Multi-Agent-System (MAS): Ein Ansatz, bei dem mehrere autonome KI-Agenten gemeinsam an einer Aufgabe arbeiten, statt eine einzelne, monolithische KI einzusetzen. Jeder Agent übernimmt eine Teilaufgabe, tauscht Ergebnisse mit den anderen aus und reagiert auf deren Ausgaben — das System als Ganzes löst dadurch Probleme, die ein einzelner Agent allein schwer bewältigen würde.
Warum mehrere Agenten?
Ein einzelner Sprachmodell-Agent stößt bei komplexen, mehrstufigen Aufgaben an Grenzen: Er muss planen, Werkzeuge bedienen, Informationen prüfen und Ergebnisse formulieren — alles gleichzeitig. Ein Multi-Agent-System teilt diese Verantwortung auf spezialisierte Rollen auf. Typische Beispiele aus der Praxis:
- Orchestrator: Zerlegt die Aufgabe, verteilt Teilaufträge und fasst Ergebnisse zusammen.
- Recherche-Agent: Durchsucht Dokumente, Datenbanken oder das Web und liefert Belege.
- Kritiker-Agent: Prüft die Ausgaben der anderen auf Fehler, Widersprüche und Schwachstellen.
- Code-Agent: Schreibt und testet Programmcode, während ein zweiter Agent ihn reviewt.
Kommunikation und Koordination
Die Agenten kommunizieren über strukturierte Nachrichten (oft als JSON oder über ein gemeinsames „Schwarzes Brett“) und nicht über natürliche Sprache. Die Koordination kann zentral über einen Orchestrator laufen oder dezentral, wenn Agenten eigenständig Aufgaben untereinander aushandeln. Wichtig sind klare Schnittstellen und ein Abbruch-Kriterium: Schleifen, in denen sich Agenten gegenseitig korrigieren, müssen begrenzt werden, sonst entstehen Endlos-Diskussionen oder sich aufschaukelnde Fehler.
Abgrenzung zu verwandten Begriffen
Ein einzelner Agenten-Workflow nutzt Werkzeuge und Schritte innerhalb eines Agenten. Ein Multi-Agent-System besteht dagegen aus mehreren unabhängigen Instanzen mit eigenen Rollen. Der Begriff überschneidet sich mit LLM-Token und Kontext: Jeder Agent hat seinen eigenen Kontext, das System verteilt die Arbeit über viele Kontextfenster statt eines überfüllten.
Praxis-Tipps
- Beginnen mit zwei Rollen (z.B. Ersteller + Kritiker) — das verbessert Qualität bereits spürbar.
- Definieren, welche Informationen Agenten teilen dürfen (Datenschutz, Secrets niemals im Klartext durchreichen).
- Maximale Iterationszahl festlegen, um Endlosschleifen zu vermeiden.
- Ergebnisse jedes Agenten protokollieren — das macht Fehler nachvollziehbar.
Verwandte Grundlagen: Maschinelles Lernen, Neuronale Netze.