Multi-Agent-System

Wie ein Team von Spezialisten einen Generalisten übertrifft, liefern spezialisierte Agents (einer für Recherche, einer für Code, einer für Analyse) bessere Ergebnisse als ein einzelner generalistischer Agent.

Über Protokolle wie MCP, strukturierte Nachrichten oder gemeinsame Memory-Bereiche. Jeder Agent hat seine Rolle und seine Tools.

Ein Multi-Agent-System (MAS) ist eine Architektur, in der mehrere KI-Agenten mit jeweils eigener Rolle, eigenen Tools und eigenem Gedächtnis zusammenarbeiten, um eine Aufgabe zu lösen, die ein einzelner Agent schlecht bewältigen würde. Statt eines monolithischen Prompts wird die Arbeit auf spezialisierte Agenten aufgeteilt, die Nachrichten austauschen, Teilaufgaben delegieren und Ergebnisse zusammenführen. Frameworks wie CrewAI, AutoGen und LangGraph machen diese Orchestrierung explizit und reproduzierbar.

Ein häufiges Beispiel ist die automatisierte Recherche: Ein Planer-Agent zerlegt eine Frage, mehrere Worker-Agenten durchsuchen das Web parallel, und ein Autoren-Agent fasst einen belegten Bericht zusammen. Software-Pipelines funktionieren genauso, mit einem Coder-, einem Reviewer- und einem Tester-Agenten. Tools wie Claude Code, openclaw und Relevance AI bauen reale Produkte auf diesem Orchestrator-Worker-Muster auf.

Ein einzelner Agent durchläuft eine Schleife und entscheidet und handelt eigenständig mit einem festen Satz an Tools. Ein Multi-Agent-System verteilt diese Arbeit auf mehrere Agenten, die sich spezialisieren, parallel laufen und Aufgaben aneinander übergeben. Der Kompromiss: Multi-Agent-Aufbauten skalieren auf schwierigere Probleme, bringen aber Koordinationsaufwand, Latenz und mehr Fehlerquellen mit sich und lohnen sich vor allem bei komplexen, zerlegbaren Aufgaben.

Die Koordination folgt meist einem von wenigen Mustern. Beim Orchestrator-Worker plant ein Leit-Agent und verteilt Teilaufgaben an Worker und führt deren Ausgaben anschließend zusammen. Beim Agent-Handoff geht die Kontrolle von einem Agenten zum nächsten über, während die Aufgabe Phasen durchläuft. Manche Systeme nutzen hierarchische Teams oder einen gemeinsamen Scratchpad. LangGraph modelliert dies als explizite Graphen, CrewAI als Rollen in einem Team.

Nein, standardmäßig nicht. ChatGPT ist in erster Linie ein einzelnes Konversationsmodell, selbst wenn es innerhalb einer Schleife Tools aufruft oder im Web sucht. Es wird erst dann Teil eines Multi-Agent-Systems, wenn Sie mehrere Modellinstanzen mit unterschiedlichen Rollen orchestrieren, die einander delegieren und überprüfen. Das LLM ist der Motor; das Multi-Agent-System ist die Architektur, die mehrere solcher Motoren umschließt.

Die etabliertesten Optionen sind CrewAI, das Agenten als Rollen mit Aufgaben in einem Team modelliert; AutoGen von Microsoft, das auf konversationelle Agenten setzt, die einander Nachrichten senden; und LangGraph, das Agenten-Workflows als explizite Zustandsgraphen für feine Kontrolle darstellt. Auch OpenAIs Agents SDK und Relevance AI werden breit eingesetzt. Die richtige Wahl hängt davon ab, wie viel explizite Kontrolle Sie gegenüber schneller Orchestrierung benötigen.

Setzen Sie eines ein, wenn eine Aufgabe komplex genug ist, um sie in eigenständige, parallelisierbare Teilaufgaben zu zerlegen, die von spezialisierten Rollen profitieren, etwa Recherche, Coding plus Review oder mehrstufige Workflows über mehrere Tools hinweg. Bei einfachen, linearen Aufgaben ist ein einzelner Agent günstiger, schneller und leichter zu debuggen. Greifen Sie nur dann zu mehreren Agenten, wenn die Koordination tatsächlich bessere Qualität oder höheren Durchsatz bringt.