Multi-Agent Systems
Von einem Agent zu vielen
Du kennst das ReAct Pattern, Plan-and-Execute und Tool Use. Du kannst einen einzelnen Agent bauen, der Aufgaben selbstständig löst. Aber was passiert, wenn die Aufgabe zu groß, zu komplex oder zu vielfältig für einen einzelnen Agent wird?
Stell dir vor, du baust ein System, das gleichzeitig Code schreiben, Code reviewen, Tests ausführen und Dokumentation generieren soll. Ein einzelner Agent müsste all diese Fähigkeiten in einem Context Window vereinen -- und würde schnell an seine Grenzen stoßen.
Die Lösung: Mehrere spezialisierte Agents, die zusammenarbeiten. Genau wie in einem Team, in dem jeder seine Stärken einbringt.
iDer Paradigmenwechsel
Bei einem einzelnen Agent optimierst du den Prompt und die Tools. Bei Multi-Agent Systems optimierst du die Architektur: Wer kommuniziert mit wem? Wer entscheidet was? Wie werden Konflikte gelöst?
Wann brauchst du mehrere Agents?
Nicht jedes Problem braucht ein Multi-Agent System. Die Komplexität lohnt sich nur unter bestimmten Bedingungen:
1. Spezialisierung schlägt Generalismus
Wenn deine Aufgabe verschiedene Expertise erfordert -- z.B. einen Agent, der Code analysiert, einen der Security-Checks macht, und einen der Architektur bewertet -- dann sind spezialisierte Agents besser als ein Generalist. Jeder Agent hat seinen eigenen System-Prompt, seine eigenen Tools und sein eigenes Modell.
2. Das Context Window reicht nicht
Selbst mit 1M+ Token Context: Wenn dein Agent eine gesamte Codebase analysieren, alle relevanten Dokumente lesen und dann eine fundierte Entscheidung treffen soll, kommt ein einzelner Agent an Grenzen. Mehrere Agents können die Arbeit aufteilen und ihre Ergebnisse zusammenführen.
3. Parallelisierung ist kritisch
Ein einzelner ReAct-Agent arbeitet sequenziell. Wenn du 20 Tasks gleichzeitig abarbeiten willst, brauchst du mehrere Agents, die parallel arbeiten und ihre Ergebnisse an einen Koordinator melden.
4. Checks and Balances
In sicherheitskritischen Szenarien willst du nicht, dass ein einzelner Agent alles entscheidet. Ein Multi-Agent System kann eingebaute Qualitätssicherung haben: Ein Agent erstellt, ein anderer prüft, ein dritter entscheidet.
!Praxisregel
Wenn du deine Aufgabe mit einem einzigen, gut prompteten Agent lösen kannst -- tu es. Multi-Agent Systeme bringen Komplexität in Koordination, Debugging und Kosten. Setze sie nur ein, wenn der Mehrwert die Komplexität rechtfertigt.
Die drei Agentic AI Levels
Nicht jeder Agent ist gleich "agentisch". Es gibt drei Levels, die beschreiben, wie viel Autonomie ein Agent hat:
| Level | Name | Beschreibung | Beispiel |
|---|---|---|---|
| 1 | Output Decisions | Der Agent entscheidet über das Format und den Inhalt seiner Antwort | Chatbot, der zwischen Text und Tabelle wählt |
| 2 | Task Decisions | Der Agent entscheidet, welche Tools er nutzt und in welcher Reihenfolge | ReAct-Agent, der selbst recherchiert |
| 3 | Process Decisions | Der Agent entscheidet über seine eigene Arbeitsweise, delegiert an andere Agents | Orchestrator, der Sub-Agents spawnt |
Multi-Agent Systems operieren auf Level 3 -- dem höchsten Level. Hier entscheidet ein Agent nicht nur, was er tut, sondern wie das Gesamtsystem arbeitet. Das ist ein fundamentaler Unterschied.
Im Modul "Agentic Levels" gehst du tiefer in diese Unterscheidung.
Was dich in diesem Modul erwartet
- Orchestration Patterns -- Vier Architekturmuster für Multi-Agent Systeme: Meta-Controller, Plan-and-Execute (Vertiefung), Blackboard Architecture und Ensemble Decision-Making
- Frameworks -- LangGraph, Mastra und CrewAI im Vergleich: Wann brauchst du welches Framework?
- Agentic Levels -- Die drei Autonomie-Stufen im Detail, mit Praxisbeispielen
- Praxisregeln -- Best Practices für Kommunikation, Fehlerbehandlung und Kosten in Multi-Agent Systemen
*Lernziel
Nach diesem Modul kannst du Multi-Agent Architekturen evaluieren und entwerfen. Du triffst fundierte Design-Entscheidungen: Welches Orchestration Pattern? Welches Framework? Wie viele Agents? Du bewegst dich auf Bloom-Level "Evaluieren" und "Erschaffen".
Lass uns starten -- mit den vier Orchestration Patterns, die die Grundlage jedes Multi-Agent Systems bilden.
Reflektieren
Multi-Agent Systeme sind die nächste Stufe nach einzelnen KI-Agenten. In diesem Modul lernst du, wann mehrere Agents sinnvoll sind, wie du sie orchestrierst und welche Patterns und Frameworks dir dabei helfen. Die Grundlage bilden vier Orchestration Patterns, die wir als Erstes kennenlernen.