Agent Builder

Agenten ohne Code: Visuelle Workflow-Erstellung mit OpenAI Agent Builder

Inhaltsverzeichnis

  1. Agenten ohne Code: Visuelle Workflow-Erstellung mit OpenAI Agent Builder
  2. Kurzüberblick: Was ist OpenAI Agent Builder?
    1. Kernfunktionen
  3. Agent Builder: Zugang und Interface
    1. Voraussetzungen
    2. Interface-Bereiche
  4. Workflow-Konzept: Nodes und Edges
    1. Grundlegende Architektur
    2. Node-Typen im Detail
  5. Praxis-Beispiel: Support-Ticket-Routing
    1. Szenario
    2. Workflow-Diagramm
    3. Node-Konfiguration
    4. Vorteile dieser Architektur
  6. Model Context Protocol (MCP)
    1. MCP-Architektur
    2. Verfügbare MCP-Server (Auswahl)
    3. Integration in Agent Builder
    4. Custom MCP Server erstellen
  7. Entscheidungshilfe: Agent Builder vs. Code-basierte Frameworks
    1. Vergleichsmatrix
    2. Use Cases nach Tool
  8. Code-Export und Migration zu LangChain
    1. Export-Workflow
    2. Wann ist eine Migration zu LangChain sinnvoll?
  9. Sicherheit und Governance im Agent Builder
    1. Sicherheits-Architektur
    2. Enterprise-Kontrollen
    3. Best Practices für sichere Workflows
    4. Compliance und Datenschutz
  10. https://platform.openai.com/agent-builder
  11. Debugging und Monitoring
    1. Built-in Debugging Tools
    2. Monitoring Dashboard
    3. Error Handling und Fallbacks
  12. Zusammenfassung und Lernpfad
    1. Agent Builder im Überblick
    2. Kernkonzepte
    3. Wann Agent Builder nutzen?
    4. Nächste Schritte
  13. Quellen
  14. Abgrenzung zu verwandten Dokumenten

Kurzüberblick: Was ist OpenAI Agent Builder?

Während LangChain ein Code-basiertes Framework für KI-Agenten ist, ermöglicht OpenAI Agent Builder die No-Code-Erstellung komplexer Agent-Workflows durch eine visuelle Drag-and-Drop-Oberfläche.

[!NOTE] Einordnung
Agent Builder ist stark für schnelle Workflow-Entwicklung, ersetzt aber nicht in jedem Fall codebasierte Feinsteuerung. Grenzen: Nur OpenAI-Modelle, kein On-Premise-Deployment, eingeschränkte Code-Kontrolle (nur Export).

Zentrale Fragen des Werkzeugs:

  • Wie erstelle ich komplexe Workflows ohne Programmierung?
  • Wie orchestriere ich mehrere spezialisierte Agenten?
  • Wie integriere ich externe Systeme (APIs, Datenbanken) visuell?
  • Wie deploye ich produktionsreife Agenten mit Versionierung und Monitoring?
graph LR
    A[User Input] --> B[Agent Builder]
    B --> C[Visuelle Workflows]
    B --> D[Multi-Agent-System]
    B --> E[MCP-Integration]
    C --> F[Production Deployment]
    D --> F
    E --> F

    style B fill:#10a37f
    style F fill:#ff6b6b

Kernfunktionen

Der Agent Builder (Teil von AgentKit, vorgestellt DevDay 2025) bietet:

  • Visuelle Workflow-Erstellung – Drag-and-Drop für komplexe Abläufe
  • Bedingte Logik – “Wenn-Dann”-Verzweigungen zwischen Aktionen
  • Multi-Agent-Koordination – mehrere spezialisierte Agenten orchestrieren
  • Model Context Protocol (MCP) – Integration von 100+ Services
  • Versioning & Preview – Workflow-Versionierung und Test-Läufe
  • Code-Export – TypeScript/Python-Export für weitere Anpassungen

Vergleich zu Code-basierten Frameworks:

graph TB
    subgraph "Agent Builder (No-Code)"
        AB[Visual Editor] --> AB1[Drag & Drop Nodes]
        AB --> AB2[Built-in Debugging]
        AB --> AB3[One-Click Deploy]
    end

    subgraph "LangChain (Code)"
        LC[Python Code] --> LC1[Full Control]
        LC --> LC2[Custom Logic]
        LC --> LC3[Manual Hosting]
    end

