Mehragenten-KI mit AutoGen: Agenten, Gruppenchat, Mensch im Kreislauf und ein Lernweg
Wie Microsofts AutoGen-Framework mehrere Agentensysteme erstellt: Agenten, Gruppenchat, Mensch im Kreislauf, Werkzeuge, ein zehnstufiger Lernweg und typische Anwendungsfälle.
Quellen: A Complete Guide to Multi-Agent AI Development with AutoGen
Die Arbeit mit KI weicht zunehmend von einzelnen Chatbots ab, die auf einem einzigen Modell basieren. Heute wünschen sich Teams Systeme, die Probleme logisch durchdenken, Tools aufrufen, Aufgaben an andere Agenten weiterleiten und mehrstufige Aufgaben abschließen können. Dies hat ein wachsendes Interesse an der Entwicklung mehrerer Agenten geweckt, bei der mehrere spezialisierte KI-Agenten ein gemeinsames Ziel verfolgen. AutoGen, ein Open-Source-Framework von Microsoft Research, ist eine der bekanntesten Methoden zur Erstellung solcher Systeme. Sein Ansatz besteht darin, eine Anwendung aus mehreren Agenten zusammenzustellen, die miteinander kommunizieren, bis die Aufgabe erledigt ist.
Falls die agentenbasierte KI bis 2026 weiter reift, lohnt es sich für alle, die Workflows, Assistenten oder Unternehmensautomatisierung entwickeln, AutoGen kennenzulernen. Im Folgenden wird erklärt, wie es funktioniert, welche Hauptkomponenten es hat (Agenten, Gruppenchat, Tools sowie menschliche Genehmigung), in welcher Reihenfolge man es am besten erlernen kann und welche Grenzen bestimmen, ob es für ein Projekt geeignet ist.
Was AutoGen ist
AutoGen ist ein Framework zur Erstellung von Agenten und Mehr-Agentensystemen auf Basis großer Sprachmodelle. Sie können anpassbare Agenten definieren, die miteinander sowie mit Menschen oder externen Tools Nachrichten austauschen. Microsoft Research führte es ein, um komplexe Workflows mit großen Sprachmodellen einfacher zu gestalten. Anstatt alle Aufgaben in ein einziges KI-System zu legen, definieren Sie spezialisierte Agenten sowie die Interaktionsmuster zwischen ihnen.
Eine einfache Anwendung könnte Folgendes umfassen:
- einen Forschungsagenten, der Informationen sammelt
- einen Datenagenten, der diese analysiert
- einen Entwicklungsagenten, der Code schreibt
- einen Prüfagenten, der die Ergebnisse überprüft
- einen menschlichen Agenten, der bei Bedarf seine Zustimmung gibt
Warum es jetzt wichtig ist
Agierende KI ist zu einem wichtigen Schwerpunkt der generativen KI-Forschung geworden. Organisationen wünschen mehr als nur generierte Antworten – sie benötigen Anwendungen, die planen, Tools nutzen, mit anderen Systemen zusammenarbeiten und Geschäftsprozesse unterstützen. Die Konzeption von AutoGen konzentriert sich auf die Zusammenarbeit von Agenten sowie die Orchestrierung von Arbeitsabläufen, wodurch sie diesen Anforderungen direkt entspricht.
Auch das Projekt hat sich weiterentwickelt. Die Version v0.4 führte ein schichtbasiertes Design ein, bestehend aus einer Core-Schicht, einer AgentChat-Schicht sowie Erweiterungen, die dazu dienen, skalierbare und zuverlässige Anwendungen zu unterstützen. Zudem wurde dadurch Interoperabilität zwischen Python und .NET ermöglicht.
Es gibt mehrere Gründe, warum Menschen dazu greifen. Agierende KI wird zunehmend eingesetzt, immer mehr Teams wünschen sich mehragentige Anwendungen, die durch große Sprachmodelle gesteuerte Automatisierung breitet sich weiter aus, Workflows benötigen Orchestrierung, KI muss mit Tools und APIs verbunden werden, Unternehmen interessieren sich für Automatisierung, und praktische Fähigkeiten im Bereich generativer KI-Entwicklung sind gefragt.
Wie es funktioniert
AutoGen verbindet mehrere Agenten, die miteinander kommunizieren, um eine komplexe Aufgabe zu erledigen. Entwickler weisen den Agenten unterschiedliche Rollen zu und entscheiden anschließend, wie sie miteinander interagieren, welche Tools sie verwenden dürfen und wie Informationen fließen. Ein Workflow kann große Sprachmodelle, menschliche Eingaben sowie externe Tools kombinieren, um zu planen, zu handeln und Ergebnisse zu überprüfen – was sowohl für mehragentige Anwendungen als auch für automatisierte Pipelines geeignet ist.
