Agentensysteme: Aufbau und Architektur

Was dieser Artikel über Agentensysteme behandelt

• Du lernst, was ein Agentensystem eigentlich ist und wie es sich von einem einzelnen KI-Agenten unterscheidet.
• Du verstehst die zentralen Komponenten: Sprachmodell, Tools, Gedächtnis, Planungslogik und Kommunikationslayer.
• Du bekommst einen Überblick über die wichtigsten Architekturtypen, vom Einzelagenten bis zum Multi-Agent-System.
• Du siehst an einem konkreten Recherche-Beispiel, wie mehrere Agenten zusammenarbeiten.
• Du erfährst, welche Stolpersteine typisch sind und wann Du lieber bei einem einfachen Agenten bleiben solltest.

Einleitung: Agentensysteme verständlich erklärt

Ein einzelner KI-Agent kann eine Aufgabe lösen, ein Tool aufrufen und sich an frühere Schritte erinnern. Sobald die Aufgaben aber komplexer werden, reicht ein Agent nicht mehr aus. Du brauchst mehrere Agenten, die sich abstimmen, Arbeit aufteilen und Ergebnisse zusammenführen. Genau das ist ein Agentensystem.

Agentensysteme sind der nächste Schritt nach dem Einzelagenten. Statt einer Instanz, die alles allein erledigt, hast Du ein Gefüge aus Agenten mit klar verteilten Rollen. Einer plant, einer recherchiert, einer fasst zusammen, einer prüft das Ergebnis. Jeder Agent tut, was er am besten kann, und das Gesamtsystem liefert mehr, als die Summe seiner Teile.

Dieser Artikel richtet sich an Einsteiger. Du brauchst keine Vorkenntnisse über Multi-Agent-Systeme, nur ein grobes Verständnis davon, was ein KI-Agent ist. Falls Dir das noch fehlt, lies zuerst den Artikel Was ist ein KI-Agent?.

Warum brauche ich Agentensysteme?

Stell Dir vor, Du willst einen täglichen Marktbericht erstellen. Der Agent soll Quellen durchsuchen, Preise extrahieren, Trends erkennen, einen Text schreiben und am Ende prüfen, ob alle Zahlen stimmen. Ein einzelner Agent müsste all das in einem Prompt unterbringen. Das wird schnell unübersichtlich, der Kontext läuft voll, der Agent verliert den Fokus und macht Fehler.

Ohne ein strukturiertes System passiert Folgendes: Der Agent beginnt mit der Recherche, springt dann zum Schreiben, merkt, dass ihm Daten fehlen, kehrt zur Recherche zurück, vermisst alte Ergebnisse und landet in einem Chaos aus halben Aufgaben. Das Ergebnis ist unzuverlässig, schwer zu debuggen und kaum erweiterbar.

Ein Agentensystem löst dieses Problem durch Arbeitsteilung. Ein Router-Agent nimmt den Auftrag entgegen und leitet ihn weiter. Ein Such-Agent kümmert sich nur um die Recherche. Ein Schreib-Agent erstellt den Bericht. Ein Review-Agent prüft das Ergebnis. Jeder Agent hat einen klaren Job, einen fokussierten Kontext und eigene Tools. Das Gesamtsystem bleibt übersichtlich, auch wenn die Aufgabe wächst.

Agentensysteme kurz erklärt

Ein Agentensystem ist wie ein Team von Mitarbeitern mit unterschiedlichen Rollen. Jeder Mitarbeiter hat seine Aufgabe, seine Werkzeuge und seine Sicht auf das Projekt. Ein Koordinator verteilt die Arbeit, ein Spezialist erledigt seinen Teil, ein Prüfer sichert die Qualität. Am Ende entsteht ein gemeinsames Ergebnis.

Übertragen auf KI-Agenten: Jeder Agent ist ein eigenes Sprachmodell mit eigenem Prompt, eigenen Tools und eigenem Gedächtnis. Die Agenten kommunizieren über einen definierten Austausch von Nachrichten oder einen gemeinsamen State. Eine Struktur, die sogenannte Topologie, legt fest, wer mit wem spricht und in welcher Reihenfolge.

Kurz gesagt: Ein Agentensystem ist die Architektur, die mehrere KI-Agenten so orchestriert, dass sie gemeinsam eine komplexe Aufgabe lösen.

Für wen sind Agentensysteme gedacht?

Agentensysteme richten sich an Entwicklerinnen und Entwickler, die KI-Agenten produktiv einsetzen wollen. Wenn Du bereits einfache Agenten mit Tool-Calling gebaut hast und an die Grenzen eines Einzelagenten stoßt, bist Du hier richtig.