    AB -.Vergleichbar mit.-> LC

    style AB fill:#10a37f
    style LC fill:#0066cc

Agent Builder: Zugang und Interface

Voraussetzungen

[!WARNING] Zugriffsvoraussetzung
Ohne Enterprise/Edu-Zugang ist der Funktionsumfang im Teamkontext eingeschränkt oder nicht verfügbar. Plus/Team-Accounts erhalten keinen Zugriff auf den Agent Builder — nur Enterprise und Edu-Accounts haben vollen Zugang.

graph TB
    A[ChatGPT Account-Typen] --> B[Plus/Team]
    A --> C[Enterprise/Edu]
    B -.Kein Zugang.-> D[Agent Builder]
    C --> D
    D --> E[Workflows]
    D --> F[Drafts]
    D --> G[Templates]

    style C fill:#10a37f
    style D fill:#ff6b6b

Interface-Bereiche

Das Agent Builder Interface ist in drei Hauptbereiche unterteilt:

Bereich Funktion Nutzung
Workflows Veröffentlichte, produktive Agenten Production-Deployment
Drafts Entwürfe in Bearbeitung Entwicklung & Testing
Templates Vorkonfigurierte Beispiele Schneller Start 
stateDiagram-v2
    [*] --> Templates: Start
    Templates --> Drafts: Customize
    Drafts --> Drafts: Iterate
    Drafts --> Workflows: Publish
    Workflows --> Drafts: Edit/Clone
    Workflows --> [*]: Deploy

Workflow-Konzept: Nodes und Edges

Agent Builder arbeitet mit einem gerichteten Graphen aus Nodes (Aktionen) und Edges (Verbindungen).

Grundlegende Architektur 

graph TB
    START([START]) --> LLM[LLM Node: Kategorisiere Anfrage]
    LLM --> COND{Condition Node}
    COND -->|Technical| TECH[Tool: Create JIRA Ticket]
    COND -->|Sales| SALES[Tool: Notify Sales Team]
    COND -->|Billing| HUMAN[Human: Review]
    TECH --> FINISH([FINISH])
    SALES --> FINISH
    HUMAN --> FINISH

    style START fill:#90EE90
    style FINISH fill:#FFB6C1
    style COND fill:#FFD700
    style LLM fill:#87CEEB

Node-Typen im Detail

[!TIP] Modellierungsregel
Sinnvoll sind fachlich eng geschnittene Nodes und klar benannte Subworkflows. Anti-Pattern: Ein einzelner LLM-Node, der Kategorisierung, Priorität, Routing und E-Mail-Text gleichzeitig erzeugt. Das ist schwer zu debuggen und kaum wiederverwendbar.

Node-Typ Symbol Funktion Beispiel
LLM 🤖 Modell-Aufruf mit Prompt Text-Klassifikation, Zusammenfassung
Tool 🔧 API-Call oder MCP-Server Datenbank-Query, E-Mail senden
Condition 🔀 Verzweigung basierend auf Daten “Wenn Priority > 3, dann…”
Human 👤 Human-in-the-Loop Checkpoint Genehmigung einholen
Subworkflow 📦 Verschachtelung anderer Workflows Wiederverwendbare Sub-Prozesse 
flowchart LR
    subgraph "Node-Typen"
        A[🤖 LLM]
        B[🔧 Tool]
        C[🔀 Condition]
        D[👤 Human]
        E[📦 Subworkflow]
    end

    A -->|Text Processing| F[Output]
    B -->|External Action| F
    C -->|Routing| F
    D -->|Approval| F
    E -->|Complex Logic| F

    style F fill:#10a37f

Praxis-Beispiel: Support-Ticket-Routing

Szenario

Eingehende Support-Tickets sollen automatisch kategorisiert, priorisiert und an die richtige Abteilung weitergeleitet werden.

Anforderungen:

  • Automatische Kategorisierung (Technical, Billing, Sales)
  • Prioritäts-Bewertung (1-5)
  • Bedingte Weiterleitung
  • Bestätigungs-E-Mail an Kunden

Workflow-Diagramm 

flowchart TB
    START([Ticket eingehend]) --> PARSE[Parse Ticket Data]
    PARSE --> LLM[🤖 LLM: Analyze & Categorize]

    LLM --> COND{🔀 Category?}

    COND -->|Technical + Priority > 3| JIRA[🔧 Create JIRA Ticket]
    COND -->|Technical + Priority ≤ 3| QUEUE[🔧 Add to Support Queue]
    COND -->|Billing| FINANCE[🔧 Assign to Finance]
    COND -->|Sales| HUMAN[👤 Human Review Required]

