Multi-Agent-Systeme erklärt: So arbeiten KI-Agenten zusammen 

Seit dem Aufkommen großer Sprachmodelle (LLMs) suchen Branchen nach Wegen, Geschäftsprozesse zu optimieren. Eine Methode, die zunehmend an Bedeutung gewinnt, sind Multi-Agent-Systeme.

Multi-Agent-Systeme ermöglichen es Unternehmen, komplexe Workflows mit einem kooperierenden Verbund autonomer KI-Agenten zu automatisieren. Sie lösen Probleme, die Unternehmen bisher daran hinderten, die Vorteile von LLMs vollständig zu nutzen. 

Laut einer Umfrage entfallen auf Multi-Agent-Systeme 66,4 % Marktanteil bei agentischer KI, was das Wachstum, die Innovation und die Produktivität von Unternehmen unterstreicht, da diese Architektur zunehmend eingesetzt wird. 

Dieser Leitfaden erläutert die Grundlagen von Multi-Agent-Systemen und warum sie wichtig sind. Außerdem behandelt er gängige Architekturen, Arten von KI-Agenten, Herausforderungen, Vorteile und Anwendungsfälle – auch für Voice AI. 

Zusammenfassung

• Multi-Agent-Systeme nutzen mehrere KI-Agenten für komplexe Aufgaben, die ein einzelner Agent nicht bewältigen könnte.
• Ein Multi-Agent-System kann sieben Arten von KI-Agenten einsetzen, darunter einfache Reflexagenten, modellbasierte und zielbasierte Agenten.
• Agenten können in einer zentralisierten oder dezentralisierten Architektur arbeiten. 
• Zu den wichtigsten Vorteilen von Multi-Agent-Systemen zählen Skalierbarkeit, Parallelität und Spezialisierung.
• Unternehmen setzen Multi-Agent-Systeme für verschiedene Anwendungsfälle ein, darunter Softwareentwicklung, Lagerverwaltung und Content-Verteilung. 
  

Was sind Multi-Agent-Systeme? 

Multi-Agent-Systeme sind Gruppen von KI-Agenten, die auf gemeinsame Ziele hinarbeiten, um komplexe Probleme zu lösen, die ein einzelner Agent nicht lösen kann. 

Ein KI-Agent ist eine autonome Anwendung, die von großen Sprachmodellen (LLMs) unterstützt wird, Schlussfolgerungen zieht, handelt und externe Tools nutzt. Ein einzelner KI-Agent eignet sich für klar definierte Aufgaben, stößt aber bei unvorhersehbaren, umfangreichen oder sehr komplexen Aufgaben über mehrere Bereiche hinweg an Grenzen. 

So funktionieren Multi-Agent-Systeme 

In einer typischen Multi-Agent-Systemarchitektur zerlegt ein zentraler Koordinator eine komplexe Aufgabe in mehrere kleinere Teile. Anschließend weist er jede Aufgabe spezialisierten Agenten in der gemeinsamen Umgebung zu.

Kommunikation ist entscheidend für ein leistungsfähiges und zuverlässiges Multi-Agent-System. 

• Agenten tauschen Daten über proprietäre Messaging-Dienste oder das A2A-Protokoll aus.
• Agenten interagieren über APIs von Drittanbietern und das Model Context Protocol (MCP) mit externen Tools. 

Um die Aufgabe abzuschließen, teilen die spezialisierten Agenten Informationen, tauschen Nachrichten aus und verbessern sich kontinuierlich durch Interaktionen mit Nutzern und der Umgebung. 

Warum sind Multi-Agent-Systeme wichtig? 

Multi-Agent-Systeme bieten eine flexible, verteilte Plattform, die das Kontextfenster eines LLM mit einem einzelnen Agenten erweitert. Ein einzelner Agent kann innerhalb eines bestimmten Bereichs angemessen Schlussfolgerungen ziehen. Zwingt man ihn jedoch, viele Aufgaben in begrenzter Zeit und mit begrenzten Informationen zu erledigen, sinkt seine Genauigkeit. 

