Was ist ein AI Agent Registry?

TL;DR: Ein AI Agent Registry ist ein zentralisierter Katalog autonomer Agenten und ihrer Fähigkeiten – ein „Telefonbuch“ für KI-Agenten. Unternehmen nutzen es für Discovery, Governance und die Wiederverwendung über Multi-Agenten-Systeme hinweg.

KI-Systeme werden immer modularer und kollaborativer. Spezialisierte Agenten werden entwickelt, um bestimmte Aufgaben zu erledigen – sei es das Abrufen von Daten, das Ausführen von Workflows oder das Treffen autonomer Entscheidungen. Da sich diese Agenten in einem Unternehmen oder über Plattformen hinweg vervielfachen, wird deren effiziente Verwaltung entscheidend. Hier kommt ein AI Agent Registry ins Spiel.

Was ist ein AI Agent Registry?

KI-Agenten sind autonome Programme, die schlussfolgern, handeln und bei Aufgaben zusammenarbeiten können. Da Unternehmen immer mehr spezialisierte Agenten einsetzen (z. B. Bots zum Parsen von Lebensläufen, Terminplanungsassistenten, Analyse-Agenten), benötigen Teams eine Möglichkeit, wie diese Agenten sich gegenseitig entdecken, Fähigkeiten teilen und sich in Workflows integrieren können.

Ein AI Agent Registry dient als zentralisierter (oder föderierter) Katalog aktiver Agenten und ihrer Metadaten, ähnlich wie ein Model Registry für ML-Modelle. Dieses Registry ermöglicht die Ermittlung von Fähigkeiten (Capability Discovery) und die Orchestrierung: Agenten (oder Menschen) fragen das Registry ab, um den richtigen Agenten für eine Aufgabe zu finden, seine Fähigkeiten zu prüfen und Verbindungsdetails zu erhalten. Im Grunde fungiert es als „Telefonbuch“ oder als AI Agent Discovery Platform für autonome Agenten.

Für Enterprise-AI- und MLOps-Teams bietet ein Agent Registry Standardisierung und Governance über Agenten-Deployments hinweg. Dies wird essenziell, um agentische KI in Unternehmen sicher zu skalieren. Ähnlich wie TrueFoundry eine Benutzeroberfläche für das Model Registry bietet, stellt ein Agent Registry eine zentrale Oberfläche zum Durchsuchen, Versionieren und Steuern von Agenten bereit.

 Indem Identität, Version und Fähigkeiten jedes Agenten in einem gemeinsamen Format (z. B. „Agent Cards“ oder JSON-Schemas) indiziert werden, erleichtert das Registry den Teams die Wiederverwendung von Agenten, die Nachverfolgung bereitgestellter Instanzen und die Gewährleistung sicherer Interaktionen erheblich. Infolgedessen ist es zu einer kritischen Komponente der Enterprise-AI-Registry-Architektur geworden, um die Interoperabilität von Agenten und die Governance autonomer Agenten über Abteilungen hinweg zu ermöglichen.

Kernfunktionen eines AI Agent Registry

Ein AI Agent Registry bietet mehrere wesentliche Funktionen für ein agentisches Ökosystem:

1. Agenten-Registrierung (Agent Registration): Agenten registrieren sich, indem sie eine Metadaten-Nutzlast (Metadata Payload) an das Registry übermitteln (oft über einen REST-Endpunkt). Diese Agent Card enthält Felder wie Agentenname, Beschreibung, Version, Endpunkt-URL und die deklarierten Fähigkeiten oder Skills des Agenten. 

Beispielsweise könnte ein FastAPI-Endpunkt eine JSON-Nutzlast annehmen und ein AgentCard-Objekt in der Datenbank des Registrys speichern. Ein einfaches FastAPI-Snippet könnte wie folgt aussehen:

‍
Dies entspricht dem Muster aus den Beispielen des A2A-Protokolls, bei denen Teams „die Agent Cards ihrer Agenten in diesem Registry veröffentlichen, wodurch ihre Fähigkeiten für andere Agenten auffindbar werden“.

