Multi-Agent-Patterns

Multi-Agent-Patterns beschreiben, wie mehrere KI-Agenten zusammenarbeiten – statt dass ein einzelner Agent alles allein macht.

Warum mehrere Agenten statt einem?

Ein einzelner Agent hat ein begrenztes Kontextfenster und arbeitet Schritt für Schritt. Bei umfangreichen Aufgaben – große Recherchen, komplexe Codebases – stößt das an Grenzen. Mehrere spezialisierte oder parallele Agenten können das umgehen, kosten dafür aber mehr Tokens und brauchen Koordination.

Verbreitete Muster

Orchestrator-Worker: Ein Haupt-Agent (Orchestrator) zerlegt eine Aufgabe, delegiert Teile an Subagents und fasst deren Ergebnisse zusammen. Anthropics eigenes Recherche-System nutzt genau dieses Muster: ein Lead-Agent koordiniert mehrere spezialisierte Subagents, die parallel unterschiedliche Aspekte einer Frage untersuchen.
Sequenzielle Pipeline: Das Ergebnis von Agent A wird zum Input für Agent B, dieser gibt weiter an Agent C – wie ein Fließband.
Paralleles Fan-out: Mehrere Agenten arbeiten unabhängig an unterschiedlichen Teilproblemen gleichzeitig, die Ergebnisse werden am Ende zusammengeführt.
Review/Debatte: Ein Agent erzeugt eine Lösung, ein zweiter, unabhängiger Agent prüft oder kritisiert sie, bevor sie freigegeben wird.

Der Tradeoff

Mehr Agenten bedeuten mehr Tokens, mehr Kosten und mehr Koordinationsaufwand – aber auch mehr Parallelität, bessere Spezialisierung und einen saubereren Hauptkontext, weil Zwischenschritte in den jeweiligen Subagent-Kontexten bleiben statt den Hauptkontext zu fluten.