Mit Multi-Agent-Systemen können Sie KI durch parallele Verarbeitung, spezialisierte Agentensteuerung und höhere Anpassungsfähigkeit über verschiedene Anwendungsfälle hinweg skalieren.

Betrachten wir beispielsweise einen Content-Marketing-Workflow. Ein einzelner KI-Agent hätte Schwierigkeiten, Themenrecherche, Zielgruppenanalyse, Content-Erstellung, Veröffentlichung und Reporting abzuschließen. Dafür müssten Sie an verschiedenen Stellen eingreifen.

Ein Multi-Agent-System setzt dagegen dedizierte KI-Agenten ein, die jeweils in ihrem Wissensbereich spezialisiert sind, und verbindet sie mit den Tools, die zur Automatisierung des Workflows erforderlich sind. 

Arten von KI-Agenten in Multi-Agent-Systemen  

Es gibt sieben Arten von KI-Agenten, jeweils mit eigenen Merkmalen.

1. Einfacher Reflexagent

Ein einfacher Reflexagent reagiert anhand vordefinierter bedingter Regeln auf Sensoreingaben. Erhält der Agent eine Eingabe, erzeugt er eine Ausgabe, etwa eine Aktion, Text, Audio oder ein anderes Format. Er speichert weder Ergebnisse noch Informationen über seine Umgebung. Daher beginnt jede Inferenz ohne Kontext. 

2. Modellbasierter Reflexagent

Ein modellbasierter Reflexagent ist sich seiner Einsatzumgebung teilweise bewusst. Durch fortlaufende Interaktionen lernt der Agent, wie seine Aktionen die Umgebung beeinflussen, und nutzt diese Informationen, um bedingte Regeln für die Inferenz zu ergänzen. 

Der Agent speichert jedoch keine Informationen über frühere Inferenzen und arbeitet damit in gewisser Weise ähnlich wie ein einfacher Reflexagent. 

3. Zielbasierter Agent

Ein zielbasierter Agent berücksichtigt mögliche Aktionen, die ihn zum Erreichen eines vordefinierten Ziels führen. Statt anhand bedingter Regeln zu handeln, nutzt der KI-Agent Such- und Planungsalgorithmen, um zukünftige Ergebnisse für jeden erfassten Pfad vorherzusagen. Dann wählt er den Pfad, der seiner Einschätzung nach am wahrscheinlichsten zum Erfolg führt. 

4. Nutzenbasierter Agent

Ein nutzenbasierter Agent ist darauf ausgelegt, auf ein Ergebnis hinzuarbeiten, das den Nutzen maximiert. Im Kontext von KI-Agenten ist Nutzen der Wert, den Sie aus dem System ziehen. Im Einsatz prognostiziert der Agent verschiedene mögliche Pfade und gewichtet jeden davon. Dann berücksichtigt er potenzielle Risiken und Erträge, bevor er die Option mit dem größten Nutzen auswählt.

5. Lernender Agent

Ein lernender Agent verbessert seine Leistung kontinuierlich durch frühere Erfahrungen und Interaktionen mit der Umgebung. In einer Feedbackschleife bewertet er seine Leistung anhand bestimmter Kriterien und passt sein Verhalten an, um gewünschte Ergebnisse zu erzielen. 

6. Hierarchischer Agent

Hierarchische Agenten sind KI-Agenten, die über unterschiedliche Befehlsketten zwischen Agenten höherer und niedrigerer Ebene arbeiten. Agenten höherer Ebene zerlegen große Aufgaben typischerweise in kleinere Teile für Agenten niedrigerer Ebene. 

Agenten niedrigerer Ebene sind dagegen für die taktische Umsetzung zuständig, etwa für das Erfassen von Sensordaten und die Steuerung von Aktorreaktionen. In komplexen Setups setzen Machine-Learning-Ingenieure Agenten auf mehreren Ebenen ein, um Aufgaben besser zu synchronisieren und zu verteilen. 