2. Discovery und Suche: Clients (andere Agenten, Orchestrierungsdienste oder Benutzeroberflächen) fragen das Registry ab, um Agenten nach Fähigkeit, Tag oder Schlüsselwort zu finden. Eine Such-API könnte beispielsweise Agenten filtern, deren Metadaten mit einer Abfrage übereinstimmen. Die standardisierte Erkennung verwendet möglicherweise bekannte URLs (z. B. das Abrufen der Datei .well-known/agent.json eines Agenten) oder einen zentralen Such-Endpunkt (z. B. GET /agents?skill=document-extraction). Dies ermöglicht der Plattform, als „AI Agent Discovery Platform“ zu fungieren, auf der Aufgaben automatisch an den richtigen Agenten weitergeleitet werden können.

3. Metadaten-Management: Das Registry verwaltet reichhaltige Metadaten für jeden Agenten. Neben Name und Version können die Metadaten Authentifizierungsdaten, unterstützte Interaktionsprotokolle (A2A, REST usw.), Datentypen (Text, Bilder, Dateien) und Vertrauensnachweise (Trust Credentials) enthalten. Forschungsvorschläge empfehlen beispielsweise die Verwendung von „kryptografisch verifizierbaren“ AgentFacts oder PKI-Zertifikaten, um Vertrauen zu gewährleisten. Das Registry kann auch Lebenszyklusinformationen wie den letzten Heartbeat oder den Gesundheitszustand nachverfolgen.

4. Gesundheitsüberwachung & Heartbeats: Um das Registry auf dem neuesten Stand zu halten, senden Agenten häufig periodische Heartbeats. Wenn ein Agent die Anmeldung versäumt (z. B. innerhalb von 30 Sekunden), kann das Registry ihn als veraltet markieren oder entfernen. Dies stellt sicher, dass nur aktive Agenten auffindbar sind, und unterstützt die Governance autonomer Agenten durch das Erkennen fehlerhafter oder offline geschalteter Agenten.

5. Zugriffskontrolle und Governance: Ein Registry setzt durch, wer welchen Agenten registrieren oder aufrufen darf. Genauso wie nicht jeder Benutzer jedes KI-Tool sehen sollte, sollte nicht jeder Agent für alle Aufrufer zugänglich sein. Das Registry kann RBAC-Richtlinien implementieren und spezifische Agent Cards basierend auf den Berechtigungen des Clients zurückgeben. Beispielsweise können interne Agenten auf private Endpunkte zugreifen, während externe Agenten nur öffentliche Fähigkeiten sehen. Durch die Zentralisierung von Agenten-Endpunkten und deren ACLs stellt die Plattform sicher, dass Agenten-Interaktionen den Sicherheitsrichtlinien des Unternehmens entsprechen.

6. Audit-Protokollierung und Observability: Das Erfassen jeder Registrierung, Discovery-Abfrage oder jedes Aufrufs bietet einen Audit-Trail. Enterprise-Teams können protokollieren, wann Agenten verwendet werden, von wem und zu welchem Zweck. Eine vom Registry gesteuerte Orchestrierung (wie TrueFoundrys AI Gateway) unterstützt LLM Tool Calling und streamt Tool-Antworten zurück an eine Benutzeroberfläche. In ähnlicher Weise können Agent Registries Protokolle und Metriken in Überwachungstools für Observability einspeisen, um Teams beim Verständnis von Nutzungsmustern und bei der Fehlersuche bei Integrationsproblemen zu helfen. Frameworks wie Kagent betonen beispielsweise „Metriken, Protokollierung und Tracing für alle Tool-Aufrufe, was tiefere Einblicke in die Interaktion Ihres KI-Agenten mit externen APIs bietet“. Ein Agent Registry kann diese Daten auf Plattformebene aggregieren.

Zusammen machen diese Funktionen ein Agent Registry zu mehr als nur einer Database – es ist ein Integrationsrückgrat, das es Agenten ermöglicht, sich gegenseitig zuverlässig unter Unternehmens-Governance zu finden und zu nutzen.

Architektur eines AI Agent Registry

Nachfolgend finden Sie eine konzeptionelle Architektur eines Enterprise AI Registry. Autonome Agenten registrieren sich beim zentralen Dienst, der ihre Metadaten speichert und Such-/Discovery-APIs bereitstellt. Die Plattform-UI oder Orchestrierungsschicht interagiert mit diesem Registry, um Agenten zu finden.

