Zum Inhalt springen

Orchestration Patterns

  • Experte · Modul 01
  • Lektion 2 von 6 · danach Quellen und Quiz
Hinweis
Stand: November 2026

Die genannten Modellnamen entsprechen dem Stand vom November 2026. Die Prinzipien sind langlebig — ersetze die Beispielmodelle durch die jeweils aktuellen.

Schritt 1 von 4Wissen

Das zentrale Problem in Multi-Agent Systemen ist nicht der einzelne Agent -- es ist die Koordination. Wer gibt Aufgaben? Wer bekommt welche Information? Was passiert bei Konflikten? Die Antwort liegt im Orchestration Pattern.

Vier Patterns haben sich in der Praxis bewährt. Jedes löst das Koordinationsproblem auf eine andere Art:

Orchestrierungsmuster
Meta-Controller
Ein zentraler Controller-Agent delegiert Aufgaben an spezialisierte Worker-Agents und aggregiert deren Ergebnisse.
Vorteile
  • Klare Hierarchie
  • Einfach zu debuggen
  • Gute Kontrolle über Workflow
Nachteile
  • Single Point of Failure
  • Controller-Bottleneck
  • Wenig Flexibilität
Beispiel
Claude Code mit Subagents: Orchestrator plant, Subagents führen Teilaufgaben aus.

Pattern 1: Meta-Controller

Ein zentraler Controller-Agent koordiniert alle anderen Agents. Er nimmt die Aufgabe entgegen, zerlegt sie in Teilaufgaben, delegiert an spezialisierte Sub-Agents und fügt die Ergebnisse zusammen.

                    ┌──────────────┐
                    │  Meta-       │
                    │  Controller  │
                    └──────┬───────┘
                           │
              ┌────────────┼────────────┐
              v            v            v
        ┌──────────┐ ┌──────────┐ ┌──────────┐
        │ Agent A  │ │ Agent B  │ │ Agent C  │
        │ (Code)   │ │ (Review) │ │ (Test)   │
        └──────────┘ └──────────┘ └──────────┘

Der Meta-Controller ist typischerweise ein leistungsstarkes Modell (Opus, GPT-6 Astra), das die strategischen Entscheidungen trifft. Die Sub-Agents können günstigere Modelle sein, die ihre spezifische Aufgabe ausführen.

StärkeSchwäche
Klare VerantwortlichkeitenSingle Point of Failure
Einfach zu debuggen (zentrales Logging)Controller kann zum Bottleneck werden
Gut skalierbar (neue Agents hinzufügen)Controller-Prompt wird mit mehr Agents komplexer

Pattern 2: Plan-and-Execute (Vertiefung)

Du kennst Plan-and-Execute bereits aus dem Fortgeschrittenen-Modul: Ein teures Modell plant, ein günstiges führt aus. In Multi-Agent Systemen wird dieses Pattern mächtiger, weil der Planner nicht nur Schritte definiert, sondern ganze Agent-Teams orchestriert.

Planner (Opus)
  │
  ├── Schritt 1: Research-Agent sammelt Daten
  ├── Schritt 2: Analysis-Agent wertet aus (parallel: 3 Instanzen)
  ├── Schritt 3: Writer-Agent erstellt Bericht
  └── Schritt 4: Review-Agent prüft Qualität
                    │
                    └── Bei Problemen: Zurück zum Planner

Der entscheidende Unterschied zur Einzelaufgaben-Variante: Der Planner kennt die Fähigkeiten jedes Agents und kann Schritte parallelisieren.

Pattern 3: Blackboard Architecture

Statt dass ein Controller Aufgaben verteilt, arbeiten alle Agents an einem gemeinsamen Wissensraum -- dem "Blackboard". Jeder Agent beobachtet das Blackboard, erkennt, wann sein Wissen gefragt ist, und trägt sein Ergebnis bei.

        ┌──────────┐  ┌──────────┐  ┌──────────┐
        │ Agent A  │  │ Agent B  │  │ Agent C  │
        └────┬─────┘  └────┬─────┘  └────┬─────┘
             │              │              │
             v              v              v
        ╔══════════════════════════════════════╗
        ║         BLACKBOARD                   ║
        ║  (Gemeinsamer Wissensraum)           ║
        ║                                      ║
        ║  - Aufgabe: "Analysiere System X"    ║
        ║  - Agent A: Security-Analyse done    ║
        ║  - Agent B: Performance-Daten...     ║
        ║  - Agent C: wartet auf B             ║
        ╚══════════════════════════════════════╝

Das Blackboard Pattern ist ideal, wenn keine klare Aufgabenreihenfolge existiert, emergentes Verhalten erwünscht ist und Loose Coupling wichtig ist.

Pattern 4: Ensemble Decision-Making

Statt einem Agent die Entscheidung zu überlassen, lässt du mehrere Agents unabhängig dieselbe Frage beantworten und aggregierst die Antworten. Das ist das "Wisdom of Crowds"-Prinzip, angewandt auf AI Agents.