7. Kollaborativer Agent

Kollaborative Agenten sind KI-Agenten, die gleichberechtigt miteinander verbunden sind. Statt sich auf einen zentralen Orchestrator zu verlassen, teilt jeder Agent Informationen, übergibt die Kontrolle und arbeitet gemeinsam auf ein gemeinsames Ziel hin. 

Gängige Architekturen für Multi-Agent-Systeme 

Multi-Agent-Systeme verbessern zwar die operative Effizienz, doch ein erfolgreicher Einsatz hängt davon ab, die passende Architektur für den Anwendungsfall zu wählen. 

Hier ist ein kurzer Vergleich verschiedener Architekturen für Multi-Agent-Systeme. 

Sehen wir uns jede Architektur genauer an.

Zentralisiert

Eine zentralisierte Multi-Agent-Architektur besteht aus einem zentralen Orchestrator und mehreren Worker-Agenten. Sie teilen eine gemeinsame Wissensbasis, die der Orchestrator steuert. Erhält der Orchestrator eine Aufgabe, zerlegt er sie in kleinere spezialisierte Teile und weist sie den jeweiligen Agenten zu. 

Eine zentralisierte Architektur vereinfacht die Ausführung. Sie definieren Ziele, setzen Sicherheitsrichtlinien durch und überwachen Agenten über ein einheitliches Dashboard. 

Der zentrale Kontrollpunkt, auf dem diese Architektur basiert, ist jedoch auch ein operatives Risiko. Fällt der Orchestrator aus, fällt das gesamte System aus, da die Agenten von ihm für Koordination und Informationsaustausch abhängen.

Setzen Sie zentralisierte Multi-Agent-Systeme ein, wenn Sie Änderungen in Produktionsumgebungen einfach absichern und verteilen müssen. 

Dezentralisiert

Ein dezentrales Agentennetzwerk verteilt Reasoning, Kommunikation und Aktionen gleichmäßig auf alle Agenten im System. Es basiert auf einer flachen Hierarchie, in der kein Agent eine höhere Autorität als die anderen hat. Jeder Agent ist eine autonome Einheit. Das macht die dezentrale Architektur robust, datenschutzfreundlich und weniger störanfällig. 

Anders als ein zentralisiertes Multi-Agent-Netzwerk arbeitet eine dezentrale Architektur weiter, selbst wenn ein einzelner Agent ausfällt. Über Konsens- oder Aufgabenverteilungsmechanismen können andere Agenten die Rolle des betroffenen Agenten übernehmen. Der Nachteil dieser Architektur liegt in der komplexen Verteilung von Nachrichten und der Absicherung der Kommunikation über komplexe Kommunikationsnetze hinweg. 

Setzen Sie eine dezentrale Agentenarchitektur ein, wenn Sie ein skalierbares, fehlertolerantes KI-System wie Edge Computing benötigen.

Hierarchisch 

Eine hierarchische Architektur besteht aus KI-Agenten, die über Ebenen einer Befehlskette arbeiten. Stellen Sie sich die Architektur wie ein Organigramm vor: Abteilungsleitungen, mittlere Führungskräfte und operative Verantwortliche überwachen unterschiedliche Teile derselben Kampagne. Ein KI-Agent auf oberster Ebene plant, ein Agent auf mittlerer Ebene koordiniert und Agenten auf niedriger Ebene setzen detailliert um.  

Eine klare Hierarchie ermöglicht Governance und einen Audit-Trail. Sie können Entscheidungen über Agenten auf verschiedenen Ebenen hinweg nachvollziehen. Agentenstapel erzeugen jedoch Overhead und können in Echtzeitanwendungen spürbare Latenzen verursachen.

Setzen Sie eine hierarchische KI-Architektur ein, wenn Sie ein skalierbares Multi-Agent-System über mehrere Bereiche hinweg benötigen, etwa für das Supply-Chain-Management. 

