Ein Multi-Agenten-System ist im Kontext moderner KI eine Architektur, in der mehrere verschiedene KI-Agenten-Instanzen miteinander interagieren, typischerweise durch Kooperation, Arbeitsteilung oder gegenseitige Überprüfung der Arbeit, um eine Aufgabe zu bewältigen, die ein einzelner Agent allein weniger effektiv lösen würde. Jeder Agent basiert in der Regel auf einem Large Language Model und erhält oft durch seinen eigenen System-Prompt eine bestimmte Rolle, Persona oder einen Satz von Werkzeugen. Die Agenten kommunizieren, indem sie Nachrichten austauschen, einen gemeinsamen Arbeitsbereich teilen oder in einen gemeinsamen Zustand schreiben und daraus lesen.
Das Konzept von Multi-Agenten-Systemen ist wesentlich älter als Large Language Models und hat eine lange Geschichte in der verteilten künstlichen Intelligenz und der Verstärkungslern-Forschung, die untersucht, wie unabhängige Agenten in einer gemeinsamen Umgebung kooperieren oder konkurrieren. Die LLM-spezifische Version dieser Idee entstand direkt aus der breiteren Agentenwelle von 2023 bis 2025: Als einzelne Agenten zuverlässig genug wurden, um mehrstufige Aufgaben mit Werkzeugnutzung zu bewältigen, begannen Forscher und Entwickler, mehrere Agenten zu kombinieren, um Aufgaben mit natürlichen Rollenteilungen zu bewältigen, etwa in der Softwareentwicklung, Forschung oder Debatte.
Häufige Muster
In Multi-Agenten-Frameworks tauchen mehrere organisatorische Muster immer wieder auf. Beim Orchestrator-Arbeiter-Muster zerlegt ein Agent eine Aufgabe in Teilaufgaben und weist sie spezialisierten Arbeiter-Agenten zu, um anschließend deren Ergebnisse zu kombinieren. Diese Struktur eignet sich gut für Aufgaben, die sich natürlich zerlegen lassen, etwa die parallele Recherche mehrerer Unterthemen. Beim Debatten- oder Kritikmuster schlagen zwei oder mehr Agenten Antworten vor oder kritisieren die Argumentation der anderen, bevor eine endgültige Antwort erstellt wird, um Fehler aufzudecken, die ein einzelnes Modell allein möglicherweise nicht bemerkt. Beim Pipeline-Muster werden Agenten in einer festen Reihenfolge angeordnet, wobei jeder eine Stufe eines größeren Prozesses übernimmt, etwa ein Entwurfs-Agent, gefolgt von einem Bearbeitungs-Agenten und einem Faktenprüf-Agenten. Einige Systeme verwenden auch ein gemeinsames Blackboard oder Dokument, in das mehrere Agenten asynchron schreiben und aus dem sie lesen, anstatt direkt Nachrichten aneinander zu senden.
Vorteile und Begründung
Befürworter argumentieren, dass die Aufteilung einer komplexen Aufgabe auf spezialisierte Agenten, die jeweils eine engere Rolle und entsprechend einfachere Prompts haben, zuverlässigere Ergebnisse erzielen kann, als einen einzelnen Agenten zu bitten, eine gesamte komplexe Aufgabe gleichzeitig im Kopf zu behalten. Dies gilt insbesondere für Aufgaben, die einen einzelnen Kontextfenster überschreiten oder von unabhängigen, weniger korrelierten Versuchen profitieren, bevor ein Ergebnis ausgewählt wird. Multi-Agenten-Debatten- und Kritik-Setups wurden insbesondere als Möglichkeit untersucht, Halluzinationen und Denkfehler zu reduzieren, basierend auf der Annahme, dass ein Agent, der die Ausgabe eines anderen Agenten aus einem frischen Kontext überprüft, eher einen Fehler bemerkt als der ursprüngliche Agent, der seine eigene Arbeit überprüft.
Einschränkungen und Kritik
Multi-Agenten-Systeme bringen eigene Kosten und Fehlermodi mit sich. Der Betrieb mehrerer Agenten vervielfacht Token-Nutzung und Latenz im Vergleich zu einem einzelnen Agenten, da jeder Agent typischerweise seinen eigenen Kontext verwaltet und das zugrunde liegende Modell viele Male aufrufen kann. Koordinationsfehler sind ebenfalls häufig: Agenten können aneinander vorbeireden, Arbeit duplizieren, aufeinander warten oder vom ursprünglichen Ziel abweichen, während sich Fehler über Übergaben hinweg verstärken. Dieses Risiko steht in engem Zusammenhang mit den Zuverlässigkeitsbedenken, die für einzelne Agenten diskutiert werden. Einige Praktiker haben argumentiert, dass viele Aufgaben, die als multi-agentenpflichtig vermarktet werden, genauso gut und kostengünstiger von einem einzelnen ausreichend leistungsfähigen Agenten mit gutem Prompt-Engineering und Zugang zu den richtigen Werkzeugen bewältigt werden können, was Multi-Agenten-Architektur zu einem echten Engineering-Kompromiss macht und nicht zu einem strikt überlegenen Standard. Bis 2025 blieben Multi-Agenten-Frameworks ein aktives Gebiet der Werkzeugentwicklung, ohne einen einzigen dominanten Standard für die Kommunikation zwischen Agenten, obwohl das Model Context Protocol und verwandte Bemühungen zur Standardisierung von Werkzeug- und Kontextschnittstellen von einigen Projekten auch auf die Kommunikation zwischen Agenten ausgeweitet wurden.