Multi-Agent-System
Setup aus mehreren spezialisierten KI-Agenten, die zusammenarbeiten — jeder mit klarer Rolle, statt einen Allzweck-Agenten alles auf einmal versuchen zu lassen.
Ein einzelner Agent, der alles erledigt, wird unzuverlässig: Er recherchiert, schreibt, prüft und versendet — und macht in jedem Schritt kleine Fehler, die sich addieren. Ein Multi-Agent-System teilt die Arbeit auf: Ein Agent recherchiert, ein zweiter strukturiert, ein dritter formuliert, ein vierter prüft.
Jeder Agent hat einen klaren Auftrag, eigene Werkzeuge und einen Prompt, der ausschließlich auf seine Rolle zugeschnitten ist. Die Qualität steigt deutlich, Fehler werden lokal isolierbar — und ein Mensch kann an genau einer Stelle eingreifen, ohne den ganzen Workflow umzuwerfen.
Aufbauseitig gibt es drei verbreitete Topologien. „Sequenzielle Pipeline" — Agent A liefert an B, B an C, jeder Schritt prüfbar. „Supervisor mit Spezialisten" — ein Supervisor-Agent koordiniert, delegiert an Spezialisten und sammelt die Ergebnisse. „Peer-to-Peer mit gemeinsamem Gedächtnis" — Agenten arbeiten parallel auf einem geteilten Zustand. Für KMU-Praxis ist die sequenzielle Pipeline meist die richtige Wahl, weil sie testbar, debugbar und kostenkontrolliert ist.
Multi-Agent-Systeme zahlen sich erst ab einer gewissen Komplexität aus. Wenn ein einzelner Agent mit klarem Prompt und drei bis vier Tool-Calls die Aufgabe stabil löst, ist ein zweiter Agent meist Overhead. Sobald aber das Briefing für einen einzelnen Agenten so lang wird, dass die Output-Qualität leidet, oder wenn unterschiedliche Schritte unterschiedliche Modelle brauchen (z.B. ein günstiges für die Klassifikation, ein teures für die Formulierung), ist die Aufteilung in mehrere Agenten der saubere Weg.
Auf einen Blick
- Typische Topologien
- Sequenzielle Pipeline, Supervisor mit Spezialisten, Peer-to-Peer
- Lohn-Schwelle
- Ab 4–6 Schritten oder bei nötigem Modell-Mix
- Kosten
- 2–5× ein einzelner Agent — mehr LLM-Calls pro Lauf
- Frameworks
- LangGraph, CrewAI, AutoGen, n8n AI Agent Nodes
Ein Content-Workflow nutzt vier Agenten: Recherche-Agent (sammelt Quellen), Outline-Agent (erstellt Gliederung), Schreib-Agent (formuliert), Lektorat-Agent (prüft Fakten und Stil). Das Ergebnis ist konsistenter als bei einem einzigen „Generalisten" und im Fehlerfall klar reparierbar.
Wann einsetzen — und wann nicht
Sinnvoll bei
- Aufgabe lässt sich klar in spezialisierte Teilaufgaben zerlegen
- Verschiedene Schritte profitieren von verschiedenen Modellen (klein für Klassifikation, groß für Formulierung)
- Einzelner Agent mit langem Prompt liefert inkonsistente Ergebnisse
- Audit- oder Review-Schritt soll von einer anderen Instanz kommen als die Generierung
Eher nicht bei
- Einzelner Agent löst die Aufgabe stabil — kein Bedarf, künstlich aufzuteilen
- Latenz ist kritisch — jeder Agent kostet zusätzliche Hunderte bis Tausende Millisekunden
- Kostenkontrolle ist eng — Multi-Agent kostet schnell ein Vielfaches
Häufige Fehler
- Zu kleinteilige Aufteilung — ein „Wortzähl-Agent" und ein „Großschreib-Agent" sind unsinnige Spezialisierung
- Kein klares Übergabeformat zwischen den Agenten (JSON-Schema fehlt) — Daten gehen verloren oder werden inkonsistent interpretiert
- Endloser Loop zwischen zwei Agenten, die sich gegenseitig korrigieren — Schritt-Limit setzen
Häufige Fragen
Wann lohnt sich Multi-Agent gegenüber einem einzelnen Agenten?
Können die Agenten unterschiedliche Modelle nutzen?
Wie debugge ich ein Multi-Agent-System?
Sind Multi-Agent-Systeme schon produktionsreif für KMU?
In der Praxis: Audio → Transkript → Struktur → Protokoll
Eigentümerversammlungs-Protokolle aus Audio in 20 Minuten
Versammlung wird per Handy oder Aufnahmegerät aufgezeichnet. KI transkribiert, erstellt ein WEG-konformes Protokoll mit Beschlüssen, Stimmenverteilung und TOPs. Sie korrigieren nur noch.
Eigene Analyse startenKonkrete Frage zu diesem Thema?
Im Kennenlerngespräch übersetzen wir den richtigen Begriff in einen umsetzbaren Workflow für Ihr Unternehmen.
Kennenlerngespräch vereinbaren →