    JIRA --> EMAIL[🔧 Send Confirmation Email]
    QUEUE --> EMAIL
    FINANCE --> EMAIL
    HUMAN --> APPROVAL{Approved?}
    APPROVAL -->|Yes| EMAIL
    APPROVAL -->|No| REJECT[Send Rejection Notice]

    EMAIL --> FINISH([Workflow Complete])
    REJECT --> FINISH

    style START fill:#90EE90
    style FINISH fill:#FFB6C1
    style COND fill:#FFD700
    style LLM fill:#87CEEB
    style HUMAN fill:#FFA500

Node-Konfiguration

LLM Node: “Analyze & Categorize”

Node Type: LLM
Model: gpt-4
Temperature: 0.0

System Prompt: |
  Du bist ein Support-Ticket-Klassifizierer.

  Analysiere das Ticket und gib zurück:
  - category: "technical" | "billing" | "sales"
  - priority: 1-5 (1=niedrig, 5=kritisch)
  - summary: Kurze Zusammenfassung in einem Satz

  Bewerte Priority basierend auf:
  - Dringlichkeit der Sprache
  - Business-Impact
  - Ob es einen Blocker ist

Input: {ticket_text}
Output: JSON {category, priority, summary}

Condition Node: “Category Router”

Node Type: Condition

Branches:
  - IF: output.category == "technical" AND output.priority > 3
    THEN: goto "Create JIRA Ticket"

  - IF: output.category == "technical" AND output.priority <= 3
    THEN: goto "Add to Support Queue"

  - IF: output.category == "billing"
    THEN: goto "Assign to Finance"

  - IF: output.category == "sales"
    THEN: goto "Human Review Required"

Tool Node: “Create JIRA Ticket”

graph TB
    subgraph "Agent Builder (No-Code)"
        AB[Visual Editor] --> AB1[Drag & Drop Nodes]
        AB --> AB2[Built-in Debugging]
        AB --> AB3[One-Click Deploy]
    end

    subgraph "LangChain (Code)"
        LC[Python Code] --> LC1[Full Control]
        LC --> LC2[Custom Logic]
        LC --> LC3[Manual Hosting]
    end

    AB -.Vergleichbar mit.-> LC

    style AB fill:#10a37f
    style LC fill:#0066cc

Tool Node: “Send Confirmation Email”

graph TB
    subgraph "Agent Builder (No-Code)"
        AB[Visual Editor] --> AB1[Drag & Drop Nodes]
        AB --> AB2[Built-in Debugging]
        AB --> AB3[One-Click Deploy]
    end

    subgraph "LangChain (Code)"
        LC[Python Code] --> LC1[Full Control]
        LC --> LC2[Custom Logic]
        LC --> LC3[Manual Hosting]
    end

    AB -.Vergleichbar mit.-> LC

    style AB fill:#10a37f
    style LC fill:#0066cc

Vorteile dieser Architektur

[!SUCCESS] Betriebsvorteil
Klare Node/Edge-Strukturen verbessern Nachvollziehbarkeit, Übergaben im Team und Debugging in Produktion.

Vorteil Beschreibung
Multi-Step-Logik Mehrere LLM-Calls orchestrieren
Conditional Branching Verschiedene Pfade je nach Kontext
State Management Workflow-Status persistent speichern
Error Handling Fallback-Strategien für fehlgeschlagene Steps
Human-in-Loop Manuelle Review bei unsicheren Fällen
Observability Jeder Step wird geloggt und kann debugged werden

Model Context Protocol (MCP)

MCP verbindet Agent Builder mit 100+ externen Systemen durch standardisierte Server-Integrationen.

[!TIP] Integrationsstrategie
Sinnvoll ist ein Start mit ein bis zwei geschäftskritischen MCP-Integrationen. Erst nach stabilen End-to-End-Tests sollte die Fläche erweitert werden. Anti-Pattern: Alle verfügbaren MCP-Server auf einmal einbinden — jeder Server ist eine potenzielle Fehlerquelle und erhöht die Testfläche erheblich.