Die wichtigsten Bausteine
Agenten. Das sind die grundlegenden Einheiten. Ein Agent wird mit einer Rolle, einem Verhalten und einem Ziel konfiguriert. Zu den gängigen Typen gehören Assistentenagenten und Benutzer-Proxy-Agenten; ihre Aufgaben umfassen die Konfiguration des Verhaltens, die Verwaltung von Speicher und Kontext sowie die Steuerung des Lebenszyklus des Agenten.
Kommunikation zwischen Agenten. Agenten tauschen Informationen aus und koordinieren Aufgaben, wodurch kollaborative Arbeitsabläufe möglich werden, bei denen jeder eine andere Verantwortung übernimmt.
Gruppenchat. Dieses Muster ermöglicht es mehreren Agenten, an einem gemeinsamen Arbeitsablauf teilzunehmen – nützlich, wenn ein Problem eine Perspektive mehrerer Spezialisten erfordert.
Mensch im Prozess. Nicht jede Entscheidung sollte vollständig autonom getroffen werden. Menschen können bestimmte Aktionen überprüfen oder genehmigen, was insbesondere in Unternehmensumgebungen wichtig ist, in denen Genauigkeit, Sicherheit und Geschäftsregeln von Bedeutung sind.
Tools und APIs. Agenten werden weitaus nützlicher, wenn sie auf externe Systeme zugreifen können. AutoGen-Anwendungen können Funktionsaufrufe, APIs, Datenbanken und andere Tools nutzen.
Integration von LLMs. Anwendungen verbinden sich mit Sprachmodellen und steuern das Verhalten der Agenten durch Konfiguration der Modelle sowie Gestaltung von Anfragen.
Ein Selbstlernpfad
Ein sinnvoller Weg führt in zehn Schritten von den Grundlagen zu einem fertigen Projekt. Anbieter von Schulungen strukturieren ihre Kurse in ähnlicher Weise, obwohl man den Weg auch mit der offiziellen Dokumentation selbst verfolgen kann.
- Erkennen des Frameworks. Ermitteln, was Agenten, Mehr-Agenten-Systeme und die Architektur sind, ein Umfeld einrichten sowie das Ökosystem und typische Anwendungsfälle untersuchen.
- Grundlagen von Python. Die Sprache bildet die Basis für alles, daher sollten virtuelle Umgebungen, API-Aufrufe, JSON-Verarbeitung, Fehlerbehandlung und Debugging behandelt werden.
- Arbeit mit LLMs. Erfahren Sie, wie Modelle funktionieren, verbinden Sie sich mit Anbietern wie OpenAI und Azure OpenAI, konfigurieren Sie Modelle, schreiben Sie Anfragen, verwalten Sie Token und achten Sie auf die Kosten.
- Erstellung von Agenten. Erstellen Sie Assistenten- und Benutzer-Proxy-Agenten und untersuchen Sie ihr Verhalten, ihr Gedächtnis, ihren Kontext sowie ihren Lebenszyklus.
- Kollaboration. Üben Sie die Kommunikation zwischen Agenten, Gruppenchats, Aufgabenplanung, Delegation, Prozesse mit menschlicher Beteiligung sowie gemeinsame Entscheidungsfindung.
- Tools und Automatisierung. Fügen Sie Funktionsaufrufe, API-Integration, Datenbankverbindungen sowie externe Tools hinzu.
- Fortgeschrittene Entwicklung. Weiten Sie Ihr Wissen auf benutzerdefinierte Agenten, Orchestrierung, ereignisgesteuerte Workflows, Zustandsverwaltung und Leistungsoptimierung aus.
- Debugging, Überwachung und Sicherheit. Fördern Sie Gewohnheiten im Umgang mit Protokollierung, Überwachung der Agentenleistung, Behandlung von Ausnahmen, Sicherheit sowie verantwortungsvoller KI.
- Unternehmensanwendungen. Erproben Sie Anwendungen im Bereich Kundenservice, Dokumentverarbeitung, Forschungshilfen, Softwareentwicklung und Prozessautomatisierung.
- Abschlussprojekt. Beenden Sie Ihr Training mit der Konzeption und Entwicklung einer vollständigen Mehr-Agenten-Lösung, dem Testen der Agenten, der Messung der Leistung sowie der Präsentation der Ergebnisse.
