Multi-Agenten-Systeme: Orchestrator, Worker und Handoffs

Bitten Sie einen einzelnen KI-Agenten: „Schreib mir einen Wettbewerbsbericht über die drei größten Elektroauto-Hersteller“, und beobachten Sie, wie ererDas Verhältnis von Interaktionen (Likes, Kommentare, Shares) zur Reichweite eines Inhalts. Zeigt, wie stark die Zielgruppe reagiert, gemessen an der Zahl der Personen, die den Inhalt gesehen haben.Vollständige Definition ansehen → sich verzettelt. Er recherchiert Tesla, vergisst den Preisvergleich, beginnt zu schreiben, bevor er die Daten hat, und läuft auf halber Strecke aus dem Context. Das Problem ist der eine Agent, der den ganzen Job im Kopf behalten will.

Jetzt teilen Sie den Job auf. Ein Agent plant. Drei Agenten recherchieren gleichzeitig je ein Unternehmen. Ein Agent schreibt den finalen Bericht. Plötzlich ist aus dem schweren Problem eine Reihe leichter Probleme geworden.

Das ist ein Multi-Agenten-System: mehrere KI-Agenten, jeder mit einem engen Aufgabenbereich, koordiniert, um eine größere Aufgabe zu erledigen.

Warum die Arbeit überhaupt aufteilen?

Ein einzelner Agent hat echte Grenzen:

• Context-Limit. Jeder Agent kann nur eine maximale Menge Text auf einmal berücksichtigen (sein „Context WindowContext WindowDas Context Window ist die maximale Textmenge (gemessen in Tokens), die ein Sprachmodell auf einmal verarbeiten kann, einschließlich Input-Prompt und generiertem Output.Vollständige Definition ansehen →“). Stopfen Sie Rohmaterial zu drei Unternehmen in einen Agenten, fängt er an, Details zu verlieren.
• Fokus. Ein Agent mit einer klaren Aufgabe („finde die Preise für Rivian“) erledigt sie besser als einer, der fünf Aufgaben jongliert.
• Geschwindigkeit. Drei Research-Agenten, die gleichzeitig laufen (parallel), sind etwa dreimal schneller fertig als ein Agent, der sie nacheinander abarbeitet.

Kurze Definition: Ein Agent ist hier ein LLMLLMEin Large Language Model ist ein KI-System, das auf riesigen Textmengen trainiert wurde, um Sprache vorherzusagen und zu erzeugen. Damit sind Aufgaben wie Schreiben, Zusammenfassen und Beantworten von Fragen möglich.Vollständige Definition ansehen → (Large Language Model, die KI hinter Tools wie ChatGPT oder Claude), das in einer Schleife Aktionen ausführen kann: Tools wie Websuche aufrufen und dann anhand der Ergebnisse über den nächsten Schritt entscheiden.

Das Orchestrator-Worker-Muster

Die zuverlässigste Struktur für Multi-Agenten-Arbeit sieht aus wie ein kleines Unternehmen:

• Orchestrator (der Manager): zerlegt die Aufgabe in Teile, verteilt sie und fügt die Ergebnisse zusammen. Die Detailarbeit macht er nicht selbst.
• Worker (die Spezialisten): jeder bekommt einen klaren Auftrag, erledigt ihn und gibt das Ergebnis zurück.

Hier ist unser Research-Bericht als Organigramm:

                 ┌─────────────────┐
                 │   ORCHESTRATOR  │  plans + delegates
                 └────────┬────────┘
          ┌───────────────┼───────────────┐
          ▼               ▼               ▼
   ┌────────────┐  ┌────────────┐  ┌────────────┐
   │ Researcher │  │ Researcher │  │ Researcher │   run in parallel
   │  (Tesla)   │  │  (Rivian)  │  │   (BYD)    │
   └──────┬─────┘  └──────┬─────┘  └──────┬─────┘
          └───────────────┼───────────────┘
                          ▼
                 ┌─────────────────┐
                 │      WRITER     │  produces final report
                 └─────────────────┘

Achten Sie auf die Form: Alles läuft über den Orchestrator. Die Worker reden nicht miteinander. Sie berichten nach oben. Das ist die wichtigste Design-Entscheidung dieser Lektion, und wir kommen darauf zurück, warum.

Was jeder Agent tatsächlich bekommt

Der Zauber liegt in den Instruktionen. Jeder Worker bekommt einen knappen Prompt.

Orchestrator-Prompt (vereinfacht):

Du bist ein Research-Manager. Zerlege die Anfrage des Nutzers in eine Research-Aufgabe pro Unternehmen. Schicke jede Aufgabe an einen Researcher. Wenn alle Ergebnisse zurück sind, schicke sie an den Writer. Recherchiere und schreibe nicht selbst.