Sequenziell 

Sequenzielle Agentensysteme geben Ergebnisse nach einem starren Muster von einem KI-Agenten an den nächsten weiter. Beispielsweise übergibt Agent A an Agent B, der an Agent C weitergibt. In einer sequenziellen Architektur hängt jeder Schritt direkt vom vorherigen Ergebnis ab. Dadurch eignet sie sich gut für vorhersehbare Workflows. 

Vorhersehbarkeit ist eine große Stärke sequenzieller KI. Sie ermöglicht es Ihnen, Fehler einfach nachzuverfolgen und den betroffenen Agenten gezielt zu optimieren. Eine sequenzielle Pipeline verliert jedoch an Geschwindigkeit, weil nachgelagerte Agenten keine Inferenz starten oder parallel arbeiten können. 

Setzen Sie sequenzielle Agenten ein, wenn strikte Abhängigkeiten entscheidend sind, etwa bei einer medizinischen Triage, die zu einer Diagnose führt. 

Wichtige Vorteile von Multi-Agent-Systemen 

Operations-Teams setzen Multi-Agent-Systeme wegen ihrer nachweisbaren Vorteile ein. 

Hier sind einige Beispiele für die Vorteile von Multi-Agent-Systemen:

• Flexible Spezialisierung
• Verbesserte Parallelität
• Bessere Fehlerisolierung
• Höhere Skalierbarkeit

Sehen wir uns diese Punkte genauer an.

Spezialisierung

Statt einem einzelnen Agenten ein breites Aufgabenspektrum zuzuweisen, verteilt ein Multi-Agent-System Aufgaben an KI-Agenten, die speziell dafür entwickelt wurden. So kann das Operations-Team ein Agentensystem entwickeln, das seine Workflows genau abbildet.

Sie nutzen beispielsweise einen Web-Scraping-Agenten zum Abrufen von Produktdaten, einen Analyseagenten zur Prognose von Markttrends und einen E-Commerce-Agenten zur Aktualisierung des Preises. 

Parallelität

Mehrere KI-Agenten arbeiten gleichzeitig, um Ergebnisse schneller zu erzielen. Statt eine Reihe von Agenten nacheinander zu durchlaufen, delegieren Sie unabhängige Aufgaben an verschiedene autonome Agenten. Sobald sie die Inferenz abgeschlossen haben, führen Sie die Ergebnisse zur weiteren Analyse zusammen. 

Customer-Success-Teams starten beispielsweise gleichzeitig Agenten, die Kundendaten abrufen, vergangene Transaktionen zusammenstellen und frühere Gespräche bereitstellen. 

Fehlerisolierung

Ein Fehler hält in einem Multi-Agent-System nicht zwangsläufig das gesamte System an. Fällt ein Agent aus, beheben oder isolieren Sie ihn, damit er nachfolgende agentische Workflows nicht beeinträchtigt. Das macht Multi-Agent-Systeme für geschäftskritische Anwendungen mit geringer Toleranz für operative Störungen attraktiv.

Agentische Roboter in Lagern übernehmen beispielsweise die Aufgaben eines ausgefallenen Roboters. 

Skalierbarkeit

Multi-Agent-Systeme lassen sich bei steigender Arbeitslast einfach skalieren. Statt die Architektur von Grund auf neu zu gestalten, fügen Sie weitere Agenten hinzu, um die Effizienz zu steigern. Durch die gemeinsame Umgebung greifen alle Agenten auf denselben Kontext zu, wodurch zusätzliche Agenten präziser Schlussfolgerungen ziehen können. 

Ein Startup setzt beispielsweise einen Multi-Agent-Marketing-Workflow ein, um eingehende Leads zu verwalten. Wenn die Agenten an einen Engpass stoßen, fügt es derselben Plattform weitere KI-Agenten hinzu. 

Herausforderungen und Grenzen von Multi-Agent-Systemen 

Trotz der Vorteile von Multi-Agent-Systemen erschweren mehrere Herausforderungen weiterhin ihre Implementierung.

