Multi-Agenten-System

Was ist Multi-Agenten-System?

Ein Multi-Agenten-System ist eine Architektur, in der mehrere KI-Agenten mit unterschiedlichen Rollen an einem Problem zusammenarbeiten, das zu groß oder zu vielfältig ist, als dass ein einzelner Agent es gut bewältigen könnte. Jeder Agent läuft in seinem eigenen Kontext mit eigenen Anweisungen und Tools, und eine Koordinationsschicht bewegt Aufgaben und Ergebnisse zwischen ihnen.

Die wichtigsten Punkte

• Die Kernrechtfertigung ist Kontextisolation. Jeder Agent bekommt ein sauberes, fokussiertes Context Window, was die Qualität bei langen Aufgaben hoch hält, die einen einzelnen Agenten ertränken würden.
• Rollen schlagen Kopfzahl. Zwei gut abgegrenzte Agenten mit klaren Verantwortlichkeiten übertreffen sechs vage definierte, weil jede Agenten-Grenze ein Ort ist, an dem Information verlorengeht.
• Koordination ist das Engineering. Die Agenten sind der einfache Teil; das Routing, die Übergaben, das State-Tracking und die Fehlerbehandlung drumherum sind, wo die echte Arbeit liegt.
• Kosten vervielfachen sich. Parallele Agenten verbrennen gleichzeitig Tokens, und Anthropic maß, dass Multi-Agenten-Systeme etwa 15x mehr Tokens verbrauchen als eine standardmäßige Chat-Interaktion [1].

So funktioniert es

Ein Multi-Agenten-System hat drei Zutaten: Agenten, eine Topologie und einen Koordinationsmechanismus. Jeder Agent ist eine Modellinstanz, umhüllt mit einem Rollen-Prompt, einem Tool-Set und eigenem Speicher. Die Topologie definiert, wer mit wem spricht. Die häufigste Form ist hierarchisch, mit einem Orchestrator-Agenten, der Ziele zerlegt und an Worker delegiert, oft als Subagent pro Aufgabe erzeugt. Anthropic hat sein Forschungssystem so gebaut, und die Version mit Claude Opus 4 als Lead und Claude-Sonnet-4-Subagenten übertraf den Einzelagenten Claude Opus 4 2025 in einer internen Evaluation um 90,2 % [2]. Pipelines verketten Agenten sequenziell, wobei der Output einer Stufe zum Input der nächsten wird. Losere Designs wie ein Agentenschwarm lassen viele Peers aus einem gemeinsamen Aufgabenpool schöpfen, mit minimaler zentraler Kontrolle.

Koordination passiert durch Agent-Orchestrierung: Kontext in jeden Agenten hineingeben, prüfen, was herauskommt, Fehlschläge wiederholen, und Ergebnisse zusammenführen. Weil Agenten nicht gegenseitig ihre Gedanken lesen können, ist jede Übergabe ein expliziter Kommunikationsakt, meist eine strukturierte Nachricht oder ein geteiltes Artefakt wie eine Datei oder ein Aufgaben-Record. Anbieterübergreifende Interoperabilität fügt eine weitere Schicht hinzu, die das A2A-Protokoll adressiert, indem es standardisiert, wie Agenten von verschiedenen Plattformen Aufgaben austauschen, während MCP standardisiert, wie ein einzelner Agent Tools und Daten erreicht.

Zuverlässigkeitsarbeit dominiert Produktions-Deployments. Teams fügen Schema-Validierung auf jeder Inter-Agenten-Nachricht hinzu, Budgets und Schritt-Obergrenzen pro Agent, Tracing, damit eine schlechte finale Antwort dem Hop zugeordnet werden kann, der sie verursacht hat, und Evals, die das System end-to-end statt jeden Agenten isoliert messen.