In dieser Enterprise-AI-Registry-Architektur registrieren sich Agenten (A, B) durch Aufrufen der Registry-API, die ihre AgentCard in der Metadaten-Datenbank speichert. Das Richtlinien-/Governance-Modul setzt Zugriffskontrollen bei Registrierungen und Suchabfragen durch. Der Discovery-/Suchdienst ermöglicht es Clients und der Benutzeroberfläche, Agenten durch Abfragen der DB zu finden (z. B. Volltextsuche oder Filterung nach Fähigkeits-Tags). Eine administrative UI (wie die Model-Registry-Oberfläche von TrueFoundry) kann alle registrierten Agenten, ihre Versionen und Zugriffsregeln visualisieren.

Unter der Haube kann man einen hochperformanten Key-Value-Speicher oder eine Graphdatenbank für Metadaten sowie Standard-Webframeworks (z. B. FastAPI) zur Implementierung der API verwenden. Der Vorschlag für den Agent Name Service (ANS) schlägt beispielsweise ein von DNS inspiriertes Verzeichnis unter Verwendung von PKI für die Identität vor. Das AI Gateway von TrueFoundry zentralisiert in ähnlicher Weise den „Zugriff auf KI-Entwicklungstools“ mit einem Registry und OAuth-Flows für sicheres Token-Management. Unsere Architektur spiegelt diese Enterprise-Muster wider: ein zentraler Registry-Dienst zur Erkennung, integriert mit Authentifizierung (OAuth/PKI), eine Orchestrierungsschicht für Agenten-Workflows und eine UX-Schicht für Sichtbarkeit.

Frameworks, die Agent Registries unterstützen

Mehrere offene Frameworks und Protokolle entstehen, um AI Agent Registries interoperabel, standardisiert und sicher zu machen:

• MCP (Model Context Protocol): Ursprünglich entwickelt, um die Kommunikation von LLMs mit externen Tools zu standardisieren, hat sich MCP schnell zu einer Interoperabilitätsschicht für Tools und Agenten entwickelt. MCP-Server stellen Fähigkeiten über ein konsistentes Schema bereit, und zentralisierte Registries (z. B. das MCP-Registry von GitHub) fungieren bereits als Kataloge für auffindbare MCP-Dienste.
  
  
• LangGraph: Ein Orchestrierungs-Framework für KI-Workflows. In Kombination mit Protokollen wie A2A ermöglicht LangGraph Multi-Agenten-Pipelines, bei denen Aufgaben (Abruf, Berechnung, Schlussfolgerung) dynamisch an die richtigen Sub-Agenten delegiert werden. Während der Hauptfokus von LangGraph auf der Workflow-Orchestrierung liegt, wird es häufig in Registries oder Kataloge integriert, um zur Laufzeit geeignete Agenten auszuwählen.
  
  
• Agent2Agent (A2A) Protokoll: Ein offener Standard (geführt von Google und der A2A-Community) für die Kommunikation von Agent zu Agent. A2A definiert ein JSON-RPC-Format und ein Agent Card-Schema für die Registrierung und Erkennung. Mit der Bibliothek python-a2a zum Beispiel:

Dies setzt das A2A-„Telefonbuch“-Design um. Agenten können sich auch selbst registrieren und Heartbeats über den Helper enable_discovery senden.

• Agent Protocol (AP von AGI, Inc.): Eine REST-basierte Spezifikation mit einem OpenAPI-Schema. Jeder konforme Agent muss Endpunkte wie POST /ap/v1/agent/tasks bereitstellen. Dies gibt Registries eine einheitliche Möglichkeit, mit heterogenen Agenten zu interagieren, da Clients dieselbe API-Oberfläche über verschiedene Implementierungen hinweg nutzen können.
  
  
• NANDA (Networked Agents and Decentralized AI): Ein dezentrales Registry-Modell, das Agenten-IDs kryptografisch verifizierbaren AgentFacts (Fähigkeiten, Endpunkte, Vertrauensmetadaten) zuordnet. Es unterstützt datenschutzfreundliche Discovery, dynamische Updates und Widerrufe. Architektonisch funktioniert NANDA wie ein DNS für Agenten, was die globale Erkennung skalierbar und sicher macht.
  
  
• LOKA-Protokoll: Ein schichtenbasiertes Framework, das sich auf dezentrale Identität und ethische Governance konzentriert. Seine Universal Agent Identity Layer (UAIL) bietet global eindeutige, verifizierbare Agenten-IDs (über DIDs/VCs), was es direkt nützlich für die sichere Registrierung und Erkennung im Registry macht. LOKA betont auch Rechenschaftspflicht und Ethik und fügt Governance-Schichten zu den Registry-Operationen hinzu.
  
