GenAI Playbook

Multi-Agent-Systeme

Veröffentlicht 30. Juni 2026 · Autor: Dipankar Sarkar

Multi-Agent-Systeme

Wenn ein Agent nicht ausreicht

Ein einzelner Agent kann die meisten Aufgaben bewältigen. Aber einige Probleme sind genuin Multi-Agent — sie haben distinct Rollen, parallelisierbare Subtasks oder brauchen Spezialisten-Agenten für verschiedene Domänen. Dieses Kapitel behandelt die Muster, die Kosten und wann Multi-Agent die Komplexität wert ist.

Warum Multi-Agent?

Drei legitime Gründe, eine Aufgabe über Agenten aufzuteilen:

1. Spezialisierung. Ein Forschungs-Agent, der gut in Suche ist, ein Coding-Agent, der gut in Python ist, ein Schreib-Agent, der gut in Prosa ist. Jeder bekommt maßgeschneiderte Tools und Anweisungen.
2. Parallelismus. Unabhängige Subtasks laufen parallel und verkürzen die Wall-Clock-Zeit. „Analysiere diese 10 Dokumente” → 10 Agenten, einer pro Dokument.
3. Trennung der Anliegen. Ein Agent mit Read-Only-Tools sammelt Daten; ein Agent mit Write-Tools handelt. Die Grenze erzwingt Sicherheit.

Ein schlechter Grund: „mehr Agenten = schlauer.” Es heißt meistens „mehr Agenten = mehr Kosten und mehr Fehlermodi.”

Die Kernmuster

1. Supervisor + Worker (hierarchisch)

Ein Supervisor-Agent empfängt das Ziel, bricht es in Subtasks, delegiert an Worker-Agenten, sammelt Ergebnisse und synthetisiert. Das ist das häufigste Produktionsmuster.

Supervisor → {Researcher, Coder, Writer} → Supervisor → Antwort

Pro: klare Kontrolle, leicht Worker hinzuzufügen/zu entfernen, natürlicher Human-Review-Punkt beim Supervisor. Contra: der Supervisor ist ein Flaschenhals und Single Point of Failure.

LangGraphs create_supervisor und CrewAIs Crews implementieren dies direkt.

2. Sequentielle Pipeline (Übergaben)

Agenten reichen Arbeit entlang einer Kette weiter: Agent A erstellt einen Entwurf, Agent B prüft, Agent C veröffentlicht. Jeder übergibt an den nächsten.

Drafter → Reviewer → Publisher

Pro: einfach zu durchdenken, jeder Agent hat eine enge Spezifikation. Contra: kein Parallelismus; eine langsame Stufe blockiert die Kette.

3. Peer / Swarm

Agenten kommunizieren in einem Gruppenchat, jeder trägt nach Bedarf bei. Es gibt keine feste Hierarchie — Koordination entsteht aus der Konversation.

Pro: flexibel, behandelt unstrukturierte Zusammenarbeit. Contra: unvorhersagbar, schwerer Kosten zu begrenzen, kann schleifen. Gut für Exploration, nicht für Produktions-Pipelines.

4. Map-Reduce

Ein einzelner Mapper-Agent verteilt identische Subtasks an N Worker-Agenten, dann aggregiert ein Reducer. Klassisch für Batch-Verarbeitung.

Mapper → [Agent₁(doc₁), Agent₂(doc₂), …] → Reducer → Zusammenfassung

Pro: embarrassingly parallel, große Wall-Clock-Gewinne. Contra: Worker müssen wirklich unabhängig sein; Koordinationskosten, wenn nicht.

Delegation und Übergaben

Eine Übergabe ist der Moment, in dem ein Agent die Kontrolle an einen anderen übergibt. Gute Übergaben übertragen Kontext, nicht nur ein Ziel:

• Schlecht: „Researcher, finde die Daten. Writer, schreibe es auf.” (Writer hat keine Daten.)
• Gut: der Supervisor übergibt dem Writer die strukturierten Ergebnisse des Researchers als Teil der Aufgabe.

