Agent-Orchestrierung

Was ist Agent-Orchestrierung?

Agent-Orchestrierung ist die Koordination mehrerer KI-Agenten, die an Teilen einer größeren Aufgabe arbeiten: Arbeit zuweisen, Schritte in eine Reihenfolge bringen, Kontext zwischen Agenten weitergeben und Ergebnisse zu einem Output zusammenführen. Der Koordinator kann ein Lead-Agent sein, der dynamisch entscheidet, oder ein deterministischer Controller, der festen Routing-Regeln folgt.

Die wichtigsten Punkte

• Orchestrierung beantwortet drei Fragen: Wer macht was, in welcher Reihenfolge, und wie fließen die Ergebnisse wieder zusammen? Alles andere ist Implementierungsdetail.
• Es gibt zwei grundlegende Stile. Zentralisierte Orchestrierung gibt einem Koordinator die Verantwortung; choreografierte Stile oder Pipeline-Stile lassen Agenten die Arbeit direkt an die nächste Stufe weiterreichen.
• Der schwierige Teil ist die Kontextübergabe. Jeder Agent sieht nur das, was ihm gegeben wird, also entscheidet die Orchestrierungsschicht, was jeder Worker weiß – und die meisten Fehler lassen sich auf genau diese Entscheidung zurückführen.
• Deterministische Orchestrierung wird unterschätzt. Wenn sich die Routing-Logik als einfacher Code abbilden lässt, beseitigt genau das eine ganze Klasse von Koordinationsfehlern.

So funktioniert es

Das zentralisierte Muster platziert einen Orchestrator-Agenten an der Spitze. Er nimmt das Ziel entgegen, zerlegt es in Teilaufgaben und verteilt jede davon an einen Worker, oft einen Subagenten, der in seinem eigenen Kontextfenster läuft. Worker liefern Ergebnisse zurück, der Orchestrator bewertet sie, verteilt Folgeaufträge, wenn etwas fehlt, und setzt den finalen Output zusammen. Dieses Design lässt sich leicht nachvollziehen und leicht mit Human-in-the-Loop-Freigaben absichern, weil alle Entscheidungen durch einen einzigen Punkt laufen. Gut umgesetzt, zahlt sich das aus: Anthropic berichtete 2025, dass ein orchestriertes System mit einem Claude-Opus-4-Lead und Claude-Sonnet-4-Subagenten einen einzelnen Claude-Opus-4-Agenten bei seiner internen Research-Evaluation um 90,2 % übertraf [1].

Die Alternative ist Orchestrierung ohne einen denkenden Koordinator. Ein deterministischer Controller – im Grunde eine State Machine oder Workflow-Engine – leitet Aufgaben nach festen Regeln zwischen Agenten weiter: Der Output von Stufe A speist immer Stufe B, Retries erfolgen bei fehlgeschlagener Schema-Validierung, und die Eskalation an einen Menschen wird nach zwei gescheiterten Versuchen ausgelöst. Viele Produktivsysteme mischen beide Stile: Code bildet das Skelett des agentischen Workflows, während Modellurteil für die Schritte reserviert bleibt, die es wirklich brauchen.

Unabhängig vom gewählten Stil trägt die Orchestrierungsschicht die operative Last: Task-Zustand verfolgen, Timeouts und Budgets durchsetzen, validieren, dass Agenten-Outputs den erwarteten Schemas entsprechen, und jede Übergabe protokollieren, damit sich Fehler zurückverfolgen lassen. Und es gibt einiges zurückzuverfolgen: Eine UC-Berkeley-Studie von 2025 mit mehr als 1.600 annotierten Ausführungs-Traces über 7 verbreitete Multi-Agenten-Frameworks identifizierte 14 unterschiedliche Fehlermuster, gruppiert in Systemdesign-Schwächen, Fehlausrichtung zwischen Agenten und Fehler bei der Aufgabenverifikation [2]. Anbieterübergreifende Setups bringen zusätzlich eine Standardfrage mit sich, die Initiativen wie das A2A-Protokoll zu beantworten versuchen, indem sie festlegen, wie Agenten aus unterschiedlichen Systemen Aufgaben und Ergebnisse austauschen.

