Multi-Agenten-System
Mehrere spezialisierte KI-Agenten, die gemeinsam eine komplexe Aufgabe lösen.
Erklärung
Ein Multi-Agenten-System besteht aus mehreren KI-Agenten mit eigenen Rollen, Werkzeugen und Anweisungen, die zusammen eine Aufgabe bearbeiten. Häufig koordiniert ein Orchestrator-Agent spezialisierte Worker-Agenten.
So funktioniert's
Ein Orchestrator zerlegt die Aufgabe in Teilaufgaben und verteilt sie an spezialisierte Agenten, etwa für Recherche, Analyse oder Texterstellung. Die Worker arbeiten, oft parallel, mit eigenem Kontext und liefern Ergebnisse zurück. Der Orchestrator prüft, führt zusammen und entscheidet über die nächsten Schritte.
Praxisbeispiel
Für einen Marktbericht recherchieren mehrere Worker-Agenten parallel zu einzelnen Wettbewerbern, ein Analyse-Agent verdichtet die Ergebnisse, ein Prüf-Agent kontrolliert Quellen und Zahlen, und der Orchestrator erstellt den finalen Bericht.
Warum es wichtig ist
Einzelne Agenten stoßen bei großen, vielschichtigen Aufgaben an Grenzen bei Kontext, Tempo und Qualität. Die Aufteilung auf spezialisierte Agenten macht solche Aufgaben beherrschbar und kann Kosten senken, wenn Worker mit günstigeren Modellen arbeiten.
Orchestrator-Worker und andere Architekturen
Das verbreitetste Muster ist Orchestrator-Worker: Ein zentraler Agent plant und delegiert, spezialisierte Agenten führen aus. Daneben gibt es sequenzielle Pipelines, in denen jeder Agent einen festen Arbeitsschritt übernimmt und an den nächsten übergibt, sowie Prüfer-Muster, in denen ein Agent die Ergebnisse eines anderen kritisch bewertet und zurückweist, bis sie die Qualitätskriterien erfüllen.
Ein wirtschaftlicher Vorteil entsteht, wenn nicht jeder Agent das teuerste Modell braucht. Ein starkes Modell plant und prüft, günstigere Modelle erledigen die Teilaufgaben. Wie viel sich damit sparen lässt, zeigen wir im Beitrag zum Advisor- und Orchestrator-Pattern.
Wann lohnt sich ein Multi-Agenten-System und wann nicht?
Multi-Agenten-Systeme spielen ihre Stärke aus, wenn sich eine Aufgabe gut in unabhängige Teile zerlegen lässt, die parallel bearbeitet werden können, oder wenn der Kontext für einen einzelnen Agenten zu groß wird. Beispiele sind breite Recherchen, die Erstellung umfangreicher Dokumente oder die Verarbeitung vieler gleichartiger Vorgänge.
Der Preis ist Komplexität. Mehr Agenten bedeuten mehr Modellaufrufe, mehr Fehlerquellen an den Übergaben und aufwendigere Tests. Anthropic berichtet für sein eigenes Multi-Agenten-Recherchesystem von rund 15-mal so vielen verbrauchten Tokens wie bei einem normalen Chat. Für viele Aufgaben ist ein einzelner, gut ausgestatteter Agent deshalb die bessere Wahl.
Häufige Fragen
Was ist ein Multi-Agenten-System?
Ein Multi-Agenten-System ist ein KI-System, in dem mehrere Agenten mit unterschiedlichen Rollen zusammenarbeiten, meist koordiniert von einem Orchestrator, um eine Aufgabe zu lösen, die für einen einzelnen Agenten zu umfangreich wäre.
Was ist der Unterschied zwischen einem KI-Agenten und einem Multi-Agenten-System?
Ein einzelner Agent plant und handelt allein in einer Schleife. Ein Multi-Agenten-System verteilt die Arbeit auf mehrere Agenten mit eigenem Kontext, die Ergebnisse austauschen und aufeinander aufbauen.
Mit welchen Frameworks baut man Multi-Agenten-Systeme?
Verbreitet sind unter anderem LangGraph und CrewAI sowie die Agent-SDKs großer Anbieter wie OpenAI, Anthropic und Microsoft. Für den Erfolg sind Testbarkeit, Überwachung und Integration meist wichtiger als die Wahl des Frameworks.