multi-agent ai-agents architecture llm agent-patterns

Vier Muster von Multi-Agenten-Systemen im Vergleich: Subagenten, Fähigkeiten, Übergaben, Router

Ein praktischer Vergleich der vier grundlegenden Muster für Multi-Agenten-Systeme für KI-Agenten: Was jeder Ansatz kostet, wofür er geeignet ist und wie man einen auswählt, ohne übermäßig zu entwickeln.

Verlag: REACTAPP.TOPAuf dieser Website hinzugefügt 28. Okt. 20267 Min. Lesezeit1611 Wörter

Quellen: I’ve Been Building AI Agents Wrong. Here’s What I Learned About Multi-Agent Architectures.

Eine bekannte Geschichte: Ein Team entwickelt ein komplexes Agentensystem mit mehreren Modellen, verschlungenen Routing-Strukturen sowie Agenten, die weitere Agenten erzeugen, stellt anschließend jedoch fest, dass eine in einem Wochenende zusammengestellte Version mit nur einem Agenten in Bezug auf Latenz, Debuggierbarkeit und alle anderen wichtigen Metriken besser abschneidet. Um aus dieser Falle herauszukommen, muss man zunächst erkennen, dass fast jedes ernstzunehmende Multi-Agentensystem aus vier Mustern aufgebaut ist, und wissen, was man für jedes davon bezahlt und was es bringt.

Braucht man überhaupt mehrere Agenten?

Normalerweise nicht. Es ist üblich, bereits in der ersten Woche zu einem Multi-Agenten-Framework zu greifen – getrieben von Hype und dem Reiz eines Diagramms voller Pfeile – doch das Ergebnis ist oft fragil und teuer, obwohl ein Agent mit guten Anweisungen bessere Ergebnisse liefern würde.

Zwei Situationen rechtfertigen zusätzliches Werkzeug. Die eine ist die Obergrenze des Kontextfensters. Man kann keine rechtliche Analyse, medizinische Kodierung, Finanzmodellierung und Sentiment-Verarbeitung in einen einzigen Prompt packen und eine kohärente Ausgabe erwarten, da ein überfüllter Kontext die Qualität mindert und die Reaktionszeiten verlangsamt. Die andere ist die Teamzugehörigkeit. Wenn ein Team für das Lagermanagement und ein anderes für die Auftragsabwicklung verantwortlich ist, führt das Teilen eines einzigen, monolithischen Prompts zu Konflikten, fehlerhaften Implementierungen und Unklarheiten darüber, wer was verantwortet. Bei einem dieser Probleme werden die unten aufgeführten Ansätze zu einer praktischen Lösung statt zu einer rein architektonischen Lösung.

Subagenten: der Stabschef

Stellen Sie sich einen Stabschef vor, der die Arbeit nie persönlich erledigt, aber genau weiß, wen er um Hilfe bitten muss. Ein Hauptüberwachungsagent behält das Gesamtbild im Auge. Wenn CRM-Daten abgerufen, ein E-Mailentwurf erstellt oder eine Berechnung durchgeführt werden muss, ruft er einen spezialisierten Unteragenten wie ein Werkzeug auf, erhält das Ergebnis zurück und setzt alles zusammen.

Der Vorteil liegt in der Sauberkeit. Jeder Unteragent arbeitet isoliert in seinem eigenen eng begrenzten Kontext, sodass nichts zwischen den Domänen übertragen wird: Der rechtliche Unteragent weiß nichts über das Lagerbestand. Diese Isolation lohnt sich, wenn die Domänen groß und unterschiedlich sind, da jeder Spezialist detaillierte Anweisungen befolgen kann, ohne mit unverwandtem Material um Platz konkurrieren zu müssen. Sie erleichtert außerdem das Testen, denn einen Unteragent kann man einzeln bewerten. Der Preis ist ein zusätzlicher Modellaufruf pro Anfrage, da die Ergebnisse über den Supervisor zurückgeleitet werden müssen – drei Unteragenten bedeuten also drei zusätzliche Hin- und Rückwege. Anwendungen, die auf geringe Latenz angewiesen sind, spüren das schnell.

Es eignet sich für Forschungsplattformen, die Aufgaben an Fachleute im jeweiligen Bereich delegieren, für persönliche Assistenten, die Kalender, E-Mails und Aufgaben gleichzeitig koordinieren, sowie für medizinische Triage-Systeme, in denen ein leitender Agent parallel an klinische Unteragenten Aufträge weiterleitet. Eine veröffentlichte Forschungsanlage, bei der ein großes Modell die Leitung übernimmt und kleinere Modelle als Unteragenten fungieren, übertraf laut Angaben interne Benchmarks um mehr als 90 Prozent gegenüber einem eigenständigen großen Modell. Paralleliges Denken in separaten Kontextfenstern ist äußerst wirkungsvoll, wenn die Aufgabe dies erfordert.