MCP-Architektur 

graph TB
    subgraph "Agent Builder (No-Code)"
        AB[Visual Editor] --> AB1[Drag & Drop Nodes]
        AB --> AB2[Built-in Debugging]
        AB --> AB3[One-Click Deploy]
    end

    subgraph "LangChain (Code)"
        LC[Python Code] --> LC1[Full Control]
        LC --> LC2[Custom Logic]
        LC --> LC3[Manual Hosting]
    end

    AB -.Vergleichbar mit.-> LC

    style AB fill:#10a37f
    style LC fill:#0066cc

Verfügbare MCP-Server (Auswahl)

Kategorie MCP-Server Funktionen
Code & Dev GitHub, GitLab Issues, PRs, Code-Suche
Kommunikation Slack, Discord Nachrichten, Channels
Dokumente Google Drive, Notion Dokumente, Datenbanken
Datenbanken PostgreSQL, MongoDB Queries, CRUD-Operationen
CRM Salesforce, HubSpot Leads, Contacts, Deals
Custom Your MCP Server Beliebige APIs

Integration in Agent Builder

Schritt-für-Schritt:

graph TB
    subgraph "Agent Builder (No-Code)"
        AB[Visual Editor] --> AB1[Drag & Drop Nodes]
        AB --> AB2[Built-in Debugging]
        AB --> AB3[One-Click Deploy]
    end

    subgraph "LangChain (Code)"
        LC[Python Code] --> LC1[Full Control]
        LC --> LC2[Custom Logic]
        LC --> LC3[Manual Hosting]
    end

    AB -.Vergleichbar mit.-> LC

    style AB fill:#10a37f
    style LC fill:#0066cc

Beispiel: GitHub-Integration

graph TB
    subgraph "Agent Builder (No-Code)"
        AB[Visual Editor] --> AB1[Drag & Drop Nodes]
        AB --> AB2[Built-in Debugging]
        AB --> AB3[One-Click Deploy]
    end

    subgraph "LangChain (Code)"
        LC[Python Code] --> LC1[Full Control]
        LC --> LC2[Custom Logic]
        LC --> LC3[Manual Hosting]
    end

    AB -.Vergleichbar mit.-> LC

    style AB fill:#10a37f
    style LC fill:#0066cc

Nutzung im Workflow:

graph TB
    subgraph "Agent Builder (No-Code)"
        AB[Visual Editor] --> AB1[Drag & Drop Nodes]
        AB --> AB2[Built-in Debugging]
        AB --> AB3[One-Click Deploy]
    end

    subgraph "LangChain (Code)"
        LC[Python Code] --> LC1[Full Control]
        LC --> LC2[Custom Logic]
        LC --> LC3[Manual Hosting]
    end

    AB -.Vergleichbar mit.-> LC

    style AB fill:#10a37f
    style LC fill:#0066cc

Custom MCP Server erstellen

Falls kein passender MCP-Server existiert, lässt sich ein eigener Server erstellen:

graph TB
    subgraph "Agent Builder (No-Code)"
        AB[Visual Editor] --> AB1[Drag & Drop Nodes]
        AB --> AB2[Built-in Debugging]
        AB --> AB3[One-Click Deploy]
    end

    subgraph "LangChain (Code)"
        LC[Python Code] --> LC1[Full Control]
        LC --> LC2[Custom Logic]
        LC --> LC3[Manual Hosting]
    end

    AB -.Vergleichbar mit.-> LC

    style AB fill:#10a37f
    style LC fill:#0066cc

Integration in Agent Builder:

  1. Deploy MCP Server (z.B. auf Railway, Fly.io)
  2. Agent Builder → Connector Registry → Add Custom MCP Server
  3. URL + Auth konfigurieren
  4. In Workflows als Tool Node nutzen

Entscheidungshilfe: Agent Builder vs. Code-basierte Frameworks

[!NOTE] Entscheidungsheuristik
Agent Builder → Governance, schnelles Prototyping, kein Coding erforderlich. LangChain → volle Code-Kontrolle, Multi-Provider-Support, On-Premise-Deployment.