Researcher-Prompt:

Du recherchierst genau ein Unternehmen. Finde: aktuelle Preise, Verkaufszahlen 2025 und einen zentralen strategischen Schritt. Gib eine kurze Zusammenfassung in Bullet Points mit Quellen zurück. Vergleiche nicht mit anderen Unternehmen.

Writer-Prompt:

Du erhältst Research-Zusammenfassungen zu mehreren Unternehmen. Schreibe einen Vergleichsbericht mit 500 Wörtern samt Empfehlung. Nutze ausschließlich das übergebene Research.

Die Aufgabe jedes Agenten ist klein genug, um sie in drei Sätzen zu beschreiben. Das ist das Zeichen für einen guten Split.

Handoffs: den Staffelstab saubere übergeben

Ein Handoff ist der Moment, in dem ein Agent Kontrolle (und Informationen) an einen anderen übergibt. Stimmen die Handoffs, läuft das System rund. Stimmen sie nicht, sickern Informationen durch oder verschwinden.

Zwei Dinge wandern bei einem Handoff mit:

1. Die Aufgabe: was als Nächstes zu tun ist.
2. Der Context: die Informationen, die dafür nötig sind.

Der häufige Fehler ist, zu viel oder zu wenig zu übergeben. Leitet der Orchestrator jedem Researcher die komplette Gesprächshistorie weiter, verschwenden Sie Context und verwirren den Worker. Leitet er nichts weiter, rät der Worker.

Die Lösung: übergeben Sie nur das, was der nächste Agent braucht. Der Writer braucht die drei Research-Zusammenfassungen, nicht die internen Planungsnotizen des Orchestrators.

Hier eine anbieterneutrale Skizze der Orchestrator-Schleife in Python. Das ist eher Pseudocode, zeigt aber die reale Form:

def run_report(user_request):
    # 1. Orchestrator plant: eine Aufgabe pro Unternehmen
    companies = orchestrator.plan(user_request)  # -> ["Tesla", "Rivian", "BYD"]

    # 2. Worker laufen parallel, jeder mit einer engen Aufgabe
    results = run_in_parallel([
        researcher.run(f"Research {c}: pricing, 2025 sales, one strategic move")
        for c in companies
    ])

    # 3. Handoff: NUR die Zusammenfassungen an den Writer übergeben
    report = writer.run(
        task="Write a 500-word comparison with a recommendation",
        context=results
    )
    return report

Jeder .run()-Aufruf ist selbst ein Agent, der seine eigene Tool-Call-Schleife durchläuft (Web durchsuchen, Ergebnisse lesen, entscheiden, wiederholen), bevor er zurückgibt. Den Orchestrator interessiert nicht, *wie* ein Researcher die Preise findet. Ihn interessiert nur, dass eine saubere Zusammenfassung zurückkommt.

Jeder große Anbieter liefert Tooling genau für dieses Muster: Das OpenAI Agents SDK hat eingebaute „Handoffs“, das Claude Agent SDK unterstützt Subagents, und Googles ADK (Agent Development Kit) hat sequenzielle und parallele Agententypen. Die Grundidee überträgt sich auf alle. Die genaue Syntax finden Sie in den Anbieter-Deep-Dive-Blöcken.

Für eine klare schriftliche Aufarbeitung dieser Muster ist Anthropics Guide Building Effective Agents kostenlos, anbieterehrlich und 15 Minuten wert.

Der Failure Mode: Agenten frei reden lassen

Der verlockende Gedanke: Was, wenn wir den Orchestrator weglassen und alle Agenten einfach miteinander reden lassen? Der Tesla-Researcher plaudert mit dem Rivian-Researcher, der Writer wirft Fragen ein, alle arbeiten zusammen.

In der Praxis bricht dieses „Free-for-all“ (manchmal als vollvernetztes oder konversationelles Multi-Agenten-Setup bezeichnet) schnell zusammen. Die Failure Modes sind immer dieselben:

Chatter-Loops. Zwei Agenten bleiben in Höflichkeiten stecken. „Soll ich die Preise aufnehmen?“ „Ja, und soll ich die Verkaufszahlen aufnehmen?“ „Gute Idee, solltest du auch …?“ Sie verbrennen TokensTokensEin Token ist die grundlegende Texteinheit, die Sprachmodelle verarbeiten, oft ein Wortfragment, ein ganzes Wort oder ein Satzzeichen und nicht ein einzelnes Zeichen.Vollständige Definition ansehen → und Geld im Kreis. (Ein Token ist ein Textbaustein, den das Modell verarbeitet; bezahlt wird pro Token.)

Context-Explosion. Wenn jeder Agent die Nachrichten aller anderen sieht, bläht sich die gemeinsame Konversation auf. Jeder Agent liest jetzt fünfmal mehr Text als nötig, wird langsamer, kostet mehr und verliert den Faden.

Keine Single Source of Truth. Wenn drei Agenten alle am Bericht arbeiten: Wer besitzt die finale Version? Widersprüchliche Änderungen stapeln sich, und niemand ist verantwortlich.

