Platform vs. Library vs. Builder
Der KI-Orchestrierungsmarkt hat drei Archetypen: visuelle Node-Builder, Code-Bibliotheken und Cloud-Plattformen. EDDI ist eine deploybare Middleware-Plattform.
vs. Visual Node Builders
Flowise · n8n · ähnliche Plattformen
Visuelle Node-Builder machen das Prototyping schnell. Ihre Architektur bringt jedoch Einschränkungen im Enterprise-Bereich mit sich.
Architekturvergleich
| Dimension | Visuelle Node-Builder | EDDI |
|---|---|---|
| Runtime | Single-Threaded-Event-Loop in Node.js | JVM mit Millionen virtueller Threads (Project Loom) |
| Nebenläufigkeitsmodell | Async-Callbacks, blockiert bei CPU-intensiven Aufgaben | Echte Parallelität auf OS-Ebene, virtuelle Threads geben bei I/O-Wartezeiten nahtlos ab |
| Code-Ausführung | Dynamisches eval() / Code-Blöcke für eigene Logik | Kein eval(), Agentenverhalten ist ausschließlich deklarative JSON-Konfiguration |
| Sicherheitslage | Öffentlich dokumentierte kritische CVEs bei großen Plattformen | Keine dynamische Code-Ausführung, eliminiert ganze Schwachstellenklassen by Design |
| Authentifizierung | Basic Auth oder Community-Plugins | Enterprise OIDC/Keycloak mit RBAC (Admin-, Editor-, Viewer-Rollen) |
| Datenbank | SQLite (teilweise PostgreSQL-Unterstützung) | MongoDB oder PostgreSQL, Umschaltung mit einer Umgebungsvariable |
| Audit-Trail | Logging auf Anwendungsebene | Unveränderliches kryptografisches HMAC-SHA256-Audit-Ledger |
| Compliance | Manuelle Implementierung erforderlich | DSGVO-, HIPAA- und EU-AI-Act-Infrastruktur integriert, 15+ Rahmenwerke unterstützt |
Die Sicherheitsfrage
Anfang 2026 erlebte das KI-Agenten-Ökosystem eine bedeutende Sicherheitsabrechnung.
EDDI verfolgt einen grundlegend anderen Ansatz: kategorisches Verbot von Code-Ausführung zur Laufzeit.
vs. Code Libraries & Frameworks
LangGraph · CrewAI · AutoGen · LangChain · Spring AI
Code-Bibliotheken sind ausgezeichnete Bausteine. Aber die Wahl einer Bibliothek bedeutet, die gesamte Produktionsinfrastruktur selbst zu bauen.
Die "Day-2-Operations"-Lücke
Teams müssen Enterprise-Infrastruktur von Grund auf aufbauen:
- REST-API-Controller und Endpunkt-Routing
- Authentifizierung und Autorisierung (OIDC, RBAC, Mandantenfähigkeit)
- Konversationsstatusverwaltung über verteilte Datenbanken
- Umfassendes Audit-Logging und Compliance-Trails
- Dauerhafte Ausführung und Statuswiederherstellung über Server-Neustarts hinweg
- Management-UI für Nicht-Entwickler (Prompt-Engineers, Ops-Teams)
- Geheimnisverwaltung (API-Key-Speicherung, Rotation, Zugriffskontrolle)
- Infrastruktur für horizontale Skalierung (Event-Bus, Koordination)
- Kostenverfolgung, Budgets pro Mandant und Modell-Kaskadierung
- API für Betroffenenrechte (DSGVO-Löschung, Export, Verarbeitungsbeschränkung)
Framework-Vergleich
| Framework / Plattform | Primäre Abstraktion | Lernkurve | State & Gedächtnis | Produktionsinfrastruktur |
|---|---|---|---|---|
| LangGraph (v1.0) | Nodes & Edges (DAG / State Machine) | Mittel bis hoch (2–3 Wochen) | Exzellente integrierte Persistenz, erfordert aber starre Vorabdefinition | Erfordert eigene REST-, Auth-, UI- und Skalierungsinfrastruktur |
| CrewAI (v1.8.x) | Rollenbasierte Team-Delegation | Niedrig (schnellstes Setup) | Flüchtig, Langzeitgedächtnis erfordert eigene Integration | Exzellent für Prototyping, ohne integrierte Enterprise-Governance |
| Microsoft AutoGen | Konversationen mit mehreren Parteien | Niedrig bis mittel | Gute Unterstützung für Konversationsverlauf | Im Übergang zu neuem Framework; tiefe Azure-Integration erforderlich |
| EDDI | Multi-Agenten-Orchestrierungsplattform | Niedrig (Config-as-Code) | Natives persistentes Gedächtnis, Dream-Konsolidierung, rollende Zusammenfassungen | Komplett paketiert: OIDC/Keycloak, Vault, Audit-Trails, Management-UI, Kubernetes-ready |
Bibliotheken liefern die Logik; EDDI liefert die Infrastruktur.
vs. Cloud AI Platforms
AWS Bedrock · Azure AI Studio · Google Vertex AI · Salesforce Agentforce
Cloud-KI-Plattformen bieten verwaltete Infrastruktur, führen aber zu erheblichem Vendor Lock-in.
Souveränität & Portabilität
| Dimension | Cloud-KI-Plattformen | EDDI |
|---|---|---|
| Deployment | An den Cloud-Tenant des Anbieters gebunden | Docker-nativ, läuft on-premises, in jeder Cloud oder air-gapped |
| Modellauswahl | Modellportfolio des Anbieters (oft eingeschränkt) | 12 LLM-Anbieter + jeder OpenAI-kompatible Endpunkt via baseUrl |
| Kostenkontrolle | Vom Anbieter festgelegte Preise, wenig Optimierungshebel | Modell-Kaskadierung senkt LLM-Kosten um bis zu 60–80% in typischen Multi-Modell-Workloads via konfidenzbasiertem Routing |
| Datenresidenz | Daten liegen in der Infrastruktur des Anbieters | Volle Datensouveränität, Sie bestimmen, wo Daten gespeichert und verarbeitet werden |
| Portabilität | Anbieterspezifische APIs, SDKs und Abstraktionen | Standard-MCP, A2A, OpenAPI, REST, kein proprietärer Lock-in |
| Multi-Cloud | Anbieterübergreifend schwierig oder unmöglich | Dasselbe Docker-Image wird in jeder Umgebung identisch deployt |
| Air-Gap-fähig | Ohne erheblichen Aufwand nicht möglich | Vollständiges Offline-Deployment mit Ollama oder Jlama für lokale LLM-Inferenz |
EDDIs selbst gehostete Architektur bietet Infrastruktur-Souveränität, die Cloud-gebundene Plattformen nicht bieten können.
Bereit zum Vergleichen?
Installieren Sie EDDI in 5 Minuten und vergleichen Sie es mit Ihrem aktuellen Stack.
Bereit für die Produktion?
Erhalten Sie Managed Deployment, SLA-gestützten Support und praktische Unterstützung vom Team, das EDDI entwickelt.
Sprechen Sie mit uns über Enterprise-Deployment