Vergleichsmatrix 

graph TB
    subgraph "Agent Builder (No-Code)"
        AB[Visual Editor] --> AB1[Drag & Drop Nodes]
        AB --> AB2[Built-in Debugging]
        AB --> AB3[One-Click Deploy]
    end

    subgraph "LangChain (Code)"
        LC[Python Code] --> LC1[Full Control]
        LC --> LC2[Custom Logic]
        LC --> LC3[Manual Hosting]
    end

    AB -.Vergleichbar mit.-> LC

    style AB fill:#10a37f
    style LC fill:#0066cc

| Anforderung | Agent Builder | LangChain | |————-|—————|———–| | Kein Coding erforderlich | ✅ | ❌ | | Schnelles Prototyping | ✅ | ⚠️ | | Multi-Step-Workflows | ✅ | ✅ | | Conditional Logic | ✅ | ✅ | | Volle Code-Kontrolle | ⚠️* | ✅ | | On-Premise Deployment | ❌ | ✅ | | Multi-Modell (OpenAI + Anthropic) | ❌ | ✅ | | Built-in Versionierung | ✅ | ❌ | | Built-in Monitoring | ✅ | ⚠️** | | MCP-Integration | ✅ Native | ⚠️ Custom | | Kosten (Development) | Niedrig | Mittel | | Learning Curve | Niedrig | Mittel |

*Code-Export möglich, aber limitiert **Mit LangSmith möglich

Use Cases nach Tool

Agent Builder eignet sich für:

graph TB
    subgraph "Agent Builder (No-Code)"
        AB[Visual Editor] --> AB1[Drag & Drop Nodes]
        AB --> AB2[Built-in Debugging]
        AB --> AB3[One-Click Deploy]
    end

    subgraph "LangChain (Code)"
        LC[Python Code] --> LC1[Full Control]
        LC --> LC2[Custom Logic]
        LC --> LC3[Manual Hosting]
    end

    AB -.Vergleichbar mit.-> LC

    style AB fill:#10a37f
    style LC fill:#0066cc

LangChain eignet sich für:

  • Custom Tools – Spezielle Python-Funktionen als Tools
  • Multi-Provider – OpenAI + Anthropic + Google
  • On-Premise – Volle Kontrolle über Deployment
  • RAG-Systeme – Custom Retriever, Reranking
  • Komplexe Workflows – Viele bedingte Verzweigungen
  • Multi-Agent-Systeme – Koordination mehrerer Agents

Code-Export und Migration zu LangChain

Agent Builder erlaubt Export von Workflows als TypeScript oder Python-Code für weitere Anpassungen.

Export-Workflow 

graph TB
    subgraph "Agent Builder (No-Code)"
        AB[Visual Editor] --> AB1[Drag & Drop Nodes]
        AB --> AB2[Built-in Debugging]
        AB --> AB3[One-Click Deploy]
    end

    subgraph "LangChain (Code)"
        LC[Python Code] --> LC1[Full Control]
        LC --> LC2[Custom Logic]
        LC --> LC3[Manual Hosting]
    end

    AB -.Vergleichbar mit.-> LC

    style AB fill:#10a37f
    style LC fill:#0066cc

Wann ist eine Migration zu LangChain sinnvoll?

https://platform.openai.com/agent-builder Migrations-Checkliste:

  • ✅ Multi-Provider-Support benötigt? → LangChain
  • ✅ On-Premise Deployment erforderlich? → LangChain
  • ✅ Custom Python-Tools notwendig? → LangChain
  • ❌ Visual Workflows ausreichend? → Agent Builder
  • ❌ Team hat keine Coding-Kenntnisse? → Agent Builder
  • ❌ Enterprise Governance wichtig? → Agent Builder

Sicherheit und Governance im Agent Builder

[!WARNING] Produktionsgrenze
Vor produktivem Einsatz sind Rechte, Datenzugriffe, Auditierbarkeit und Freigabeprozesse verbindlich zu definieren.

Sicherheits-Architektur

https://platform.openai.com/agent-builder

Enterprise-Kontrollen

Feature Beschreibung Best Practice
RBAC Wer darf Workflows editieren/ausführen? Least Privilege Principle
Audit Logs Nachvollziehbarkeit aller Ausführungen Retention Policy definieren
Data Residency Wo werden Daten gespeichert? EU/US-Region wählen
Versioning Rollback zu früheren Versionen Semantic Versioning nutzen
Secrets Management API-Keys, Tokens sicher speichern Nie hardcoded!
Input Validation User-Input validieren Prompt Injection Prevention

Best Practices für sichere Workflows

1. Secrets Management:

https://platform.openai.com/agent-builder 2. Input Validation:

https://platform.openai.com/agent-builder 3. Least Privilege für MCP-Server:

https://platform.openai.com/agent-builder 4. Audit Trail:

https://platform.openai.com/agent-builder

Compliance und Datenschutz

DSGVO-Konforme Workflows:

https://platform.openai.com/agent-builder Data Retention Policy:

https://platform.openai.com/agent-builder

Debugging und Monitoring

Built-in Debugging Tools

Agent Builder bietet native Debugging-Features, die Code-basierte Workflows oft manuell implementieren müssen.

