Multi-Agent-System

Definition

Ein Multi-Agent-System (MAS) besteht aus mehreren KI-Agenten, die koordiniert zusammenarbeiten, um Aufgaben zu lösen, die ein einzelner Agent nicht effizient oder nicht in akzeptabler Qualität bewältigen kann. Jeder Agent hat eine spezialisierte Rolle, ein eigenes Tool-Set, einen eigenen Kontext und oft einen eigenen System-Prompt. Ein Orchestrator-Layer oder ein Kommunikationsprotokoll koordiniert Aufgabenverteilung, Datenfluss und Synchronisation.

Anthropic prägte 2025 die produktionsreife Implementierung im Research-Produkt von Claude und veröffentlichte die Engineering-Lessons als einflussreiche Referenz. OpenAI, Google und unabhängige Frameworks wie LangGraph und CrewAI haben das Pattern adoptiert.

Architektur

Ein Multi-Agent-System hat drei Kernschichten:

• Agenten-Schicht: mehrere Agent-Instanzen mit eigenen Rollen, Prompts und Tools.
• Koordinations-Schicht: Orchestrator, State-Manager und Routing-Logik.
• Beobachtungs-Schicht: Tracing, Logging und Eval-Hooks.

Übliche Topologien:

• Orchestrator-Worker: ein Lead-Agent zerlegt die Aufgabe und delegiert an spezialisierte Worker-Subagenten. Beliebt für Research-Aufgaben.
• Hierarchie: Manager-Agent koordiniert mehrere Sub-Teams mit eigenen Sub-Managern.
• Pipeline: Agenten in Reihenschaltung, jeder verarbeitet den Output des Vorgängers.
• Debate: zwei oder mehr Agenten argumentieren gegeneinander, ein Judge entscheidet. Nützlich für Faktencheck oder Code-Review.
• Marktplatz: Agenten bieten auf Aufgaben, ein Auktions-Mechanismus entscheidet. Bisher mehr Forschung als Praxis.

Kommunikation

Agenten kommunizieren über klar definierte Schnittstellen:

• Strukturierte Nachrichten: Task-Spec, Result, Critique, Question, Status. Anthropic empfiehlt knappe, klar abgegrenzte Mini-Briefings.
• Shared State: gemeinsamer Vector-Store, Knowledge-Graph oder Scratchpad.
• Event-Bus: Pub-Sub-Pattern für asynchrone Koordination.
• Handoff: ein Agent gibt die Kontrolle explizit an einen anderen ab (OpenAI Swarm-Pattern).

Die Anthropic-Lessons betonen, dass freie Konversation zwischen Subagenten ineffizient ist. Klar strukturierte Briefings mit definierten Inputs und Outputs sind robuster.

Praxis und Anwendung

Typische Einsatzfelder 2026:

• Research: Lead-Agent delegiert mehrere parallele Search-Subagenten, sammelt Ergebnisse, synthetisiert. Anthropic Research arbeitet so.
• Software-Engineering: Planner schreibt Spec, Coder implementiert, Reviewer prüft, Tester schreibt Tests. Devin und Claude Code nutzen solche Patterns intern.
• Customer Support: Triage-Agent klassifiziert, leitet an Spezialisten (Billing, Technical, Refunds) weiter, Eskalations-Agent prüft.
• Content-Pipelines: Researcher, Writer, Editor, Fact-Checker als getrennte Agenten.
• Wissenschaftliche Workflows: Daten-Loader, Analytiker, Visualisierer, Report-Writer.

Anthropic empfiehlt, mit einem einzelnen Agenten zu starten und nur dann Multi-Agent zu wählen, wenn die Aufgabe natürlich parallelisierbar ist oder unterschiedliche Spezialisten-Prompts klare Vorteile bringen.

Häufige Fehler

• Multi-Agent für triviale Aufgaben: Overkill, der Token-Kosten explodiert lässt.
• Unklare Rollen: zwei Agenten mit überlappendem Auftrag liefern Widersprüche oder doppelte Arbeit.
• Fehlende Token-Budgets: parallele Subagenten konsumieren in Minuten Hunderttausende Tokens. Hard Caps sind Pflicht.
• Endlosschleifen: Agenten reichen Aufgaben im Kreis weiter. Step-Limits und Loop-Detection.
• Halluzinations-Amplifikation: Fehler eines Agenten werden vom nächsten als Wahrheit übernommen. Reviewer und Critique-Loops mildern.
• Mangelnde Beobachtbarkeit: ohne Tracing pro Subagent ist Debugging praktisch unmöglich.
• Freie Konversation: Agenten plaudern statt zu liefern. Strukturierte Briefings statt offener Dialoge.

Kosten und Skalierung

Multi-Agent skaliert Kosten überlinear. Jeder Subagent hat eigenen Kontext, der Orchestrator konsumiert Subagent-Outputs, und Critique-Loops verdoppeln den Aufwand. Anthropic berichtet 2025, dass Agents rund viermal mehr Tokens verbrauchen als Chat-Interaktionen und ihr Multi-Agent-Research-System rund 15-mal mehr als Chats, also etwa das Vierfache eines vergleichbaren Single-Agents. Der Qualitätsgewinn muss diese Kosten rechtfertigen, sonst ist ein Single-Agent die bessere Wahl.

Skalierungs-Heuristiken:

• Parallel statt seriell: Subagenten parallel laufen lassen, nicht in Reihe.
• Knappe Briefings: keine ganze Conversation an Subagenten weiterreichen, nur das nötige Minimum.
• Output-Summarization: Subagent-Outputs verdichten, bevor sie an den Orchestrator zurückgehen.
• Caching: wiederholte Subagent-Aufrufe cachen.

Abgrenzung

• Single-Agent: ein Agent mit Tool-Loop. Multi-Agent ist Erweiterung.
• Workflow: feste Schrittfolge, Modelle als Komponenten. Multi-Agent erlaubt autonome Entscheidungen pro Agent.
• Pipeline: linear, deterministisch; Multi-Agent ist allgemeiner und kann parallel und mit Feedback-Loops arbeiten.
• Ensemble-Lernen: mehrere Modelle stimmen ab, kein Tool-Use, kein Agent-Verhalten.
• Mixture of Experts: Architektur-Pattern innerhalb eines Modells, nicht mehrere Agenten.