Auch Teams, die KI-Pipelines automatisieren, finden hier das Rüstzeug für skalierbare Architekturen. Ob Recherche, Datenverarbeitung, Content-Erstellung oder Kundensupport, sobald eine Aufgabe in Teilschritte zerfällt, lohnt sich ein Agentensystem.

Voraussetzung: Du solltest die Grundlagen kennen. Wenn Du Dir unsicher bist, starte mit den KI-Agenten Grundlagen und dem Artikel über Multi-Agent-Systeme.

Wichtige Begriffe rund um Agentensysteme

Begriff	Bedeutung
Agentensystem	Ein Gefüge aus einem oder mehreren KI-Agenten, die gemeinsam eine Aufgabe lösen
Einzelagent	Ein einzelner Agent, der alle Aufgaben allein übernimmt
Multi-Agent	Ein System mit mehreren Agenten, die sich abstimmen
Orchestrator	Ein Agent, der die Gesamtausführung steuert und koordiniert
Router	Ein Agent, der eingehende Aufgaben an den passenden Spezialagenten weiterleitet
Worker	Ein Agent, der eine konkrete Teilaufgabe ausführt
Shared State	Ein gemeinsamer Speicher, auf den mehrere Agenten zugreifen
Message Bus	Ein Kanal, über den Agenten Nachrichten austauschen
Topologie	Die Struktur, die festlegt, wie Agenten miteinander verbunden sind
Hierarchie	Eine Topologie mit über- und untergeordneten Agenten

Architektur eines Agentensystems

Ein Agentensystem besteht aus mehreren Komponenten, die zusammenwirken. Jede Komponente hat eine klare Aufgabe. Hier sind die zentralen Bausteine:

Sprachmodell

Das Sprachmodell ist das Herz jedes Agenten. Es verarbeitet den Prompt, plant die nächsten Schritte und entscheidet, ob ein Tool aufgerufen wird. In einem Agentensystem kann jeder Agent ein eigenes Modell nutzen. Ein Router braucht vielleicht ein kleines, schnelles Modell, ein komplexer Worker ein größeres. Das hält Kosten und Latenz im Griff.

Tools

Tools sind die Hände eines Agenten. Sie erlauben den Zugriff auf Suchmaschinen, Datenbanken, APIs, Dateisysteme und mehr. Über Tool-Calling entscheidet der Agent, welches Tool er wann benutzt. In einem Agentensystem hat jeder Worker nur die Tools, die er für seine Aufgabe braucht. Das verhindert Fehler und hält die Prompts schlank.

Gedächtnis

Das Agenten-Gedächtnis speichert Informationen über den Verlauf und frühere Aufgaben. Es gibt Kurzzeitgedächtnis für die aktuelle Aufgabe und Langzeitgedächtnis für wiederkehrende Muster. In einem Multi-Agent-System ist besonders der Shared State wichtig, ein gemeinsamer Speicher, über den Agenten Ergebnisse austauschen.

Planungslogik

Die Planungslogik entscheidet, wie ein Agent vorgeht. Soll er erst planen, dann handeln? Oder Schritt für Schritt iterieren? Manche Agenten nutzen Planung und Reflexion, um ihre Vorgehensweise anzupassen. In einem Agentensystem übernimmt der Orchestrator die übergeordnete Planung und teilt die Aufgabe in Teilschritte auf.

Kommunikationslayer

Der Kommunikationslayer verbindet die Agenten. Er kann als Message Bus arbeiten, über den Agenten Nachrichten senden, oder als Shared State, den alle lesen und schreiben. Die Wahl des Layers beeinflusst, wie flexibel und skalierbar das System ist. Ein Message Bus eignet sich für lose gekoppelte Agenten, ein Shared State für enge Zusammenarbeit.

Arten von Agentensystemen

Agentensysteme unterscheiden sich in ihrer Topologie, also der Art, wie die Agenten verbunden sind. Hier sind die wichtigsten Formen:

Einzelagent

Der einfachste Fall: ein Agent übernimmt alles. Er ruft Tools auf, plant und reflektiert. Geeignet für kleine, klar abgegrenzte Aufgaben.

[Aufgabe] -> [Einzelagent mit Tools] -> [Ergebnis]

Beispiel: Ein Agent, der eine Frage beantwortet und dafür eine Websuche durchführt.

Lineare Kette

Agenten arbeiten nacheinander, jeder gibt sein Ergebnis an den nächsten weiter. Einfach zu bauen, aber starr. Wenn ein Agent scheitert, stoppt die Kette.

