Wie orchestriert man mehrere KI-Agenten in einem Workflow?
Direkte Antwort
Multi-Agenten-Systeme orchestriert man meist über ein Supervisor-Muster, bei dem ein koordinierender Agent Teilaufgaben an spezialisierte Sub-Agenten verteilt, deren Ergebnisse einsammelt und den weiteren Ablauf steuert, gestützt auf einen expliziten Zustandsgraphen wie in LangGraph statt auf implizite Übergaben zwischen freien Textnachrichten.
"Ohne einen expliziten Zustandsgraphen wird ein Multi-Agenten-System schnell zu einer Blackbox, in der niemand mehr nachvollziehen kann, warum welcher Agent wann aktiviert wurde.
Sobald mehr als ein Agent an einer Aufgabe beteiligt ist, wird die Frage "wer entscheidet als Nächstes was passiert" zum zentralen Architekturproblem.
Das Supervisor-Muster als Grundarchitektur
Ein Supervisor-Agent erhält die ursprüngliche Aufgabe, zerlegt sie in Teilaufgaben und delegiert jede Teilaufgabe an einen spezialisierten Sub-Agenten, etwa einen Recherche-Agenten, einen Code-Agenten und einen Prüf-Agenten.
Der Supervisor sammelt die Ergebnisse ein, entscheidet, ob eine Teilaufgabe wiederholt werden muss, und formuliert am Ende die Gesamtantwort. Dieses Muster hält die Verantwortlichkeiten klar getrennt und macht das System leichter testbar als ein einzelner Agent mit einem riesigen, unübersichtlichen Tool-Katalog — der Preis dafür ist, dass jede Teilaufgabe einen eigenen Modell-Call mit eigener Latenz und eigenen Token-Kosten verursacht: ein Supervisor mit drei Sub-Agenten kann pro Anfrage leicht das Drei- bis Fünffache an Tokens gegenüber einem einzelnen Agenten-Call verbrauchen, sobald der Supervisor selbst zusätzliche Planungs- und Zusammenfassungs-Calls macht.
Expliziter Zustandsgraph statt impliziter Nachrichtenweitergabe
Frameworks wie LangGraph modellieren den Ablauf als gerichteten Graphen mit Knoten (Agenten oder Funktionen) und Kanten (Übergangsbedingungen), wobei ein gemeinsamer, typisierter Zustand zwischen den Knoten weitergereicht wird.
Das macht den Kontrollfluss nachvollziehbar und debugbar: Anders als bei einem freien Austausch natürlichsprachlicher Nachrichten zwischen Agenten lässt sich an jedem Knotenübergang exakt prüfen, welcher Zustand vorlag und welche Entscheidung getroffen wurde. Bei parallel ausgeführten Zweigen (etwa zwei Sub-Agenten, die gleichzeitig in denselben Zustand schreiben) muss der Zustand über klar definierte Merge-Funktionen zusammengeführt werden, sonst überschreibt der zuletzt zurückkehrende Zweig stillschweigend die Ergebnisse des anderen.
Fehlerbehandlung und Endlosschleifen vermeiden
Multi-Agenten-Systeme neigen dazu, in Rückfrage-Schleifen zu geraten, wenn zwei Agenten sich gegenseitig um Klärung bitten, ohne dass eine Eskalationsregel greift.
Ein produktionsreifes System braucht deshalb ein Iterationslimit pro Teilaufgabe, eine klare Eskalation an einen Menschen bei wiederholtem Scheitern und Logging jedes Knotenübergangs, um solche Schleifen nachträglich analysieren zu können.
Wann passt es — wann nicht?
Passt gut
- ✓Die Aufgabe lässt sich klar in unabhängige Teilaufgaben mit unterschiedlichem Spezialwissen zerlegen und der Mehrverbrauch an Tokens/Latenz durch mehrere Agenten-Calls ist für den Anwendungsfall vertretbar
- ✓Nachvollziehbarkeit und Testbarkeit des Kontrollflusses sind wichtiger als maximale Flexibilität
Passt nicht
- ✗Eine Aufgabe lässt sich von einem einzigen gut ausgestatteten Agenten genauso zuverlässig lösen