https://platform.openai.com/agent-builder Debug-Features:

Feature Beschreibung Nutzung
Step-by-Step Workflow Schritt für Schritt ausführen Fehlersuche in komplexen Workflows
Node Inspection Outputs jedes Nodes anzeigen Daten-Transformation prüfen
Breakpoints Execution an bestimmten Nodes pausieren Zustand vor kritischen Steps prüfen
Replay Vergangene Executions wiederholen Bug-Reproduktion
Logs Strukturierte Logs für jeden Step Post-Mortem-Analyse

Monitoring Dashboard

https://platform.openai.com/agent-builder Monitoring-Metriken:

graph TB
    A[ChatGPT Account-Typen] --> B[Plus/Team]
    A --> C[Enterprise/Edu]
    B -.Kein Zugang.-> D[Agent Builder]
    C --> D
    D --> E[Workflows]
    D --> F[Drafts]
    D --> G[Templates]

    style C fill:#10a37f
    style D fill:#ff6b6b

Error Handling und Fallbacks 

graph TB
    A[ChatGPT Account-Typen] --> B[Plus/Team]
    A --> C[Enterprise/Edu]
    B -.Kein Zugang.-> D[Agent Builder]
    C --> D
    D --> E[Workflows]
    D --> F[Drafts]
    D --> G[Templates]

    style C fill:#10a37f
    style D fill:#ff6b6b

Fallback-Konfiguration:

graph TB
    A[ChatGPT Account-Typen] --> B[Plus/Team]
    A --> C[Enterprise/Edu]
    B -.Kein Zugang.-> D[Agent Builder]
    C --> D
    D --> E[Workflows]
    D --> F[Drafts]
    D --> G[Templates]

    style C fill:#10a37f
    style D fill:#ff6b6b

Zusammenfassung und Lernpfad

Agent Builder im Überblick 

graph TB
    A[ChatGPT Account-Typen] --> B[Plus/Team]
    A --> C[Enterprise/Edu]
    B -.Kein Zugang.-> D[Agent Builder]
    C --> D
    D --> E[Workflows]
    D --> F[Drafts]
    D --> G[Templates]

    style C fill:#10a37f
    style D fill:#ff6b6b

Kernkonzepte

Konzept Beschreibung
Nodes Workflow-Bausteine (LLM, Tool, Condition)
Edges Verbindungen zwischen Nodes
MCP Standardisierte Service-Integration
Workflow Kompletter Agent als Graph
Versioning Built-in Workflow-Versionierung

Wann Agent Builder nutzen? 

graph TB
    A[ChatGPT Account-Typen] --> B[Plus/Team]
    A --> C[Enterprise/Edu]
    B -.Kein Zugang.-> D[Agent Builder]
    C --> D
    D --> E[Workflows]
    D --> F[Drafts]
    D --> G[Templates]

    style C fill:#10a37f
    style D fill:#ff6b6b

Entscheidungsbaum:

  • ✅ Agent Builder nutzen, wenn:
    • Team hat keine/wenige Coding-Kenntnisse
    • Schnelles Prototyping wichtig
    • Enterprise Governance erforderlich
    • MCP-Server ausreichend für Integration
    • OpenAI-Modelle ausreichend
  • ✅ LangChain nutzen, wenn:
    • Volle Code-Kontrolle erforderlich
    • Multi-Provider-Support nötig (OpenAI + Anthropic + etc.)
    • On-Premise Deployment erforderlich
    • Custom Python-Tools notwendig

Nächste Schritte 

graph TB
    A[ChatGPT Account-Typen] --> B[Plus/Team]
    A --> C[Enterprise/Edu]
    B -.Kein Zugang.-> D[Agent Builder]
    C --> D
    D --> E[Workflows]
    D --> F[Drafts]
    D --> G[Templates]

    style C fill:#10a37f
    style D fill:#ff6b6b

Ressourcen:

Quellen

Abgrenzung zu verwandten Dokumenten

Dokument Frage
Erste Agenten Wo starte ich als Einsteiger mit Agent Builder?
Qualität und Sicherheit Welche Produktionsstandards gelten für Agent Builder?

Version: 2.0
Stand: Mai 2026
Kurs: KI-Agenten. Verstehen. Anwenden. Gestalten.