Fähigkeiten: ein Agent, viele Rollen

Technisch gesehen handelt es sich dabei immer noch um einen einzigen Agenten, obwohl er sich nicht wie einer verhält. Er beginnt jedes Gespräch mit nur den Namen und kurzen Beschreibungen der verfügbaren Fähigkeiten und lädt den vollständigen Kontext einer Fähigkeit hoch, wenn etwas Relevantes auftaucht. Ein Allgemeinmediziner arbeitet auf ähnliche Weise, indem er das spezialisierte Protokoll heranzieht, wenn eine bestimmte Erkrankung vorliegt, anstatt sich alle Protokolle für jede Beratung einzuprägen.

Der praktische Vorteil ist die Unabhängigkeit. Ein Python-Team kümmert sich um die Python-Fähigkeiten und ein Datenbank-Team um die SQL-Fähigkeiten – jeweils als eigenständige Pakete – und niemand muss sich auf einen gemeinsamen Prompt abstimmen. Für dezentral organisierte Ingenieurteams ist das eine echte Erleichterung. Der Nachteil ist das Anwachsen der Tokenanzahl: Je länger das Gespräch dauert und je mehr Fähigkeiten geladen werden, desto umfangreicher wird der Kontext, was letztendlich sowohl die Kosten als auch die Qualität gegen Ende der Sitzung beeinträchtigt. Das ist zwar beherrschbar, aber ein echtes Problem.

Die erforderlichen Fähigkeiten umfassen Coding-Assistenten, die zwischen Frontend-, Backend- und Infrastrukturmodi wechseln können, kreative Tools, die Schreibstile anpassen, sowie Support-Mitarbeiter, die je nach tatsächlichem Problem des Kunden spezialisiertes Wissen einsetzen.

Übergaben: das Staffellauf-Prinzip

Während Sub-Agenten eine parallele Delegation darstellen und Fähigkeiten eine dynamische Spezialisierung sind, erfolgen Übergaben in sequenzieller Reihenfolge – ähnlich wie Menschen durch einen komplizierten Prozess voranschreiten. Ein Benutzer beginnt bei Agent A. Sobald etwas gesagt wird oder eine Bedingung erfüllt ist, geht die Kontrolle an Agent B über, der über eigene Systemanweisungen, Tools und möglicherweise auch eine eigene Persönlichkeit verfügt, und später an Agent C. Die ganze Zeit über wird der Status, also alles, was besprochen und entschieden wurde, mit jeder Übertragung weitergegeben.

Übergänge werden durch den Zustand gesteuert. Agenten rufen einander nicht einfach an; sie aktualisieren den gemeinsamen Zustand, und dieser Zustand entscheidet, wer als Nächstes aktiv ist. Im Grunde handelt es sich dabei um eine Zustandsmaschine, bei der die Agenten die Zustände darstellen.

Das ist eine natürliche Struktur für mehrstufige Support-Prozesse (Erstuntersuchung, anschließend Diagnose, dann Lösung), für rechtliche Verfahren, bei denen Konfliktprüfungen vor der Aufnahme des Falls erfolgen müssen, sowie für Checkout-Prozesse, bei denen die Zahlung nicht beginnen kann, bevor der Warenkorb bestätigt wurde. Der Kompromiss, den viele vergessen, ist, dass Sequenzialität keine Parallelität bedeutet: Wenn Sie gleichzeitig drei Wissensbasen abfragen müssen, suchen Sie sich eine andere Lösung. Diese Methode eignet sich nur für Workflows, in denen Schritt B tatsächlich erst beginnen kann, nachdem Schritt A abgeschlossen ist. Die Zustandsverwaltung ist außerdem schwierig, und wenn eine Übertragungskette unterbrochen wird, ist das Debuggen nicht einfach – planen Sie daher zusätzliche Zeit für Tools zur Überwachung und Nachverfolgung ein, bevor Sie sich für diesen Ansatz entscheiden.

Router: der Flugverkehrskontrolleur

Konzeptionell ist es einfach. Etwas an der Vorderseite klassifiziert jede eingehende Anfrage und leitet sie an den richtigen Spezialisten oder die richtigen Spezialisten weiter. Sie arbeiten parallel, und ihre Ergebnisse werden zu einer einzigen Antwort zusammengeführt. Der Router speichert keinen Zustand, sodass jede Anfrage unabhängig verarbeitet wird.