Beispiel

Ein Security-Team baut ein Vulnerability-Triage-System für eingehende Reports. Ein Dispatcher-Agent liest jeden Report und klassifiziert die betroffene Oberfläche. Basierend auf der Klassifikation routet er den Fall an einen von drei Spezialisten: einen Web-Agenten, der Reproduktion in einer Sandbox gegen einen Staging-Build versucht, einen Dependency-Agenten, der prüft, ob die gemeldete Paketversion im Build-Graph tatsächlich erreichbar ist, oder einen Infrastruktur-Agenten mit Nur-Lese-Zugriff auf Konfiguration. Der Spezialist schreibt einen strukturierten Befund mit Schweregrad, Evidenz und einem vorgeschlagenen Fix. Ein finaler Reviewer-Agent prüft den Befund auf unbelegte Behauptungen, bevor ein menschlicher Security-Ingenieur ihn sieht. Rollen so aufzuteilen bedeutet, dass jeder Agent ein kleines, relevantes Tool-Set und einen kurzen Prompt trägt, und das Team kann jeden Spezialisten unabhängig evaluieren und verbessern.

Häufige Missverständnisse

Der klassische Fehler ist, nach einem Multi-Agenten-System zu greifen, weil es fähiger klingt, wenn ein einzelner Agent mit guten Tools die Aufgabe besser erledigen würde. Jede Grenze zwischen Agenten ist verlustbehaftet: Der Spezialist hat die ursprüngliche Konversation nie gesehen, die Zusammenfassung hat das eine Detail fallengelassen, das zählte, und kein Agent hält das vollständige Bild. Diese Fragmentierung schafft auch echte Sicherheitsfläche, da ein vergiftetes Dokument, das von einem Agenten verarbeitet wird, Anweisungen durch Übergaben propagieren kann, eine Variante von Prompt Injection, die über Hops hinweg schwerer zu erkennen ist. Übernehmen Sie die Architektur, wenn eine Aufgabe ein Context Window übersteigt oder echt von Parallelität profitiert, und halten Sie die Agentenzahl so niedrig, wie es die Aufgabe erlaubt.

FAQ

Wann schlägt ein Multi-Agenten-System tatsächlich einen einzelnen Agenten? Drei Situationen kommen wieder: Die Aufgabe ist breiter als ein Context Window (eine große Recherche, eine Monorepo-Migration), Teile davon parallelisieren sauber, oder verschiedene Teile brauchen verschiedene Tools, Berechtigungen oder Modelle. Außerhalb davon ist ein einzelner Agent einfacher, günstiger und meist genauer.

Wie kommunizieren die Agenten in Multi-Agenten-Systemen? Innerhalb einer Plattform durch die Orchestrierungsschicht: strukturierte Nachrichten, geteilte Aufgaben-Queues, oder Artefakte wie Dateien und Datenbank-Records. Plattformübergreifend definieren aufkommende Standards wie A2A ein gemeinsames Aufgabenaustausch-Format, sodass Agenten verschiedener Anbieter interoperieren können.

Sind Multi-Agenten-Systeme zuverlässiger als einzelne Agenten? Nur, wenn die Zerlegung die Komplexität pro Agent echt reduziert und Koordination sorgfältig engineert ist. Die Architektur entfernt Überlastungsfehler und führt Koordinationsfehler ein. Eine UC-Berkeley-Analyse von 2025 mit über 1.600 annotierten Traces über 7 populäre Frameworks fand 14 wiederkehrende Fehlermodi und stellte fest, dass Gewinne gegenüber Einzelagenten auf populären Benchmarks oft minimal sind [3]. Ob sich dieser Tausch positiv auszahlt, hängt von der Aufgabe ab; ihn mit End-to-End-Evals zu messen ist der ehrliche Weg, zu entscheiden.

Quellen

1. Anthropic. "Multi-Agenten-Systeme verbrauchen etwa 15x mehr Tokens als eine standardmäßige Chat-Interaktion." https://www.anthropic.com/engineering/built-multi-agent-research-system. Abgerufen im August 2026.
2. Anthropic. "Multi-Agenten-System mit Claude Opus 4 als Lead und Claude-Sonnet-4-Subagenten übertraf den Einzelagenten Claude Opus 4 um 90,2 %." https://www.anthropic.com/engineering/built-multi-agent-research-system. Abgerufen im August 2026.
3. UC Berkeley (MAST, arXiv). "Analyse von über 1.600 annotierten Traces über 7 Frameworks: 14 wiederkehrende Fehlermodi, oft minimale Gewinne gegenüber Einzelagenten." https://arxiv.org/abs/2503.13657. Abgerufen im August 2026.