Mehr als nur Chat: Die Architektur von Multi-Agenten-Systemen

In den letzten zwei Jahren bestand das Standard-Paradigma für den Aufbau von KI-Anwendungen aus einer einfachen Schleife: die Eingabe eines Benutzers aufnehmen, sie in einen riesigen System-Prompt einspeisen und hoffen, dass das Large Language Model (LLM) die korrekte Ausgabe zurückgibt.

Während dies für einfache Chatbots und Zusammenfassungswerkzeuge funktioniert, bricht dieser Ansatz bei komplexen Unternehmens-Workflows völlig in sich zusammen. Wenn Sie ein einzelnes LLM bitten, in einem einzigen Prompt gleichzeitig als Forscher, Datenanalyst, Programmierer und Redakteur zu agieren, leidet das Modell unter einem Aufmerksamkeitseinbruch. Es vergisst Anweisungen, überspringt Schritte und halluziniert.

Die Zukunft von produktionsreifer KI liegt nicht in besserem Prompt-Engineering. Sie liegt in der Multi-Agenten-Orchestrierung.

Was ist ein Multi-Agenten-System?

Ein Multi-Agenten-System verabschiedet sich von der Idee eines monolithischen „Gott-Modells“, das alles erledigt. Stattdessen wird der Arbeitsablauf in einzelne, spezialisierte Rollen - „Agenten“ - zerlegt, die untereinander kommunizieren.

Stellen Sie sich das wie eine automatisierte Unternehmensabteilung vor. Sie haben einen Manager-Agenten, der die Anfrage des Benutzers zerlegt, einen Researcher-Agenten, der das Internet durchsucht, einen Data Analyst-Agenten, der Python-Code schreibt, um CSV-Dateien zu verarbeiten, und einen Editor-Agenten, der die endgültige Ausgabe anhand von Compliance-Richtlinien überprüft.

Diese Architektur verlagert KI grundlegend von einer reinen Konversationsspielerei hin zu einem autonomen Software-Engineering-Paradigma.

Die Kernkomponenten einer agentenbasierten Architektur

Um ein robustes Multi-Agenten-System aufzubauen, müssen mehrere architektonische Komponenten fehlerfrei orchestriert werden.

1. Zustandsverwaltung (State Management)

Agenten benötigen einen gemeinsamen Speicherbereich (Shared Memory), um den Fortschritt einer Aufgabe zu verfolgen. Frameworks wie LangGraph behandeln den Multi-Agenten-Workflow als Zustandsmaschine. Der „Zustand“ (State) ist ein gemeinsam genutztes Dictionary oder Objekt, das von Agent zu Agent weitergereicht wird.

Wenn der Researcher-Agent die Suche nach Dokumenten abgeschlossen hat, fügt er diese Dokumente dem Zustand hinzu. Der Editor-Agent liest dann aus diesem Zustand. Dies stellt sicher, dass der Kontext nie verloren geht und das System an jedem spezifischen Knoten angehalten, inspiziert oder fortgesetzt werden kann.

2. Werkzeugaufruf (Tool Calling / Function Calling)

Agenten sind nutzlos, wenn sie nicht mit der Außenwelt interagieren können. Der Werkzeugaufruf ermöglicht es einem LLM, die Ausführung einer bestimmten Funktion anzufordern.

Anstatt ein LLM zu bitten, Mathematik zu betreiben (womit es sich schwertut), geben Sie ihm ein calculate()-Werkzeug. Wenn das LLM entscheidet, dass es eine Gleichung lösen muss, gibt es eine JSON-Nutzlast aus, die das calculate-Werkzeug anfordert. Die Orchestrierungsschicht fängt dies ab, führt die Python-Mathematikfunktion aus und gibt das Ergebnis an das LLM zurück.

In Unternehmensumgebungen reichen diese Werkzeuge vom Abfragen von SQL-Datenbanken über die Ausführung von API-Aufrufen bis hin zum Auslösen von Jenkins-CI/CD-Pipelines.

3. Routing und bedingte Logik

Nicht jede Aufgabe erfordert denselben Arbeitsablauf. Ein Multi-Agenten-System stützt sich auf dynamisches Routing. Ein Supervisor-Agent bewertet die Eingabe und leitet sie entsprechend weiter.

Wenn ein Benutzer eine einfache Frage zur Richtlinie stellt, leitet der Supervisor diese direkt an den RAG-Retrieval-Agenten weiter. Wenn der Benutzer eine vierteljährliche Finanzprognose anfordert, leitet der Supervisor die Anfrage an den Data-Analysis-Agenten weiter, der wiederum Unteragenten erzeugen kann, um historische Daten zu sammeln, Prognosealgorithmen zu schreiben und einen PDF-Bericht zu formatieren.

4. Human-in-the-Loop (HITL)

Echte Autonomie ist in risikoreichen Umgebungen wie der Finanz- oder Rechtstechnologie gefährlich. Multi-Agenten-Systeme müssen mit „Human-in-the-Loop“-Kontrollpunkten konzipiert werden.

Bevor der Execution-Agent eine E-Mail an 10.000 Kunden sendet oder eine Transaktion im Wert von 50.000 $ einleitet, pausiert die Zustandsmaschine. Das System zeigt die vorgeschlagene Aktion auf einem Dashboard für einen menschlichen Prüfer an. Erst wenn der Mensch auf „Genehmigen“ klickt, wird die Zustandsmaschine fortgesetzt. Dies bietet die Geschwindigkeit von KI kombiniert mit der Risikominimierung durch menschliche Aufsicht.

Warum dies für Unternehmen von Bedeutung ist

Anwendungen mit einem einzigen Prompt verhalten sich im Grunde nicht-deterministisch. Wenn Sie exakt denselben Prompt zweimal ausführen, erhalten Sie unter Umständen zwei völlig unterschiedliche Ergebnisse.

Multi-Agenten-Systeme zwingen nicht-deterministische Modelle in eine deterministische Struktur. Indem wir ein LLM auf eine bestimmte Rolle beschränken, ihm klare Werkzeuge an die Hand geben und seine Ausgabe durch eine programmatische Zustandsmaschine leiten, können wir konsistente, zuverlässige und überprüfbare Ergebnisse garantieren.

Bei Seven Labs entwickeln wir diese komplexen Orchestrierungsschichten für Unternehmen, die von KI mehr erwarten als nur netten Chat. Wir bauen KI, die Ergebnisse liefert.