[Aufgabe] -> [Agent A] -> [Agent B] -> [Agent C] -> [Ergebnis]

Beispiel: Agent A recherchiert, Agent B fasst zusammen, Agent C schreibt den Text.

Hierarchisch

Ein Orchestrator steuert mehrere Worker. Er teilt die Aufgabe auf, sammelt die Ergebnisse und führt sie zusammen. Flexibel und gut für komplexe Aufgaben.

          [Orchestrator]
           /     |     \
      [Worker] [Worker] [Worker]
           \     |     /
          [Ergebnis]

Beispiel: Ein Orchestrator verteilt Recherchaufträge an mehrere Worker, die jeweils eine Quelle auswerten.

Peer-to-Peer

Agenten kommunizieren direkt miteinander, ohne zentrale Steuerung. Jeder kann mit jedem sprechen. Flexibel, aber schwer zu kontrollieren und zu debuggen.

   [Agent A] <-> [Agent B]
      ^             ^
      v             v
   [Agent C] <-> [Agent D]

Beispiel: Agenten, die in einer Diskussion ein gemeinsames Ergebnis erarbeiten.

Router-basiert

Ein Router nimmt die Aufgabe entgegen und leitet sie an den passenden Spezialagenten weiter. Ähnlich wie ein Dispatcher. Gut, wenn Du viele unterschiedlichartige Aufgaben hast.

            [Router]
           /   |   \
      [Spec A] [Spec B] [Spec C]

Beispiel: Ein Router entscheidet, ob eine Frage an den Code-Agenten, den Recherche-Agenten oder den Mathe-Agenten geht.

Beispiel: Ein Recherche-Agentensystem

Hier ein konkretes Beispiel für ein Multi-Agent-System zum Thema Recherche. Die Aufgabe lautet: Erstelle einen Bericht über aktuelle Entwicklungen im Bereich lokaler KI.

Schritt 1: Router-Agent nimmt die Aufgabe entgegen

Der Router analysiert die Aufgabe und entscheidet, welche Agenten benötigt werden. Er zerlegt den Auftrag in Teilaufgaben: Suche, Zusammenfassung, Review.

Schritt 2: Such-Agent führt die Recherche durch

Der Such-Agent nutzt Tool-Calling, um Quellen abzufragen. Er durchsucht das Web, sammelt Artikel und speichert die Ergebnisse im Shared State. Sein Prompt fokussiert sich ausschließlich auf das Finden relevanter Quellen.

Schritt 3: Zusammenfassungs-Agent erstellt den Bericht

Der Zusammenfassungs-Agent liest die gesammelten Quellen aus dem Shared State und verfasst einen strukturierten Bericht. Er hat keine Such-Tools, sondern nur Schreib- und Formatierungs-Tools.

Schritt 4: Review-Agent prüft das Ergebnis

Der Review-Agent liest den Bericht, prüft auf Lücken, Widersprüche und Fehler. Findet er Probleme, schickt er den Bericht mit Feedback an den Zusammenfassungs-Agenten zurück. Ist alles in Ordnung, gibt er den Bericht frei.

Schritt 5: Orchestrator liefert das Ergebnis

Der Orchestrator nimmt den freigegebenen Bericht und gibt ihn an die Nutzerin oder den Nutzer zurück. Der Shared State wird bereinigt, das System ist bereit für die nächste Aufgabe.

[Aufgabe]
   |
   v
[Router] -> [Such-Agent] -> [Shared State]
                                |
                                v
                        [Zusammenfassungs-Agent]
                                |
                                v
                        [Review-Agent] -- bei Problemen zurück
                                |
                                v
                        [Orchestrator] -> [Ergebnis]

Dieses System ist erweiterbar. Du kannst einen weiteren Agenten für Fakt-Checking hinzufügen, ohne die anderen Agenten zu ändern. Jeder Agent bleibt fokussiert, das Gesamtsystem bleibt übersichtlich.

Agentensysteme vs. einfache Agenten

Wann brauchst Du ein Agentensystem, wann reicht ein einzelner Agent? Die Antwort hängt von der Komplexität der Aufgabe ab.

Ein einzelner Agent ist die richtige Wahl, wenn die Aufgabe klar abgegrenzt ist, wenige Tools benötigt und in einem Prompt darstellbar bleibt. Er ist schnell zu bauen, einfach zu debuggen und kostengünstig.