        Aufgabe: "Ist dieser Code sicher?"
                    │
        ┌───────────┼───────────┐
        v           v           v
   ┌─────────┐ ┌─────────┐ ┌─────────┐
   │ Agent 1 │ │ Agent 2 │ │ Agent 3 │
   │ (Opus)  │ │ (GPT-6) │ │ (Gemini)│
   │ Ja: 85% │ │ Nein    │ │ Ja: 70% │
   └─────────┘ └─────────┘ └─────────┘
        │           │           │
        v           v           v
   ┌──────────────────────────────────┐
   │  Aggregator                      │
   │  Mehrheitsentscheid: Ja (2:1)    │
   │  Aber: Agent 2 warnt → Eskalation│
   └──────────────────────────────────┘

Varianten der Aggregation: Majority Voting, Weighted Voting, Debate (Multi-Runden) und Red-Team / Blue-Team.

Schritt 2 von 4Verstehen

Praxisbeispiel: Claude Code

Claude Code (Anthropics CLI-Coding-Agent) nutzt ein Meta-Controller Pattern: Ein Haupt-Agent koordiniert Sub-Agents für verschiedene Aufgaben -- Dateianalyse, Code-Generierung, Test-Ausführung. Der Controller entscheidet, welcher Sub-Agent wann aktiv wird.

Tipp
Design-Tipp

Gib dem Meta-Controller eine explizite "Routing-Logik" im System-Prompt: Welcher Agent ist für welche Art von Aufgabe zuständig? Das reduziert falsche Delegierungen erheblich.

Dynamische Re-Planung

Das fortgeschrittene Plan-and-Execute Pattern enthält einen Evaluator, der nach jedem Schritt prüft: Passt das Ergebnis zum Plan? Falls nicht, geht die Kontrolle zurück an den Planner, der den Rest des Plans anpassen kann. Das gibt dem System Flexibilität, ohne die Kostenvorteile zu verlieren.

Hinweis
Kostenoptimierung

In der Multi-Agent Variante von Plan-and-Execute sparst du doppelt: Der Planner nutzt ein teures Modell einmalig. Die Sub-Agents nutzen günstige Modelle. Und durch Parallelisierung sparst du auch Zeit.

Wann Blackboard statt Controller?

Die Schwäche des Blackboard Patterns: Ohne zentralen Controller kann es zu Koordinationsproblemen kommen. Wer entscheidet, wann die Aufgabe fertig ist? Was passiert bei widersprüchlichen Beiträgen?

Praxisbeispiel: Architektur-Review -- Ein Blackboard-System für Code-Architektur-Reviews: Ein Security-Agent, ein Performance-Agent und ein Maintainability-Agent analysieren unabhängig denselben Code. Ihre Findings landen auf dem Blackboard. Ein Synthesizer-Agent liest alle Findings und erstellt einen konsolidierten Review.

Wann Ensemble statt Einzelentscheidung?

Ensemble Decision-Making lohnt sich bei high-stakes Entscheidungen, wo ein einzelner Fehler teuer wäre: Security-Reviews, medizinische Diagnosen, finanzielle Bewertungen. Der Overhead (mehrere Agents, mehr Kosten) wird durch die höhere Zuverlässigkeit gerechtfertigt.

Achtung
Kostenabwägung

Ensemble-Entscheidungen kosten das 3-5-fache eines einzelnen Agents. Setze sie nur ein, wenn die Entscheidung so wichtig ist, dass die zusätzlichen Kosten gerechtfertigt sind.

Patterns im Vergleich

KriteriumMeta-ControllerPlan-and-ExecuteBlackboardEnsemble
KoordinationZentralZentral (Planner)DezentralParallel + Aggregation
SkalierbarkeitGutGutSehr gutMittel (Kosten)
FehlertoleranzNiedrig (SPOF)MittelHochSehr hoch
KostenMittelNiedrigMittelHoch
DebuggingEinfachEinfachSchwierigMittel
Bester Use CaseKlar definierte WorkflowsPlanbare, kostenoptimierte TasksUnabhängige AnalysenHigh-stakes Entscheidungen

Schritt 3 von 4Anwenden

Die Wahl des Patterns ist eine der wichtigsten Architekturentscheidungen in Multi-Agent Systemen. Teste dein Verständnis mit den folgenden Szenarien:

Frage · Selbstcheck
Du baust ein System, bei dem 5 spezialisierte Agents unabhängig voneinander eine Codebase analysieren sollen. Die Reihenfolge ist egal, aber am Ende soll ein konsolidierter Bericht entstehen. Welches Pattern passt am besten?
Frage · Selbstcheck
Ein Fintech-Startup will einen Agent bauen, der Kreditanträge prüft. Falsche Ablehnungen kosten Kunden, falsche Genehmigungen kosten Geld. Welches Orchestration Pattern empfiehlst du für die finale Kreditentscheidung?

Schritt 4 von 4Reflektieren

Die vier Orchestration Patterns -- Meta-Controller, Plan-and-Execute, Blackboard Architecture und Ensemble Decision-Making -- sind das Fundament jeder Multi-Agent Architektur. Das richtige Pattern zu wählen, hängt von Vorhersagbarkeit, Kosten und Fehlertoleranz ab. Im nächsten Abschnitt schauen wir uns die Frameworks an, die dir bei der Implementierung helfen.