Beispiel

Ein E-Commerce-Unternehmen baut eine Pipeline für Produktlistings. Wenn ein Händler einen neuen Artikel hochlädt, startet ein Orchestrator drei Worker parallel: einer recherchiert Konkurrenzlistings, einer entwirft Titel und Beschreibung in der Markenstimme, und einer prüft den Entwurf gegen die Richtlinien des Marktplatzes. Der Orchestrator wartet auf alle drei, spielt die Richtlinien-Erkenntnisse zur einmaligen Überarbeitung an den Copywriting-Agenten zurück, setzt dann das Listing zusammen und stellt es zur Freigabe durch den Händler in die Warteschlange. Wenn der Richtlinien-Agent und der Copywriter zweimal hintereinander uneins sind, bricht der Orchestrator die Schleife ab und eskaliert an einen Menschen. Die Durchläufe sind günstig, weil der Recherche- und der Richtlinien-Agent ein kleineres Modell nutzen, während nur der Copywriting-Schritt das teure Modell verwendet.

Häufige Missverständnisse

Teams nehmen an, mehr Agenten bedeute mehr Leistungsfähigkeit, und entwerfen deshalb eine Orchestrierung für zehn Spezialisten, wenn die Aufgabe zwei braucht. Jeder zusätzliche Agent ist eine weitere verlustbehaftete Übergabe: Der Worker sieht nicht, was der Orchestrator gesehen hat, Zusammenfassungen lassen Details fallen, und Fehler summieren sich leise über mehrere Hops hinweg. Orchestrierung ist eine Steuer, die man für Parallelität oder Kontextisolation zahlt, und keine kleine: Anthropic maß, dass Multi-Agenten-Systeme etwa 15-mal so viele Tokens verbrennen wie eine gewöhnliche Chat-Interaktion, gegenüber etwa dem 4-Fachen bei einem einzelnen Agenten [3]. Passt eine Aufgabe bequem in das Kontextfenster eines Agenten, macht Orchestrierung das Ergebnis schlechter und die Rechnung höher.

FAQ

Was ist der Unterschied zwischen Agent-Orchestrierung und einem Multi-Agent-System? Ein Multi-Agent-System ist die gesamte Anordnung zusammenarbeitender Agenten; Multi-Agent-Orchestrierung ist die Koordinationsschicht darin. Man kann ein Multi-Agent-System mit fast keiner Orchestrierung haben (unabhängige Agenten an einer gemeinsamen Warteschlange) und schwere Orchestrierung über nur zwei Agenten.

Ist KI-Orchestrierung dasselbe? KI-Orchestrierung ist der breitere Oberbegriff: die Koordination von Modellen, Tools, Datenpipelines und Agenten über den gesamten Stack einer Organisation hinweg. Agent-Orchestrierung ist der Ausschnitt davon, der sich speziell mit der Steuerung von Agenten bei gemeinsamen Aufgaben befasst.

Wann sollte Routing eine Modellentscheidung sein und wann Code? Nutzen Sie Code, wenn die Routing-Regel bekannt und stabil ist, denn das ist kostenlos, sofort und testbar. Nutzen Sie ein Modell, wenn die Entscheidung eine Interpretation von Inhalt erfordert, etwa das Klassifizieren einer mehrdeutigen Anfrage oder das Beurteilen, ob der Output eines Workers gut genug ist, um weitergereicht zu werden.

Quellen

1. Anthropic. "Ein orchestriertes Multi-Agenten-System übertraf einen einzelnen Claude-Opus-4-Agenten bei einer internen Research-Evaluation um 90,2 %." https://www.anthropic.com/engineering/built-multi-agent-research-system. Abgerufen im August 2026.
2. UC Berkeley (MAST, arXiv). "Studie mit über 1.600 annotierten Traces über 7 Multi-Agenten-Frameworks identifiziert 14 Fehlermuster." https://arxiv.org/abs/2503.13657. Abgerufen im August 2026.
3. Anthropic. "Multi-Agenten-Systeme nutzen etwa 15-mal so viele Tokens wie Chat-Interaktionen, gegenüber etwa dem 4-Fachen bei einzelnen Agenten." https://www.anthropic.com/engineering/built-multi-agent-research-system. Abgerufen im August 2026.