Ein Multi-Agent-System besteht aus mehreren spezialisierten Agenten, die Aufgaben aufteilen, Ergebnisse austauschen oder sich gegenseitig koordinieren. Der Vorteil liegt in Spezialisierung; die Herausforderung liegt in Kontrolle, Kosten und zuverlässiger Übergabe.
Warum mehrere Agenten?
Ein einzelner Agent muss sonst Recherche, Planung, Ausführung und Qualitätskontrolle zugleich beherrschen. Mehrere Rollen können diese Aufgaben trennen.
Orchestrierung
Ein übergeordneter Agent oder Workflow entscheidet, welcher Spezialagent wann aktiv wird und welche Informationen weitergegeben werden.
Handoffs
Übergaben müssen strukturiert sein: Ziel, Kontext, Zwischenstand und erwartetes Ergebnis sollten klar beschrieben werden.
Risiken
Mehr Agenten bedeuten mehr mögliche Fehlerketten, höhere Kosten und komplexere Berechtigungen. Beobachtbarkeit und Protokollierung werden wichtiger.
Agenten konkret ansehen
Die Theorie wird verständlicher, wenn man reale Produkte vergleicht. AgentenIndex dokumentiert 57 Agenten und Plattformen mit offiziellen Quellen.
Alle Agentenprofile →Warum mehrere Agenten?
Ein Multi-Agent-System teilt eine Aufgabe auf spezialisierte Rollen oder Komponenten auf. Ein Recherche-Agent kann Informationen sammeln, ein Analyse-Agent sie bewerten und ein weiterer Agent einen Bericht strukturieren. Die Idee ähnelt einem Team – allerdings entstehen zusätzlicher Koordinationsaufwand, Kosten und neue Fehlerquellen.
Typische Orchestrierungsmuster
Supervisor
Ein zentraler Agent verteilt Aufgaben an Spezialisten und führt Ergebnisse zusammen.
Handoffs
Ein Agent übergibt die Aufgabe an einen anderen, wenn dessen Fachgebiet benötigt wird.
Parallel
Mehrere Agenten bearbeiten unterschiedliche Teile gleichzeitig, anschließend werden Ergebnisse zusammengeführt.
Evaluator
Ein Agent erstellt ein Ergebnis, ein zweiter bewertet es und löst bei Bedarf eine Überarbeitung aus.
Hierarchie
Mehrere Ebenen koordinieren komplexe Teilaufgaben oder Agententeams.
Workflow + Agenten
Deterministische Logik legt den Ablauf fest; Agenten übernehmen nur offene Teilaufgaben.
Wann Multi-Agent sinnvoll ist
Mehrere Agenten sind hilfreich, wenn Teilaufgaben wirklich unterschiedliche Tools, Berechtigungen oder Fachkontexte benötigen. Auch parallele Arbeit kann sinnvoll sein. Wenn dagegen ein einzelner Agent mit klaren Tools dieselbe Aufgabe zuverlässig erledigt, ist die Multi-Agent-Variante meist unnötig komplex.
Neue Risiken durch Koordination
Jede Übergabe kann Kontext verlieren. Agenten können sich widersprechen, Aufgaben doppelt ausführen oder in Schleifen geraten. Zusätzlich steigen Tokenverbrauch, Latenz und Observability-Anforderungen. Deshalb sollte ein Multi-Agent-System klare Zuständigkeiten, gemeinsame Datenformate und Abbruchbedingungen besitzen.
Wie Multi-Agent-Systeme kontrollierbar bleiben
- Rollen und erlaubte Tools explizit definieren.
- Gemeinsamen Zustand und Übergaben protokollieren.
- Budget- und Schrittlimits setzen.
- Konflikte und Unsicherheit an einen Supervisor oder Menschen eskalieren.
- Einzelne Agenten und das Gesamtsystem getrennt evaluieren.
Einfachheitsregel
Nutzen Sie mehrere Agenten nur, wenn die Aufteilung einen klaren funktionalen Vorteil bringt. Ein gut begrenzter Einzelagent ist leichter zu testen, günstiger und häufig robuster.