  
• Weitere Ökosysteme: Tools wie Kagent (für MCP von Anthropic) bieten Registries/Gateways zur Zentralisierung von Tool-Endpunkten. AWS Strands Agents und GPT Agents sind SDKs, die in Registry-Infrastrukturen eingebunden werden können. Viele Teams nutzen auch LangChain oder eigene Microservices mit einer einfachen Datenbank, um ein Registry-Muster beizubehalten.
  

Zusammen decken diese Frameworks Schlüsselaspekte der Registry-Herausforderung ab: Discovery (A2A, NANDA), Interoperabilität (Agent Protocol, LangGraph), Identität (LOKA) und Governance (Kagent, TrueFoundry-ähnliche Gateways). Durch die Ausrichtung an einem oder mehreren dieser Standards können Unternehmen eine reibungslose Interoperabilität von Agenten gewährleisten und gleichzeitig Sicherheit und Skalierbarkeit im Blick behalten.

Wichtige Metriken zur Evaluierung eines Gateways

Kriterium	Was sollten Sie evaluieren?	Priorität	TrueFoundry
Latenz	Fügt <10ms p95-Overhead für Time-to-First-Token hinzu?	Must Have	✅ Unterstützt
Datenresidenz	Hält Protokolle in Ihrer Region (EU/US)?	Abhängig vom Anwendungsfall	✅ Unterstützt
Latenzbasiertes Routing	Leitet basierend auf Echtzeit-Latenz/Ausfällen automatisch um?	Must Have	✅ Unterstützt
Schlüsselrotation & Widerruf	Schlüssel ohne Ausfallzeit rotieren oder widerrufen?	Must Have	✅ Unterstützt
Schlüsselrotation & Widerruf	Schlüssel ohne Ausfallzeit rotieren oder widerrufen?	Must Have	✅ Unterstützt
Schlüsselrotation & Widerruf	Schlüssel ohne Ausfallzeit rotieren oder widerrufen?	Must Have	✅ Unterstützt
Schlüsselrotation & Widerruf	Schlüssel ohne Ausfallzeit rotieren oder widerrufen?	Must Have	✅ Unterstützt
Schlüsselrotation & Widerruf	Schlüssel ohne Ausfallzeit rotieren oder widerrufen?	Must Have	✅ Unterstützt

Evaluieren Sie ein AI Gateway?

Ein praktischer Leitfaden für Plattform- & Infra-Teams

Vorteile eines AI Agent Registry

Die Implementierung eines AI Agent Registry bietet viele Vorteile für Enterprise-AI-Teams:

• Automatisierte Erkennung: Agenten müssen nicht mehr fest codiert oder manuell konfiguriert werden. Ein Registry ermöglicht es Systemen, dynamisch den richtigen Agenten für eine Aufgabe zu finden. Ein Orchestrierungsdienst kann beispielsweise abfragen: „Zeige mir alle Agenten mit der Fähigkeit zur Rechnungsverarbeitung“ und erhält sofort eine Liste. Dies beschleunigt die Entwicklung und reduziert Duplikate.
• Interoperabilität und Standardisierung: Mit einem zentralen Katalog sprechen die Agenten verschiedener Teams eine gemeinsame Sprache. Das Registry setzt konsistente Metadaten-Schemas (wie Agent Cards) durch, sodass sich jeder Agent in das Ökosystem integrieren kann. Dies ermöglicht die Interoperabilität von Agenten – Agenten, die auf unterschiedlichen Frameworks aufgebaut sind, können sich entdecken und koordinieren, solange sie ordnungsgemäß registriert sind. Die A2A- und Agent-Protocol-Standards verdeutlichen diesen Ansatz, indem sie Agenten durch das Bereitstellen fester API-Endpunkte „technologie-agnostisch“ machen.
• Governance und Sicherheit: Ein Agent Registry zentralisiert die Zugriffskontrolle. Indem festgelegt wird, welche Rollen oder Teams jeden Agenten aufrufen können, setzt die Plattform Governance-Richtlinien durch. Das Model Registry von TrueFoundry speichert beispielsweise Authentifizierungsdetails und OAuth-Tokens in der Control Plane, sodass nur autorisierte Benutzer auf ein Modell oder Tool zugreifen. In ähnlicher Weise kann ein Agent Registry in das Unternehmens-IAM integriert werden: Verwendung eines Single-Sign-On-Tokens oder eines persönlichen Zugriffstokens, um einem Aufrufer nahtlos Zugriff auf mehrere Agenten zu gewähren. Maßgeschneiderte Agent Cards ermöglichen es dem Registry, sensible Endpunkt-Details vor nicht autorisierten Clients zu verbergen, was die Sicherheit erhöht.
• Versionierung & Lebenszyklus: Genauso wie Model Registries Versionen nachverfolgen, kann ein Agent Registry verschiedene Releases der Logik eines Agenten aufzeichnen. Teams können Agenten mit Versionsnummern versehen und genau sehen, welche Version wo bereitgestellt wurde. Dies ermöglicht Rollbacks und Reproduzierbarkeit – Sie wissen immer, welcher Agenten-Code in Produktions-Workflows verwendet wurde.
• Observability und Metriken: Zentralisierte Registries können Telemetriedaten zur Agentennutzung sammeln. Indem alle Agentenaufrufe über ein Gateway oder nachverfolgte Endpunkte geleitet werden, kann die Plattform Antwortzeiten, Erfolgs-/Fehlerraten und Nutzungszahlen protokollieren. Wie erwähnt, bringen Tools wie Kagent vollständige Observability in die Agenten-Interaktionen. Dieses Feedback hilft MLOps-Teams, die Systemgesundheit zu überwachen, Engpässe zu erkennen und die Ressourcenverschiebung zu optimieren. Wenn beispielsweise ein Agent überlastet ist, kann die Plattform ihn skalieren oder Anfragen an einen Backup-Agenten umleiten.
• Effizienz und Wiederverwendung: Durch die Katalogisierung von Fähigkeiten fördert das Registry die Wiederverwendung bestehender Agenten, anstatt für jedes Projekt neue zu bauen. Teams können schnell feststellen, ob ein Agent bereits die benötigte Funktion ausführt. Im Laufe der Zeit entsteht so ein Marktplatz geprüfter Agenten (analog zu einem „Model Zoo“ für Modelle), auf dem sich die zuverlässigsten Agenten weiterentwickeln und zu Standards werden.

Jeder dieser Vorteile hilft Unternehmen, sich in Richtung robuster AI Ops zu bewegen. Indem Agenten als erstklassige Assets in einem Registry behandelt werden, gewinnen Unternehmen die Governance, Auffindbarkeit und Überprüfbarkeit, die für Daten und Modelle längst Standard sind, und weiten diese auf autonome Agenten aus.

Herausforderungen bei der Implementierung eines AI Agent Registry

Der Aufbau eines Agent Registry in Enterprise-Qualität ist nicht trivial. Teams müssen verschiedene Herausforderungen bewältigen:

• Metadaten-Standardisierung: Es gibt konkurrierende Standards für Agenten-Beschreibungen. Beispielsweise nutzt der MCP-Ansatz ein zentralisiertes GitHub-basiertes mcp.json-Registry, während A2A dezentrale „Agent Card“-JSON-Dateien verwendet. NANDA schlägt ein „AgentFacts“-Schema mit kryptografischer Signatur vor. Die Entscheidung für ein Metadatenmodell (oder die Unterstützung mehrerer) ist komplex. Inkonsistente Schemas können die teamübergreifende Integration behindern, weshalb das Registry ein klares Schema oder eine Übersetzungsschicht definieren muss.
• Zentralisierung vs. Dezentralisierung: Zentrale Registries bieten Governance, können aber ein Single Point of Failure sein. Das zentralisierte Meta-Registry von MCP vereinfacht die Discovery, erfordert jedoch eine vertrauenswürdige Infrastruktur (wie das Gateway von TrueFoundry zeigt). Im Gegensatz dazu ermöglicht das dezentrale Modell von A2A jedem Agenten, sich selbst über .well-known/agent.json zu veröffentlichen. Dies macht die Erkennung skalierbarer, aber zentral schwerer zu steuern. Ein Unternehmens-Registry muss möglicherweise beide Welten verbinden (z. B. durch periodisches Crawlen von agent-well-known-Endpunkten in den zentralen Index).
• Sicherheit und Vertrauen: Die Sicherstellung, dass registrierte Agenten vertrauenswürdig sind, ist entscheidend. Bösartige Agenten oder gefälschte Registrierungen könnten das System vergiften. Lösungen wie ANS führen eine Public-Key-Infrastruktur ein, sodass jeder Agent eine verifizierbare Identität besitzt, ähnlich wie DNSSEC Domänennamen sichert. Das Registry muss Agenten bei der Registrierung authentifizieren und Verschlüsselung (mTLS) an allen Endpunkten verwenden. Der Schutz von Agenten-Metadaten (die sensible API-Endpunkte oder Anmeldedaten enthalten können) ist ebenfalls eine Herausforderung; dies erfordert oft, Geheimnisse zu verschlüsseln oder nicht im Klartext zu speichern.
• Skalierbarkeit: Eine große Organisation verfügt möglicherweise über Hunderte oder Tausende von Agenten. Das Registry muss skalieren, um hohe Registrierungs- und Abfragelasten zu bewältigen. Eine effiziente Indizierung (z. B. Volltext- oder Vektorindizes für die Fähigkeitssuche) ist erforderlich. Es muss auch Fluktuationen handhaben: Agenten, die hoch- und herunterfahren. Ordnungsgemäßes Caching, Paginierung von Suchergebnissen und horizontale Skalierbarkeit sind technische Hürden.
• Governance-Komplexität: Administratoren müssen entscheiden, wer Agenten registrieren kann, welche Umgebungen sichtbar sind (Dev/Test vs. Prod) und wie Richtlinien durchgesetzt werden. Die Implementierung einer feingranularen Zugriffskontrolle (z. B. sieht ein Agent einen anderen nur, wenn sie ein Projekt teilen) macht das System komplexer. Das Registry selbst wird zu einem Durchsetzungspunkt für Richtlinien, und Fehlkonfigurationen können Workflows unterbrechen.
• Interoperabilität über Domänen hinweg: In föderierten oder Multi-Cloud-Setups können sich Agenten in unterschiedlichen Sicherheitsdomänen befinden. Das Registry muss domänenübergreifende Discovery verarbeiten (wie NANDA es anstrebt). Themen wie Netzwerkisolation, DNS-Auflösung und Credential-Federation kommen hierbei ins Spiel.
• Wartbarkeit: Die Aktualität des Registrys (z. B. das Entfernen veralteter Agenten über Heartbeat-Timeouts) und die Abwärtskompatibilität von Metadaten-Schemas ist eine fortlaufende Aufgabe. Die Umfrage von 2025 stellt fest, dass Wartbarkeit und Authentifizierung wichtige Vergleichsfaktoren sind. Teams müssen APIs versionieren und Upgrades planen (z. B. das Hinzufügen neuer Agenten-Metadatenfelder, ohne bestehende Clients zu beeinträchtigen).

Trotz dieser Herausforderungen adressieren moderne Vorschläge und Fallstudien viele davon. Beispielsweise verwendet ANS ein DNS-ähnliches Namensschema mit sicheren Auflösungsalgorithmen, und die A2A-Community hat Best Practices für die Sicherheit von Agent Cards veröffentlicht. Eine Enterprise-Registry-Implementierung wird wahrscheinlich mehrere Strategien kombinieren: föderierte Discovery, starke Identität und eine robuste Governance-Schicht.

Hier ist das Evaluierungs-Framework für die Angebotsvorlage

Kriterium	Was sollten Sie evaluieren?	Priorität	TrueFoundry
Gateway & Entwicklererfahrung
Einheitlicher Modellzugriff	Bietet die Plattform eine konsistente Schnittstelle für gehostete Modelle, selbst gehostete Modelle und provider-native Anfragen?	Must Have	✅ Unterstützt: einheitlicher Zugriff auf 1000+ LLMs.
OpenAI-kompatible API	Können Teams bestehenden OpenAI-, Anthropic- oder Provider-kompatiblen Client-Code beibehalten, während sie den Datenverkehr hinter ein verwaltetes Gateway verlagern?	Must Have	✅ Unterstützt: OpenAI-kompatible API plus native SDK-Unterstützung.
Prompt-Lebenszyklus-Management	Können Prompts mit einem integrierten Playground für schnelle Iterationen erstellt, versioniert, A/B-getestet und wiederverwendet werden?	Should Have	✅ Unterstützt: versionierte Prompts, Playground und Experimentieren.
Playground und Experimentieren	Gibt es eine Playground-UI für Nicht-Entwickler, um Prompts, Modelle und Tools ohne Code zu testen?	Should Have	✅ Unterstützt: Playground mit Modell- und Tool-Experimenten.