Warum mehrere Agenten statt nur einem
AutoGen ermöglicht es verschiedenen Agenten, an schwierigen Aufgaben zusammenzuarbeiten. Anstatt sich auf ein einziges Modell zu verlassen, erstellt man Spezialisten für Forschung, Programmierung, Analyse, Planung oder Überprüfung und entscheidet, wie sie miteinander kommunizieren. Das Ergebnis ist ein flexibler Arbeitsablauf, der LLMs, externe Tools sowie menschliche Eingaben miteinander verbindet, um mehrschrittige Prozesse zu automatisieren.
Diese Flexibilität hat ihren Preis. Mehr Agenten bedeuten mehr Anfragen, mehr Latenz sowie mehr Stellen potenzieller Fehler, weshalb die Aufteilung ihre Berechtigung haben muss. Die Aufspaltung muss der tatsächlichen Verteilung der Arbeit entsprechen.
Vergleich mit herkömmlicher Automatisierung
Herkömmliche Automatisierung folgt vorgegebenen Regeln und festen Abläufen. AutoGen ermöglicht hingegen einen flexibleren Ansatz, bei dem Agenten zusammenarbeiten und auf sich ändernde Anforderungen reagieren können.
| Herkömmliche Automatisierung | AutoGen-ähnliche Automatisierung |
|---|---|
| regelbasierte Arbeitsabläufe | agentenbasierte Workflows |
| Ein fester Prozess | Flexible Zusammenarbeit |
| Begrenzte Entscheidungsfindung | Von einem LLM unterstütztes Denken |
| Vordefinierte Aktionen | Aktionen durch Tools durchgeführt |
| In der Regel ein Workflow | Mehrere Agenten arbeiten zusammen |
| Weniger anpassungsfähig | Mehr anpassungsfähig | Menschliche Beteiligung kann manuell sein | Menschliche Überprüfung kann integriert werden |
Nichts davon macht die herkömmliche Automatisierung überflüssig. In vielen Unternehmen kombinieren die besten Lösungen deterministische Automatisierung mit KI-Agenten.
Wo sie eingesetzt werden
- Kundenservice. Mehrere Agenten können Anfragen kategorisieren, Informationen abrufen und Entwürfe für Antworten erstellen, wobei ein menschlicher Agent sensible Fälle vor dem Versand überprüft.
- Softwareentwicklung. Agenten können bei der Anforderungsanalyse, beim Programmieren, Testen, Debuggen und bei Code-Reviews unterstützen.
- Forschung. Einige Agenten sammeln Materialien, andere organisieren die Erkenntnisse und wieder andere erstellen strukturierte Berichte.
- Datenanalyse. Agenten verarbeiten Datensätze, erkennen Muster und erstellen Berichte, die den Geschäftsanforderungen entsprechen.
- Dokumentenverwaltung. Workflows extrahieren Informationen aus Dokumenten, fassen sie zusammen und ordnen die Ergebnisse.
- Geschäftsprozesse. Wiederholende Aufgaben, die mehrere Schritte der Überlegung und Interaktion erfordern, eignen sich für Mehr-Agenten-Setups.
- Wissensassistenten. Agenten können Menschen dabei helfen, das eigene Wissen einer Organisation aus vernetzten Quellen zu finden und zu verarbeiten.
Was Sie durch das Erlernen davon gewinnen
Durch die Arbeit mit AutoGen werden einige relevante Fähigkeiten entwickelt: das Entwerfen von Mehr-Agenten-Anwendungen, die Orchestrierung von Agenten, die Integration von LLMs, die Automatisierung komplexer Workflows, die Arbeit mit Tools und APIs, ein effektiverer Einsatz generativer KI, das Erstellen realistischer Projekte, die Anwendung von Designs mit menschlicher Beteiligung sowie die Entwicklung unternehmensreifer Lösungen. Diese Fähigkeiten entsprechen zudem neuen Karrieremöglichkeiten.
Wer ist geeignet
Die Zielgruppe ist breit gefächert. Ingenieure, die mit KI, ML oder generativer KI arbeiten, werden am meisten davon profitieren, genauso wie Python- und Allgemein-Softwareentwickler, Fachleute aus dem Bereich Datenwissenschaft und Datenengineering, Praktiker im Bereich Automatisierung und RPA, Lösungskonstrukteure, technische Berater, Cloud- und DevOps-Ingenieure, Forscher, Innovationsteams sowie Studenten. Auch Geschäftsprofis, die an der Automatisierung mit KI interessiert sind, können die Konzepte nachvollziehen.
Die praktischen Voraussetzungen sind bescheiden: Grundkenntnisse in Python sowie etwas Erfahrung mit generativer KI oder großen Sprachmodellen. Kenntnisse in APIs und Git helfen, sind aber nicht zwingend erforderlich.