Ein Agentensystem wird nötig, wenn die Aufgabe in mehrere unabhängige Teilschritte zerfällt, unterschiedliche Rollen erfordert oder parallel bearbeitet werden soll. Es ist aufwändiger zu bauen, aber skalierbar und robuster.

Faustregel: Starte mit einem einzelnen Agenten. Sobald der Prompt unübersichtlich wird, der Kontext überläuft oder der Agent mehrere Rollen gleichzeitig spielen muss, wechsle zu einem Agentensystem.

Typische Stolpersteine bei Agentensystemen

Agentensysteme sind mächtig, aber sie haben ihre Tücken. Hier sind die häufigsten Probleme:

1. Zu viele Agenten

Mehr Agenten bedeuten nicht automatisch bessere Ergebnisse. Jeder Agent kostet Latenz und Tokens. Ein System mit zehn Agenten für eine Aufgabe, die drei erledigen könnten, ist langsamer, teurer und fehleranfälliger.

2. Unklare Rollen

Wenn zwei Agenten ähnliche Aufgaben haben, treten Konflikte auf. Einer überschreibt die Arbeit des anderen, Ergebnisse widersprechen sich. Definiere jede Rolle scharf und trennscharf.

3. Endlosschleifen

Ein Review-Agent schickt den Bericht zurück, der Zusammenfassungs-Agent verbessert, der Review-Agent findet wieder etwas, und so weiter. Ohne Abbruchbedingung läuft das System ewig. Definiere immer eine maximale Anzahl an Iterationen.

4. Kontextverlust

Wenn Agenten nur über Nachrichten kommunizieren, gehen Informationen verloren. Ein Shared State hilft, muss aber sauber synchronisiert werden, sonst arbeiten Agenten mit veralteten Daten.

5. Fehlende Fehlerbehandlung

Was passiert, wenn ein Worker-Agent scheitert? Ohne Fehlerbehandlung stoppt das gesamte System. Jeder Agent sollte Fehler abfangen und an den Orchestrator melden.

6. Kostenexplosion

Jeder Agent-Aufruf kostet Tokens. In einem Multi-Agent-System multiplizieren sich die Kosten schnell. Nutze kleine Modelle für einfache Aufgaben wie Routing und große Modelle nur dort, wo sie gebraucht werden.

7. Schwieriges Debugging

In einem System mit mehreren Agenten ist nicht sofort klar, wer einen Fehler verursacht hat. Logging ist Pflicht. Jeder Agent sollte seine Schritte, Tool-Aufrufe und Ergebnisse protokollieren.

8. Vernachlässigte Sicherheit

Agenten mit Zugriff auf APIs, Dateisysteme und Datenbanken können Schaden anrichten, wenn sie falsche Entscheidungen treffen. Begrenze die Tools jedes Agenten auf das Nötigste und arbeite mit Erlaubnis-Checks.

Hardware, Kosten und Sicherheit bei Agentensystemen

Agentensysteme stellen höhere Anforderungen an Hardware als Einzelagenten, da mehrere Agenten parallel oder sequenziell laufen. Wenn Du lokale Modelle einsetzt, brauchst Du ausreichend VRAM. Ein Router mit einem kleinen Modell wie Llama 3.2 3B läuft auf bescheidener Hardware, ein Worker mit einem 8B-Modell braucht deutlich mehr. Lokale KI mit Tools wie Ollama macht es möglich, verschiedene Modellgrößen parallel zu betreiben.

Die Kosten bei Cloud-Modellen summieren sich schnell. Ein System mit fünf Agenten, die jeweils mehrfach pro Aufgabe aufgerufen werden, kann deutlich teurer sein als ein einzelner Agent. Setze auf eine Mischung: kleine Modelle für Routing und einfache Tasks, große Modelle nur für komplexe reasoning-Aufgaben. Token-Limits pro Agent verhindern, dass ein Agent im Kreis läuft und Kosten verursacht.

Sicherheit ist bei Agentensystemen besonders wichtig, weil mehrere Agenten Zugriff auf unterschiedliche Systeme haben. Jeder Agent sollte nur die Tools bekommen, die er für seine Rolle braucht. Ein Such-Agent braucht keinen Schreibzugriff auf die Datenbank, ein Review-Agent keine API-Keys für externe Dienste. Arbeitete mit klaren Berechtigungen, Logging und menschlichen Kontrollpunkten für kritische Aktionen.