Single-Agent vs. Multi-Agent
| Kriterium | Single-Agent | Multi-Agent |
|---|---|---|
| Komplexität | niedriger | höher durch Routing und Übergaben |
| Testbarkeit | einfacher | Einzelagenten plus Gesamtsystem testen |
| Spezialisierung | ein Kontext und Toolset | unterschiedliche Rollen und Rechte möglich |
| Kosten | meist geringer | mehr Modellaufrufe und Koordination |
| Skalierung | gut für klaren Aufgabenraum | stark bei klar trennbaren Teilaufgaben |
Gemeinsamer Zustand und Übergaben
Mehrere Agenten müssen wissen, was bereits erledigt wurde. Dafür kann ein gemeinsamer Task-State, eine strukturierte Übergabe oder eine zentrale Orchestrierung genutzt werden. Freitext allein ist fehleranfällig: Wichtige Felder wie Status, Quellen, offene Fragen und erlaubte nächste Aktionen sollten möglichst strukturiert übergeben werden.
Beispiel: Multi-Agent-Recherche
Ein Supervisor erhält die Aufgabe, einen Markt zu analysieren. Ein Suchagent sammelt Primärquellen, ein Datenagent strukturiert Kennzahlen, ein Kritiker sucht Widersprüche und ein Writer erstellt den Bericht. Der Supervisor prüft, ob offene Fragen bestehen, und fordert gegebenenfalls weitere Recherche an. Das ist sinnvoll, wenn die Rollen tatsächlich unterschiedliche Tools oder Qualitätskriterien haben.
Observability wird noch wichtiger
Bei einem Einzelagenten muss man einen Verlauf verstehen. Bei mehreren Agenten kommen Übergaben, parallele Läufe und Interaktionen hinzu. Tracing sollte zeigen, welcher Agent welche Entscheidung getroffen, welches Tool benutzt und welchen Zustand verändert hat.
Wie Multi-Agent-Systeme evaluiert werden
Es genügt nicht, jeden Agenten isoliert zu testen. Auch Routing und Zusammenarbeit müssen geprüft werden: Wird die richtige Rolle gewählt? Gehen Informationen bei der Übergabe verloren? Entstehen Endlosschleifen? Werden Fehler doppelt verstärkt? Neben Task Success sind Kosten und Latenz besonders wichtig.
Sicherheitsmodell
Spezialisierung kann Sicherheit verbessern, wenn jeder Agent nur die minimal nötigen Tools und Daten besitzt. Sie kann das Risiko aber auch erhöhen, wenn Agenten unkontrolliert Rechte aneinander weiterreichen. Berechtigungen sollten deshalb an Identitäten und Tools gebunden sein, nicht an die bloße Annahme, dass ein anderer Agent „vertrauenswürdig“ ist.
Wann man kein Multi-Agent-System bauen sollte
Wenn Aufgaben stark voneinander abhängen und denselben Kontext benötigen, erzeugen mehrere Agenten häufig nur Übergabeprobleme. Auch bei kleinem Volumen, engen Latenzanforderungen oder schwer messbarer Qualität ist ein einzelner Agent meist der bessere Startpunkt.
Routing: Wer bekommt welche Aufgabe?
Der Router kann regelbasiert, modellbasiert oder hybrid sein. Regeln sind gut für eindeutige Fälle. Modellbasiertes Routing ist flexibler, muss aber evaluiert werden. Kritische Aufgaben sollten nicht allein aufgrund einer vagen semantischen Ähnlichkeit an einen hochprivilegierten Agenten gehen.
Memory in Multi-Agent-Systemen
Ein gemeinsames Memory kann Zusammenarbeit vereinfachen, erhöht aber das Risiko, dass falsche Informationen systemweit übernommen werden. Alternativ besitzt jeder Agent eigenen Kontext und erhält nur strukturierte Übergaben. Welche Variante besser ist, hängt vom Problem und den Datenschutzanforderungen ab.
Standards und Interoperabilität
Protokolle wie A2A zielen darauf, Zusammenarbeit zwischen Agentensystemen standardisierter zu machen. MCP löst eine andere Schicht: die Anbindung von Tools und Kontext. In komplexen Architekturen können beide zusammenwirken.
Weiterlesen
Grundlagen finden Sie unter Was ist ein KI-Agent?. Für Agent-zu-Agent-Kommunikation siehe A2A. Tool-Anbindung wird unter MCP erklärt.