Enterprise AI Platform Einkaufsführer

Ein praktischer Leitfaden für Plattform- & Infra-Teams

Best Practices für AI Agent Registries

Um eine Agent Registry erfolgreich bereitzustellen und zu verwalten, sollten Teams diese Empfehlungen befolgen:

• Klein und iterativ beginnen: Beginnen Sie mit einem minimalen Satz von Agenten und einem einfachen Registry-Prototyp. Wie David Alami für Tool Registries rät: „Warten Sie nicht, bis Sie 50 Tools haben. Selbst wenn Sie nur zwei oder drei haben, fügen Sie sie in eine einfache Registry-Struktur mit einer Standardschnittstelle ein“. Die frühe Nutzung deckt Anforderungen an Sicherheit und Workflow auf. Iterieren Sie, indem Sie im Laufe der Zeit weitere Agenten hinzufügen, Metadaten verfeinern und Protokolle (wie A2A) integrieren.
• Standards und Schnittstellen übernehmen: Verwenden Sie eine gemeinsame Agent API-Spezifikation. Die Implementierung des Agent Protocol stellt beispielsweise sicher, dass jeder Agent dieselben Endpunkte bereitstellt (z. B. /ap/v1/agent/tasks). Definieren Sie ein klares Agent Card-Schema oder JSON-Modell (Name, Version, Endpunkt, Capabilities, Inputs/Outputs). Dies vereinfacht den Registry-Code und fördert die Compliance von Drittanbietern.
• Semantische Suche und Discovery: Ermöglichen Sie inhaltsbasierte Discovery. Erwägen Sie neben Keyword-Tags auch die Indexierung der Textbeschreibungen oder sogar der Beispielnutzung von Agenten in einem Vector Store. Dann können Client-Agenten eine schnelle semantische Suche über die Registry durchführen. (Tool-Registries nutzen dieses Muster häufig, um Tools an Aufgaben anzupassen.) Verwenden Sie z. B. eine einfache Embeddings-Datenbank von Agentenbeschreibungen, damit ein Agent, der nach „Rechnungsnummern verarbeiten“ fragt, den „invoice-extractor“-Agenten findet.
• Governance vom ersten Tag an durchsetzen: Integrieren Sie IAM/SSO, damit Registry-Aktionen authentifiziert werden. Nutzen Sie frühzeitig Richtlinien: Stellen Sie sicher, dass nur autorisierte Rollen bestimmte Agenten registrieren oder abfragen können. Es ist viel schwieriger, Governance nachträglich einzubauen. Beispielsweise verknüpft die Registry von TrueFoundry den Agentenzugriff mit OAuth-Tokens und Benutzerberechtigungen. In ähnlicher Weise könnte die Registry öffentliche Abfragen für private Agent Cards verweigern oder Details automatisch maskieren, sofern kein gültiges Token bereitgestellt wird.
• Monitoring und Logging: Bauen Sie Transparenz direkt in die Registry ein. Protokollieren Sie jede Registrierung, Abfrage und jeden Aufruf. Verwenden Sie Korrelations-IDs, damit Sie eine Aufgabe nachverfolgen können, wenn sie mehrere Agenten erreicht. Dies entspricht den Best Practices für ML-Plattformen, bei denen Observability entscheidend ist. Überprüfen Sie regelmäßig die Logs, um veraltete Agenten zu entfernen (mithilfe von Heartbeat-Logs) und ungewöhnliche Muster zu erkennen (z. B. einen Agenten, der sich in kurzer Zeit sehr oft registriert).
• Continuous Integration: Behandeln Sie Agenten-Code und deren Registry-Einträge wie Software. Wenn ein Agent aktualisiert wird, nutzen Sie CI/CD-Pipelines, um seine Registry-Metadaten zu aktualisieren (z. B. Versionsnummer erhöhen). Bieten Sie Automatisierung (CLI/SDK) für die Registrierung. Beispielsweise könnte ein Deployment-Skript nach jedem Release 

requests.post("http://registry/v1/agents/register", json=agent_card)