• Koordinationsaufwand: Agenten müssen Kontext präzise übergeben, um durchgehend die gewünschten Ergebnisse zu erzielen. In einer komplexen Architektur, insbesondere mit Hunderten Agenten, ist ein zuverlässiger Nachrichtenaustausch schwierig. Das kann zu Kontextdrift führen, die eine strenge Koordination erfordert. 
• Sich fortpflanzende Fehler: LLMs, die Grundlage von KI-Agenten, können Fehler machen. Jede Ungenauigkeit, die einem Agenten entgeht, wird an den nächsten weitergegeben. Dadurch können Teams erhebliche Abweichungen im Endergebnis beobachten, die operative Ergebnisse beeinträchtigen. 
• Kostenmultiplikation: Der Betrieb von KI-Agenten kann teuer sein, insbesondere bei komplexen Prozessen. Jeder API-Aufruf an einen LLM-Anbieter verbraucht Tokens, die sich zu erheblichen Kosten summieren. 
• Intransparente Fehlersuche: Die Fehlerbehebung in einem Multi-Agent-System ist anspruchsvoll. Wenn mehrere Agenten an einem Ergebnis beteiligt sind, ist die Suche nach der Grundursache aufwendiger. Selbst wenn Sie den Fehler zu einem Agenten zurückverfolgen können, ist es aufgrund der probabilistischen Natur von LLMs äußerst schwierig, das Symptom zu reproduzieren.

Praxisbeispiele für Multi-Agent-Systeme 

Multi-Agent-Systeme gehen über interne Innovation hinaus und lösen operative Herausforderungen in der Praxis.

Hier sind einige Beispiele dafür, wie Multi-Agent-Systeme Workflows in der Praxis verbessert haben. 

Woven by Toyota nutzt Multi-Agent-Systeme für automatisierte Codekorrekturen

Woven by Toyota ist ein modernes Mobilitätsunternehmen, das Lösungen für autonomes Fahren entwickelt. Die entwickelte Software muss MISRA entsprechen, einem Codierungsstandard für die Automobilindustrie. Die Einhaltung von MISRA ist jedoch nicht einfach, da Ingenieure ihren Code gegen Hunderte Seiten von Standards prüfen müssen. 

Deshalb entwickelte Woven by Toyota ein Multi-Agent-System, um die Codesicherheit im großen Maßstab zu verbessern. Das System besteht aus einem Reviewer-, Coder- und Evaluator-Agenten. Reviewer und Coder durchlaufen den Quellcode, um Codierungsprobleme zu finden und zu beheben. Anschließend führt der Evaluator eine abschließende Prüfung durch und begründet sein Urteil. 

Dadurch konnte das Engineering-Team 81,5 % der MISRA-Compliance-Fehler mit dem Multi-Agent-System beheben.

PGA TOUR nutzt agentische KI für Medienrecherche und Content-Produktion 

Die PGA TOUR veranstaltet renommierte Golfturniere und hat eine große Fangemeinde. Sie hat jedoch Schwierigkeiten, Inhalte zu erstellen, die ihre Spieler angemessen abdecken, und diese für mehr Reichweite zu verbreiten. Bei Hunderten Spielern auf dem Feld wollte der Veranstalter die Zeit von der Content-Erstellung bis zur Veröffentlichung verkürzen.

Durch den Einsatz mehrerer KI-Agenten mit jeweils klarer Rolle erstellt das Redaktionsteam Inhalte, die dem Markenstil der PGA TOUR entsprechen. Erhält das System eine Content-Anfrage, führt ein Datenagent Recherchen durch und übergibt die Ergebnisse an den Redaktionsagenten. Anschließend erstellen ein Schreibagent und ein Bildagent den Entwurf, der nach der Prüfung an einen Veröffentlichungsagenten geht. 

Nach der Einführung steigerte PGA TOUR ihre Content-Produktion auf 1.200+ Inhalte pro Woche. Noch wichtiger: Die Kosten sanken um 95 %.

CUADRA nutzt ein Multi-Agent-System zur Verbesserung des Kundensupports

CUADRA ist eine mexikanische Premium-Einzelhandelsmarke, die Kunden über mehrere Kanäle bedient, darunter soziale Medien, Website und Telefon. Das Unternehmen weiß, dass Kunden zeitnahe und personalisierte Antworten bevorzugen, steht jedoch in Hochsaisons vor Herausforderungen.