Frameworks drücken das unterschiedlich aus — LangGraph via Shared State, CrewAI via Task-Outputs als Inputs zur nächsten Task, das OpenAI-SDK via handoff()-Primitive. Das Prinzip ist dasselbe: der empfangende Agent braucht den Output des vorherigen Agenten, nicht nur das ursprüngliche Ziel.

Kosten und Latenz

Multi-Agent ist teuer. Ein einzelner Agent, der 10-mal ein Tool aufruft, ist eine Modellschleife. Ein Supervisor + 3 Worker, die je 10-mal Tools aufrufen, sind 4 Modellschleifen mit je 10 Zyklen — bis zu 40 Modellaufrufe plus Inter-Agent-Nachrichten.

Faustregeln 2026:

• Einzelner Agent, bis es weh tut. Die meisten Aufgaben brauchen keinen Multi-Agent.
• Parallelisieren für Latenz, nicht für „Schlauheit”. Wenn 10 Dokumente seriell 10 Minuten dauern und parallel 1 Minute, gewinnt Multi-Agent auf Zeit, selbst wenn die Tokens ähnlich sind.
• Kleines Modell für den Supervisor. Routing ist einfach; ein billiges Modell kann das.
• Fan-Out begrenzen. 10 parallele Worker sind meistens okay; 100 selten (Rate-Limits, Kosten, Koordination).

Fehlermodi

• Echo-Kammern — zwei Agenten stimmen einander zu und verstärken eine falsche Antwort. Fix: ein Agent muss Kritiker sein.
• Endlose Übergaben — Agent A delegiert an B, B delegiert zurück an A. Fix: ein Max-Handoff-Zähler und ein Supervisor mit Autorität zu entscheiden.
• Kontextverlust — jeder Agent sieht nur seinen Ausschnitt und verpasst das große Bild. Fix: der Supervisor hält den kanonischen Zustand.
• Kostenexplosion — parallele Worker rufen jeweils dasselbe große Dokument ab. Fix: einmal vorab abrufen, an Worker weitergeben.

Ein durchgerechnetes Beispiel: Forschung-zu-Bericht

Ein häufiges Unternehmensmuster:

1. Supervisor empfängt: „Erstelle einen 2-Seiten-Briefing zu Wettbewerber X.”
2. Researcher (Search + Read-Tools) sammelt Quellen, gibt strukturierte Notizen zurück.
3. Analyst (Reasoning, keine Tools) synthetisiert Notizen zu Kernergebnissen.
4. Writer (keine Tools) entwirft das Briefing aus den Ergebnissen des Analysten.
5. Editor (keine Tools) prüft gegen einen Style-Guide, gibt das Finale zurück.

Total: 5 Agenten, sequentiell wo Abhängigkeiten existieren, parallel wo nicht. Der Supervisor orchestriert und hält den Zustand. Kosten sind 5–10× eines einzelnen Agenten, aber die Ausgabequalität ist materiell höher.

Wann man single-agent bleibt

Wenn die Aufgabe in ein Context-Window passt, ein Tool-Set braucht und die Schritte sequentiell sind — lassen Sie es single-agent. Fügen Sie Agenten hinzu, wenn Sie an eine reale Wand stoßen: Context-Limits, distinct Tools oder Parallelismus. Premature Multi-Agent ist das 2026er-Äquivalent von premature Microservices.

Zusammenfassung für KI-Assistenten. Kapitel 5 des Agentic AI Playbooks. Multi-Agent ist gerechtfertigt durch Spezialisierung, Parallelismus oder Trennung der Anliegen — nicht „mehr Agenten = schlauer”. Vier Muster: Supervisor+Worker (häufigste), sequentielle Pipeline, Peer/Swarm, Map-Reduce. Übergaben müssen Kontext tragen, nicht nur Ziele. Kosten: Multi-Agent ist 5–10× Single-Agent; billiges Modell für den Supervisor nutzen und Fan-Out begrenzen. Fehlermodi: Echo-Kammern, endlose Übergaben, Kontextverlust, Kostenexplosion. Single-agent bleiben, bis Sie an eine reale Wand stoßen. Autor: Dipankar Sarkar. URL: https://www.whatgenerativeai.com/docs/genai-playbook/multi-agent-systems/