkomponenten sorgt sicheres Sandboxing. Dies ist besonders wichtig, wenn unvertrauenswürdiger oder LLM-generierter Code ausgeführt wird, um schädliche Nebeneffekte zu begrenzen und das Risiko bösartiger Aktivitäten zu minimieren.
• Sitzungskonsistenz (Session Consistency): In verteilten Umgebungen gewährleistet AX die Konsistenz von Sitzungsdaten, indem es eine Single-Writer-Architektur verwendet, die widersprüchliche Aktualisierungen verhindert.
• Verbindungs Wiederherstellung (Connection Recovery): Bei Client-Verbindungsabbrüchen können Clients wieder eine Verbindung herstellen und die Antworten ab dem zuletzt gesehenen Sequenzpunkt empfangen.
• Trajektorienverzweigung (Trajectory Branching): Entwickler können alternative Ausführungspfade von gespeicherten Prüfpunkten aus testen, ohne den vorherigen Kontext zu verlieren. Dies erleichtert das Experimentieren und Debuggen komplexer Agenten-Workflows.

Integration und Agnostizismus

Ein wesentlicher Aspekt von AX ist seine Flexibilität. Die Laufzeitumgebung ist agnostisch gegenüber dem verwendeten Agenten-Framework und den zugrunde liegenden Modellen. Dies bedeutet, dass Unternehmen ihre eigenen Agenten oder solche von Drittanbietern integrieren können. AX unterstützt verschiedene Bereitstellungsmodelle, einschließlich On-Premise-Installationen und Cloud-basierte Lösungen, wie z.B. Googles eigene „Antigravity“-Agenten oder über die Managed Agents API. Die Unterstützung des Agent2Agent (A2A) Protokolls ermöglicht zudem die Interoperabilität zwischen verschiedenen Agenten-Frameworks und Bereitstellungsumgebungen.

Strategische Positionierung im Ökosystem

Die Veröffentlichung von AX als Open-Source-Projekt wird von Analysten als strategischer Zug von Google interpretiert. Ähnlich wie bei Kubernetes vor zehn Jahren, soll die Bereitstellung einer Open-Source-Laufzeitumgebung die Akzeptanz von KI-Agenten in Unternehmen vorantreiben und gleichzeitig die Nutzung der zugrunde liegenden Cloud-Infrastruktur von Google fördern. Gaurav Dewan, Forschungsdirektor bei Avasant, beobachtet eine Konvergenz der Hyperscaler hin zu einem Modell, das offene Tools am oberen Ende des Stacks mit der Monetarisierung der darunter liegenden Infrastrukturschichten kombiniert. Das Ziel ist es, Entwickler zur Nutzung der Plattformen zu bewegen und so ein Ökosystem zu schaffen, das auf den Managed Services und der Rechenleistung der Cloud-Anbieter basiert.

Agent Substrate: Die Kubernetes-Schicht für Agenten-Workloads

Parallel zum Agent Executor hat Google auch Agent Substrate vorgestellt, ein weiteres Open-Source-Projekt, das in Zusammenarbeit mit dem Google Kubernetes Engine (GKE) Team entwickelt wurde. Agent Substrate erweitert Kubernetes um eine spezialisierte Schicht für die Ausführung einer hohen Anzahl von Agenten-Workloads. Agenten-Workloads unterscheiden sich von Standard-Cloud-Diensten, da sie oft kurze Aktivitätsspitzen gefolgt von längeren Leerlaufphasen aufweisen.

Agent Substrate ermöglicht es, Agenten in Echtzeit auf und von bereitstehenden Rechenkapazitäten zu verschieben. Es nutzt Pod Snapshots, um inaktive Agenten-Workloads zu suspendieren und bei Bedarf innerhalb von Sekunden wieder aufzunehmen. Während Standard-Kubernetes für Tausende von langlebigen Diensten optimiert ist, ist Agent Substrate für Millionen von kurzlebigen Tool-Aufrufen konzipiert, die ein Standard-Kontrollflugzeug überfordern könnten.

Die GKE Agent Sandbox, die in Agent Substrate integriert ist, kann laut Google 300 Sandboxes pro Sekunde pro Cluster zuweisen, wobei 90 % der Zuweisungen innerhalb von 200 Millisekunden abgeschlossen werden. Dies reduziert die Kaltstartlatenz erheblich und sorgt für eine effiziente Nutzung der Ressourcen.

Ausblick

Die Einführung des Agent Executor und des Agent Substrate signalisiert einen Reifeprozess in der Entwicklung und Bereitstellung von KI-Agenten. Unternehmen stehen nicht mehr nur vor der Aufgabe, Prototypen zu entwickeln, sondern robuste, skalierbare und zuverlässige Systeme zu implementieren. Die offene Bereitstellung dieser Tools durch Google könnte dazu beitragen, Industriestandards zu etablieren und die breite Akzeptanz von KI-Agenten in geschäftskritischen Prozessen zu beschleunigen. Es bleibt abzuwarten, wie sich diese Initiativen im Wettbewerbsumfeld der Hyperscaler positionieren und welche weiteren Innovationen sie anstoßen werden, um die Lücke zwischen experimenteller KI und industrieller Implementierung weiter zu schließen.

Bibliographie

• Ghoshal, A. (2026, 25. Mai). Google adds open source Agent Executor to support AI agents in production | CIO. CIO. Abgerufen von https://www.cio.com/article/4176806/google-adds-open-source-agent-executor-to-support-ai-agents-in-production-2.html
• Ghoshal, A. (2026, 25. Mai). Google adds open source Agent Executor to support AI agents in production | InfoWorld. InfoWorld. Abgerufen von https://www.infoworld.com/article/4176801/google-adds-open-source-agent-executor-to-support-ai-agents-in-production.html
• Google. (o. J.). README.md at main · google/ax. GitHub. Abgerufen von https://github.com/google/ax/blob/main/README.md
• Agent Executor (AX). (o. J.). Agent Executor (AX). Abgerufen von https://agentexecutor.io/
• Royal, B., & Hockin, T. (2026, 20. Mai). Bringing you Agent Sandbox on GKE and Agent Substrate | Google Cloud Blog. Google Cloud Blog. Abgerufen von https://cloud.google.com/blog/products/containers-kubernetes/bringing-you-agent-sandbox-on-gke-and-agent-substrate
• Tech News Today. (2026, 25. Mai). Google adds open source Agent Executor to support AI agents in production | Tech News Today. Tech News Today. Abgerufen von https://technewstoday.info/google-adds-open-source-agent-executor-to-support-ai-agents-in-production/
• agent-substrate. (o. J.). agent-substrate/substrate. GitHub. Abgerufen von https://github.com/agent-substrate/substrate
• Google. (o. J.). README.md at befa5eec5ba8492e76cdad776f6ab95195004686 · google/ax. GitHub. Abgerufen von https://github.com/google/ax/blob/befa5eec5ba8492e76cdad776f6ab95195004686/README.md
• Davis, K. (2026, 26. Mai). Can Google Agent Executor Bridge the AI Reliability Gap? | B2Bdaily.com. B2Bdaily.com. Abgerufen von https://b2bdaily.com/it/can-google-agent-executor-bridge-the-ai-reliability-gap/
• rothgar. (o. J.). rothgar/ax. GitHub. Abgerufen von https://github.com/rothgar/ax