Statt sich ausschließlich auf menschliche Kundenservice-Teams zu verlassen, entwickelte CUADRA ein Multi-Agent-System, das eingehende Anfragen filtert und bei Bedarf eskaliert. Im Zentrum des Systems steht ein Orchestrator, der mehrere spezialisierte Agenten für Produktempfehlungen, Bestellhistorie und Kundeninteraktionen koordiniert. 

Die Agenten erwiesen sich für CUADRA als Erfolg: Kunden bewerteten die erhaltenen Antworten mit 95,5 %, gegenüber 57 % bei vollständiger Bearbeitung durch Menschen. 

Synergy Logistics setzt Multi-Agenten für Lagerabläufe ein

Lagerabläufe sind zeitkritisch. Menschliche Mitarbeitende können beispielsweise Versandfristen verpassen oder Fehlbestände riskieren, was Unternehmen finanziell belastet. Synergy Logistics ist ein führender Anbieter von Lagerverwaltungslösungen. Das Unternehmen wollte Betreibern helfen, mit Multi-Agent-Systemen ihre Effizienz zu steigern und Fehler bei der Bestandsverwaltung zu reduzieren.

Der Anbieter von Lagerlösungen entwickelte ein zentralisiertes agentisches KI-System, das Bestandsbewegungen prognostiziert und Transparenz über Lagerabläufe schafft. Ein Orchestrator-Agent fungiert als Koordinator und delegiert Aufgaben an Agenten für gefährdete Bestände, Aufgabenpriorisierung und Fehlbestandsprognosen. Diese Agenten nutzen WMS-Daten, um Schlussfolgerungen zu ziehen und Empfehlungen zu geben. 

Zusammen konnten diese Agenten bis zu 75 % der Arbeitslasten von Mitarbeitenden übernehmen. 

Multi-Agent-Systeme in Voice AI  

Voice AI ist eine Technologie, die Menschen zuhört, Absichten versteht und mit menschenähnlichen Stimmen antwortet. Sie können ein Multi-Agent-Voice-AI-System entwickeln, um intelligentere, skalierbare und effizientere sprachliche Interaktionen mit minimalem menschlichen Eingreifen zu ermöglichen.

Sie nutzen beispielsweise ein KI-Telefonsystem zur Unterstützung Ihres Kundensupports-Teams. Ein KI-Telefonsystem synthetisiert im Gegensatz zu einem herkömmlichen Interactive-Voice-Response-System Sprache in Echtzeit, statt auf eine voraufgezeichnete Audiobibliothek zurückzugreifen. Kunden erhalten die gewünschte Antwort, ohne minutenlang auf eine Betreuung warten zu müssen. 

Der Aufbau eines KI-Telefonsystems erfordert jedoch die Zusammenarbeit mehrerer Agenten. Im Agenten-Workflow filtert ein Triage-Agent erste Kundenanfragen, ruft die erforderlichen Daten ab und übergibt den Anruf an einen anderen Agenten. Der Mechanismus für Agentenübergabe überträgt Kontext und Chatverlauf, damit Gespräche nahtlos und verständlich bleiben. 

Mit ElevenAgents nahtlose Zusammenarbeit von KI-Agenten starten 

ElevenAgents ermöglicht Ihnen, Multi-Agenten-Sprach- und Chatsysteme auf einer einzigen Plattform zu entwickeln, zu testen und bereitzustellen. Setzen Sie Sicherheitsleitplanken, verfolgen Sie die Chatbot-Performance und prüfen Sie Transkripte erneut, um Gespräche zu verbessern – intern oder über kundenorientierte Kanäle. 

Erfahren Sie mehr über Multi-Agent-Systeme in ElevenAgents oder registrieren Sie sich noch heute, um Agenten für Ihre Workflows zu erstellen.

FAQ: Multi-Agent-Systeme verstehen