Weiterführende Links und Infos zu Agentensystemen

• Was ist ein KI-Agent? - Die Grundlagen, falls Du noch am Anfang stehst
• Multi-Agent-Systeme - Vertiefung zu Systemen mit mehreren Agenten
• Tool-Calling - Wie Agenten Tools aufrufen
• Agenten-Gedächtnis - Wie Agenten sich erinnern
• Planung und Reflexion - Wie Agenten vorausplanen
• Frameworks - Werkzeuge zum Bau von Agentensystemen
• KI-Agenten Grundlagen - Übersicht aller Grundlagenartikel
• Was ist lokale KI? - KI auf eigener Hardware
• Ollama - Lokale Modelle einfach betreiben

FAQ: Agentensysteme - Typische Fragen

Was ist ein Agentensystem?

Ein Agentensystem ist eine Architektur aus einem oder mehreren KI-Agenten, die gemeinsam eine Aufgabe lösen. Es umfasst die Agenten selbst, ihre Tools, ihren Shared State und den Kommunikationslayer, der sie verbindet.

Worin unterscheidet sich ein Agentensystem von einem einzelnen Agenten?

Ein einzelner Agent übernimmt alle Aufgaben allein. Ein Agentensystem verteilt die Arbeit auf mehrere Agenten mit klaren Rollen, was bei komplexen Aufgaben übersichtlicher, robuster und skalierbarer ist.

Wann brauche ich ein Multi-Agent-System?

Sobald eine Aufgabe in mehrere unabhängige Teilschritte zerfällt, unterschiedliche Rollen erfordert oder der Kontext eines einzelnen Agenten überläuft, lohnt sich ein Multi-Agent-System.

Was ist ein Orchestrator?

Der Orchestrator ist ein Agent, der die Gesamtausführung steuert. Er teilt die Aufgabe auf, verteilt sie an Worker und führt die Ergebnisse zusammen.

Was macht ein Router-Agent?

Ein Router-Agent nimmt eine Aufgabe entgegen und leitet sie an den passenden Spezialagenten weiter. Er entscheidet, welcher Agent für welche Teilaufgabe zuständig ist.

Was ist ein Shared State?

Der Shared State ist ein gemeinsamer Speicher, auf den mehrere Agenten zugreifen. Er ermöglicht den Austausch von Ergebnissen ohne direkte Kommunikation zwischen den Agenten.

Welche Topologie ist die beste?

Das hängt von der Aufgabe ab. Für einfache Abläufe reicht eine lineare Kette. Für komplexe Aufgaben mit verteilten Rollen eignet sich eine hierarchische Struktur. Router-basiert ist gut bei vielen unterschiedlichartigen Aufgaben.

Wie vermeide ich Endlosschleifen in Agentensystemen?

Definiere für jede Iteration eine maximale Anzahl an Wiederholungen. Ein Review-Agent sollte nach einer festen Anzahl an Versuchen abbrechen und das bestmögliche Ergebnis liefern.

Welches Framework eignet sich für Agentensysteme?

Es gibt mehrere Frameworks, die den Bau von Agentensystemen erleichtern. Die Wahl hängt von Deiner Programmiersprache, Deinen Anforderungen und Deiner Erfahrung ab.

Kann ich Agentensysteme lokal betreiben?

Ja, mit Tools wie Ollama kannst Du lokale Modelle betreiben und Agentensysteme auf eigener Hardware aufbauen. Achte auf ausreichend VRAM, besonders wenn mehrere Agenten parallel laufen.

Wie hoch sind die Kosten bei Agentensystemen?

Die Kosten hängen von der Anzahl der Agenten, der Modellgröße und der Anzahl der Aufrufe ab. Cloud-Modelle können schnell teuer werden. Eine Mischung aus kleinen und großen Modellen hält die Kosten im Rahmen.

Wie debugge ich ein Agentensystem?

Logging ist der Schlüssel. Jeder Agent sollte seine Schritte, Tool-Aufrufe und Ergebnisse protokollieren. So kannst Du nachvollziehen, welcher Agent welchen Beitrag geleistet hat und wo ein Fehler auftrat.

Quellen und weiterführende Literatur

• Was ist ein KI-Agent? - Grundlagenartikel auf BotServ.de
• Multi-Agent-Systeme - Vertiefung auf BotServ.de
• Tool-Calling - Grundlagen zu Tool-Aufrufen auf BotServ.de
• Agenten-Gedächtnis - Speicher und Erinnerung auf BotServ.de
• Planung und Reflexion - Planungslogik auf BotServ.de
• Frameworks - Übersicht auf BotServ.de
• Was ist lokale KI? - Lokale KI auf BotServ.de
• Ollama - Lokale Modellverwaltung auf BotServ.de