Nicht nachvollziehbare Fehler. Wenn in einem Free-for-all etwas schiefgeht, kkDie durchschnittliche Zahl neuer Nutzer, die jeder bestehende Nutzer über Empfehlungen generiert. Über 1,0 verstärkt sich das Wachstum selbst und wird exponentiell.Vollständige Definition ansehen →önnen Sie nicht sagen, welcher Agent es verursacht hat. Mit einem Orchestrator prüfen Sie jeden Handoff und sehen genau, wo die Preisangabe kaputtgegangen ist.

Die Daumenregel für 2026: Struktur vor Konversation. Nur der Orchestrator spricht mit allen. Die Worker bleiben in ihrer Spur. Sie verlieren ein wenig „Kreativität“ und gewinnen viel Zuverlässigkeit, Kostenkontrolle und Debugbarkeit.

Wann lassen Sie Agenten *doch* miteinander reden? Selten, und nur bei wirklich offenen Aufgaben (etwa einem Brainstorming oder einer Debatte), wo Sie divergente Ideen wollen und die Zahl der Runden hart begrenzen. Für die Erledigung von Aufgaben gewinnt der Orchestrator.

Das eigene Multi-Agenten-System entwerfen

Sie brauchen für den Anfang keine fünf Agenten. Nutzen Sie diese Checkliste.

1. Kann ein Agent es gut genug erledigen?

Wenn ein einzelner Agent die Aufgabe zuverlässig bewältigt, hören Sie auf. Multi-Agent bringt Kosten und bewegliche Teile. Teilen Sie nur auf, wenn Sie an eine echte Grenze stoßen: zu viel Context, zu viele unterschiedliche Fähigkeiten oder Bedarf an paralleler Geschwindigkeit.

2. Nach klar trennbaren Aufgaben aufteilen

Gute Splits haben scharfe Grenzen. „Ein Unternehmen recherchieren“ ist trennbar. „Den Bericht gut machen“ nicht. Wenn zwei Worker ständig die Informationen des anderen brauchen, sollten sie wahrscheinlich ein Agent sein.

3. Die Form festlegen

• Sequenziell (A, dann B, dann C): gut für Pipelines wie Research → Schreiben → Redigieren.
• Parallel (A, B, C gleichzeitig, dann zusammenführen): gut für unabhängige Blöcke wie unsere drei Researcher.
• Orchestrator-Worker: ein Manager koordiniert beides. Das ist Ihr Default.

4. Enge Prompts und explizite Handoffs schreiben

Beantworten Sie für jeden Agenten: Was ist deine eine Aufgabe? Welche Informationen bekommst du? Was genau gibst du zurück? Wenn Sie das nicht je in einem Satz beantworten können, ist der Split zu unscharf.

5. Eine Abbruchbedingung einbauen

Begrenzen Sie die Schleife immer. „Versuche es höchstens 3-mal, dann gib zurück, was du hast.“ Ohne Grenzen können Agenten endlos kreisen. Diese eine Zeile verhindert die Horrorgeschichten über explodierende Kosten.

Ein kurzer Realitätscheck zu den Kosten

Multi-Agenten-Systeme machen mehr Modellaufrufe und kosten pro Aufgabe deshalb mehr als ein einzelner Agent. Das ist der Preis für Zuverlässigkeit und Geschwindigkeit. Für unseren EV-Bericht sind drei parallele Researcher plus Writer plus Orchestrator vielleicht fünf bis acht Modellaufrufe statt einem. Lohnt sich für einen Bericht, dem Sie tatsächlich vertrauen. Lohnt sich nicht für „fasse diese E-Mail zusammen“.

Wichtigste Erkenntnisse

• Zerlegen Sie schwere Aufgaben in enge Jobs. Ein Orchestrator plant und delegiert; jeder Worker verantwortet ein klar trennbares Stück. Wenn Sie die Aufgabe eines Agenten nicht in einem Satz beschreiben können, ist der Split falsch.
• Leiten Sie alles über den Orchestrator. Lassen Sie Worker nicht frei miteinander reden. Free-for-all-Setups führen zu Chatter-Loops, aufgeblähtem Context und Fehlern, die Sie nicht zurückverfolgen können.
• Gestalten Sie Handoffs so, dass nur das Nötige weitergegeben wird. Der Writer bekommt die Research-Zusammenfassungen, nicht die Planungsnotizen des Orchestrators.
• Bauen Sie immer eine Abbruchbedingung ein. Begrenzen Sie Wiederholungen und Runden, damit kein Agent endlos kreist und Ihr Budget verbrennt.
• Starten Sie mit einem Agenten und teilen Sie erst bei einer echten Grenze auf. Mehr Agenten heißt mehr Kosten und mehr bewegliche Teile, verdienen Sie sich also die Komplexität.