•  ausführen. Dies stellt sicher, dass die Registry niemals asynchron zu den Live-Agenten läuft.
• Benutzerfreundliche Schnittstellen: Bieten Sie ein Self-Service-Portal oder eine CLI, mit der Benutzer Agenten erkunden können. Die UI der TrueFoundry Model Registry (oben abgebildet) ist ein gutes Beispiel: Zeigen Sie durchsuchbare Listen von Agenten, Filter nach Capability und Buttons für „Testen“ oder „Deployen“ des Agenten an. Fügen Sie auf ähnliche Weise API-Explorer-Tabs ein, die zeigen, wie jeder Agent aufgerufen wird (Code-Snippets). Dies senkt die Hürde für Data Scientists und Entwickler, Agenten zu übernehmen.
• Bestehende Frameworks nutzen: Verwenden oder erweitern Sie Open-Source-Bibliotheken, wo immer möglich. Die python-a2a-Bibliothek, Agent Protocol SDKs und LangGraph bieten alle Bausteine, die Boilerplate-Code reduzieren. Wie Alami anmerkt, verschaffen Frameworks wie diese den Teams einen Vorsprung. Beispielsweise automatisiert die Verwendung von enable_discovery in python-a2a die Heartbeat-Logik, und das Node/TS-SDK des Agent Protocols vereinfacht das Schreiben konformer Agenten.

Durch die Befolgung dieser Best Practices können Teams die AI Agent Registry zu einer robusten, skalierbaren Komponente ihrer MLOps- oder ModelOps-Plattform machen. Im Laufe der Zeit wird sie sich zu einem zentralen Bestandteil der Enterprise AI Discovery Platform entwickeln – analog dazu, wie Model Registries für die Verwaltung des ML-Lebenszyklus unverzichtbar wurden.

Fazit

AI Agent Registries sind auf dem besten Weg, ein grundlegendes Element der KI-Infrastruktur von Unternehmen zu werden. Mit der zunehmenden Verbreitung autonomer Agenten stellt ein standardisierter Discovery-Mechanismus sicher, dass sich Agenten koordinieren, anstatt miteinander zu kollidieren. Der Konsens in der Forschung ist eindeutig: „Der Bedarf an standardisierten Registry-Systemen zur Unterstützung von Discovery, Identität und Capability Sharing ist essenziell geworden“. Durch die Zentralisierung von Agenten-Metadaten, Registrierung und Governance ermöglichen Unternehmen eine nahtlose Interoperabilität der Agenten und eine starke Governance autonomer Agenten.

Für die Zukunft erwarten wir eine stärkere Konvergenz rund um Protokolle (z. B. A2A, Agent Protocol, AgentFacts) und mehr Tooling (wie das Gateway für Tools von TrueFoundry). Schließlich wird eine Agent Registry ebenso selbstverständlich sein wie eine Model Registry heute – mit Audit Trails, Versionskontrolle und einem durchsuchbaren Katalog von KI-Capabilities. Für Enterprise-KI-Teams bedeutet die Investition in eine Agent Registry schon jetzt den Gewinn einer skalierbaren Plattform zur Orchestrierung komplexer KI-Workflows, die Reduzierung von Integrationshürden und die Freisetzung des vollen Potenzials von Agentic AI in der Produktion.

Häufig gestellte Fragen (FAQ)

Wie funktioniert eine AI Agent Registry? 

Eine AI Agent Registry fungiert als zentrales „Telefonbuch“, in dem autonome Agenten ihre Metadaten und Capabilities über eine Agent Card registrieren. Dieses System ermöglicht es anderen Agenten oder Benutzern, nach bestimmten Fähigkeiten zu suchen, Identitäten zu überprüfen und Verbindungsdetails über standardisierte Discovery-Protokolle zu erhalten.

Warum benötigen Unternehmen eine AI Agent Registry? 

Eine AI Agent Registry ist für Unternehmen unerlässlich, um die wachsende Komplexität modularer KI-Systeme in großem Maßstab zu verwalten. Sie bietet eine zentrale Übersicht für Governance, die es Teams ermöglicht, Sicherheitsrichtlinien durchzusetzen, Versionierungen zu verfolgen und den Zustand von Agenten zu überwachen, während gleichzeitig die Wiederverwendung bestehender Agenten über verschiedene Abteilungen hinweg gefördert wird.

Wie unterscheidet sich eine AI Agent Registry von einer Model Registry? 

Während eine Model Registry statische ML-Artefakte verfolgt, konzentriert sich eine Agentic AI Registry auf aktive, autonome Programme, die logisch schlussfolgern und handeln. Eine Model Registry verwaltet Versionen und Gewichte, während eine Agent Registry Echtzeit-Discovery, Heartbeat-Monitoring und die dynamische Orchestrierung aktiver Workflows zwischen mehreren spezialisierten Agenten steuert.