Mögliche Berufsfelder
Fähigkeiten in der Entwicklung mehrerer Agenten, der Integration großer Sprachmodelle sowie der Automatisierung von Arbeitsabläufen eröffnen verschiedene Berufsfelder, da Unternehmen Agenten für komplexe Prozesse nutzen:
- KI-Agenten-Entwickler, die intelligente Agenten erstellen und betreiben
- Generative-KI-Ingenieur, der Anwendungen mit großen Sprachmodellen entwickelt
- Entwickler von Mehr-Agenten-Systemen, der kollaborative Agenten-Arbeitsabläufe konzipiert
- KI-Automatisierungs-Ingenieur, der Geschäftsprozesse mit KI automatisiert
- Architekt von KI-Lösungen, der skalierbare Unternehmensarchitekturen entwirft
Zu beobachtende Trends
Event-getriebene Agenten. Moderne agentbasierte Systeme entwickeln sich in Richtung eventgetriebener Designs, die auf Ereignisse reagieren und Aufgaben dynamisch ausführen. Die Version v0.4 legte die Grundlage für diesen Ansatz.
Übersprachliche Entwicklung. Durch dieselbe Version konnten Agenten, die in Python und .NET geschrieben sind, miteinander kommunizieren, wobei weitere Sprachen in Entwicklung sind.
menschzentriertes Design. Agenten werden zunehmend so konzipiert, dass sie neben Menschen arbeiten und nicht ohne Überwachung tätig sind. Microsofts Arbeit an Magentic-UI spiegelt dieses Interesse wider.
Low-Code-Tools. AutoGen Studio ist eine Low-Code-Schnittstelle zum Erstellen und Debuggen von Multi-Agent-Workflows, die darauf abzielt, die Entwicklung zugänglicher zu machen.
Steuerung. Da Agenten mehr Aktionen ausführen können, gewinnen Sicherheit, Überwachung, Steuerung sowie menschliche Aufsicht in der Produktion an Bedeutung.
Die zukünftige Entwicklung
Die KI-Entwicklung bewegt sich in Richtung Systeme, die Aufgaben ausführen und nicht nur Antworten erzeugen. Multi-Agent-Architekturen unterstützen dies, indem sie ein großes Ziel in spezialisierte Aufgaben aufteilen. Autos Gegenwind in Richtung Erweiterbarkeit, ereignisgesteuerte Struktur, sprachübergreifende Interoperabilität sowie Agent-Tools zeigen, wohin sich das Framework entwickelt.
Doch um gute Agenten zu entwickeln, reicht es nicht aus, nur autonome Komponenten miteinander zu verbinden. Entwickler müssen außerdem Sicherheit, Bewertung, Überwachung, Kostenkontrolle, menschliche Überwachung sowie verantwortungsvolles Vorgehen verstehen. Personen, die AutoGen mit soliden Fähigkeiten in Python, LLMs, APIs sowie allgemeiner KI-Entwicklung verbinden, sind besser in der Lage, praktikable Agentenanwendungen zu erstellen.
Fazit
AutoGen bietet einen praktischen Einstieg in die Entwicklung mehrerer Agenten sowie die Automatisierung intelligenter Arbeitsabläufe. Es ermöglicht es Ihnen, anpassbare Agenten zu erstellen, die miteinander kommunizieren, zusammenarbeiten, Tools nutzen und bei komplexen Aufgaben mit Menschen zusammenarbeiten. Von der Integration von Agenten und großen Sprachmodellen über die Kommunikation zwischen Agenten, API-Verbindungen, Automatisierung, Fehlerbehebung, Sicherheit bis hin zu Unternehmensanwendungen – die damit verbundenen Fähigkeiten sind in einer Vielzahl moderner KI-Projekte relevant. Da Organisationen weiterhin Agenten erforschen, kann die Fähigkeit, kollaborative KI-Systeme zu entwerfen und zu verwalten, zu einem echten beruflichen Vorteil werden.
Verwandte Artikel
- Wie Subagenten und Multi-Agent-Systeme Arbeit und Kosten-Token aufteilen: Eine einfache Erklärung zu Subagenten im Vergleich zu Multi-Agent-Systemen, dem Orchestrator-Worker-Design, vier Topologien, Tokenkosten sowie wann ein einzelner Agent die bessere Wahl ist.
- Die fünf Ebenen eines Agent-Harnesses – mit Code, der ohne sie fehlschlägt: Eine praktische Übersicht über die fünf Stellen, an denen ein Agent-Harness Regeln im Code durchsetzt, von Ausführungsgrenzen bis zu Kontext-Pipelines, sowie darüber, was die Forschung beweisen kann und was nicht.