Seine Stärke liegt in der Durchsatzleistung. Eine Frage, die drei Wissensbereiche umfasst, erreicht alle drei Agenten gleichzeitig, und die Gesamtzeit entspricht in etwa der des langsamsten Aufrufs, nicht der Summe aller Zeiten. In einer Unternehmens-Wissensdatenbank kann eine Frage eines Mitarbeiters HR-Richtlinien, IT-Sicherheitsvorgaben und Finanzvorschriften betreffen; der Router schickt alle drei Agenten gleichzeitig los und erstellt eine einzige Antwort, anstatt drei separate Anfragen stellen zu müssen oder einen überlasteten Agenten, der alle drei Bereiche bewältigen müsste.

Die ehrliche Grenze ist, dass stateless gleichbedeutend mit memory-less ist. Eine nachfolgende Anfrage kommt ohne jeglichen Hinweis auf das Vorherige – ein echtes Problem für konversationelle Systeme. Die übliche Lösung besteht darin, den Router in einen statefulen Außenagenten einzubetten, der die Historie speichert, doch das führt zu Musterkombinationen und erhöht die Komplexität. Router eignen sich für Systeme mit hohem Volumen mit klar getrennten Bereichen, für Anwendungen, die gleichzeitig mehrere Wissensquellen benötigen, sowie für Fälle, in denen Konsistenz pro Anfrage wichtiger ist als konversationelle Kontinuität.

Auswahl

Es muss nicht qualvoll sein.

Mehrere unterschiedliche Domänen, saubere parallele Ausführung sowie ein zentrales Steuerungspunkt für Subagenten.
Ein Agent mit vielen Spezialisierungen, der von verschiedenen Teams betreut wird und auf bestimmte Fähigkeiten verweist.
Ein Workflow, der von Natur aus sequenziell ist, mit Voraussetzungen und übertragener Zustandsinformation, der auf Übergaben hinweist.

Hohe Anfragenmengen in verschiedenen Bereichen, die eine parallele Verarbeitung ohne Konversationshistorie erfordern, deuten auf einen Router hin.

Ein weiterer Aspekt ist die Leistung. Die stateful-Verfahren, -Fähigkeiten und -Übergaben sparen bei wiederholten Anfragen etwa 40 bis 50 Prozent der Modellaufrufe, da sie den vorherigen Kontext speichern. Subagenten und Router sind stateless und verursachen jedes Mal denselben Aufwand, erhalten aber im Gegenzug eine starke Kontextisolation, was für große, parallele Arbeitslasten wichtig ist.

Maßhaltung hat Vorrang

Bauen Sie keine Multi-Agenten-Systeme, nur um sophisticated zu wirken; bauen Sie sie, um ein Problem zu lösen, mit dem Sie tatsächlich konfrontiert sind. Ein sinnvoller Ansatz ist zunächst ein Agent mit wirklich guten Anweisungen, anschließend Tools – und erst danach Multi-Agenten-Muster, sobald Sie auf konkrete Hindernisse wie Kontextüberschreitung, Reibungsverluste bei der Teamzuständigkeit oder den Bedarf an Parallelität stoßen, den ein einzelner Agent nicht decken kann. Die Teams mit den besten Systemen sind in der Regel diejenigen, die am längsten der Komplexität widerstanden haben und erklären konnten, warum jedes Element notwendig ist.

Was kommt als Nächstes

Betrachten Sie diese vier Muster als die grundlegende Grammatik des Multi-Agenten-Designs derzeit, wobei ständig neues Vokabular hinzukommt. Persistente lokale Agenten, die ihr Gedächtnis über Sitzungen hinweg bewahren und mit persönlichen Dateien sowie Apps verbunden sind, gelangen von der Forschung in die Produktentwicklung. Das Model Context Protocol, dessen Installationen Anfang 2026 bei 97 Millionen lagen, entwickelt sich zu der Infrastruktur, die es Agenten verschiedener Anbieter ermöglicht, ohne spezielle Integration miteinander zu kommunizieren. Agentennetzwerke, die dynamisch neue Agenten erzeugen und ihre eigene Arbeitskraft je nach Aufgabenkomplexität skalieren, tauchen zunehmend auf. Subagenten, Fähigkeiten, Übergabeprozesse und Router bilden die Grundlage für all das – daher bringt es Vorteile, sie bereits jetzt zu erlernen. Eine Faustregel zur Entscheidungsfindung lautet: Schreiben Sie zunächst das konkrete Problem auf, nennen Sie das Muster, das darauf eine Lösung bietet, und erst danach erstellen Sie das Diagramm. Beginnen Sie mit einfachen Schritten, seien Sie ehrlich darüber, was Sie benötigen, und wenn Sie später zu mehreren Agenten übergehen, wissen Sie, welche Richtung Sie einschlagen müssen.