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 dabei an Bedeutung gewinnt, sind Multi-Agent-Systeme.

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

Laut einer Umfrage entfallen auf Multi-Agent-Systeme 66,4 % des Marktes für agentische KI. Das unterstreicht Wachstum, Innovation und Produktivität von Unternehmen, da diese Architektur zunehmend eingesetzt wird. 

Dieser Leitfaden erklärt die Grundlagen von Multi-Agent-Systemen und warum sie wichtig sind. Außerdem betrachten wir 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 reflexbasierte, modellbasierte und zielbasierte Agenten.
• Agenten können in einer zentralisierten oder dezentralisierten Architektur arbeiten. 
• Wichtige Vorteile von Multi-Agent-Systemen sind Skalierbarkeit, Parallelisierung und die Spezialisierung, die ihre Architektur ermöglicht.
• 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 auf Basis großer Sprachmodelle (LLMs), die schlussfolgern, handeln und sich mit externen Tools verbinden kann. Ein einzelner KI-Agent eignet sich zwar für klar definierte Aufgaben, hat aber Schwierigkeiten mit unvorhersehbaren, umfangreichen oder sehr komplexen Aufgaben über mehrere Fachbereiche hinweg. 

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 zu, die in der gemeinsamen Umgebung eingesetzt werden.

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 zu erledigen, 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 Fachbereichs sinnvoll schlussfolgern. Wenn er jedoch viele Aufgaben in begrenzter Zeit und mit begrenzten Informationen erledigen muss, sinkt seine Genauigkeit. 

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

Betrachten wir einen Content-Marketing-Workflow als Beispiel. Ein einzelner KI-Agent hätte Schwierigkeiten, Themenrecherche, Zielgruppenanalyse, Content-Erstellung, Veröffentlichung und Reporting abzudecken. Dafür müssten Sie an verschiedenen Punkten eingreifen.

Ein Multi-Agent-System setzt dagegen dedizierte KI-Agenten ein, die jeweils in ihrem Fachgebiet versiert 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 mit jeweils eigenen Eigenschaften.

1. Einfacher reflexbasierter Agent

Ein einfacher reflexbasierter Agent reagiert anhand vordefinierter bedingter Regeln auf sensorische Eingaben. 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 vorherigen Kontext. 

2. Modellbasierter reflexbasierter Agent

Ein modellbasierter reflexbasierter Agent ist sich seiner Einsatzumgebung teilweise bewusst. Durch kontinuierliche Interaktionen lernt er, wie seine Handlungen die Umgebung beeinflussen, und nutzt diese Informationen, um seine bedingten Regeln für Inferenz zu erweitern. 

Der Agent speichert jedoch keine Informationen über frühere Inferenzen und funktioniert dadurch in gewisser Weise ähnlich wie ein einfacher reflexbasierter Agent. 

3. Zielbasierter Agent

Ein zielbasierter Agent bewertet mögliche Handlungen, die ihn zum Erreichen eines vorgegebenen Ziels führen. Statt nach bedingten Regeln zu handeln, verwendet der KI-Agent Such- und Planungsalgorithmen, um künftige Ergebnisse für jeden geplanten Pfad vorherzusagen. Anschließend wählt er den Pfad, der seiner Einschätzung nach am wahrscheinlichsten zum Erfolg führt. 

4. Nutzenbasierter Agent

Ein nutzenbasierter Agent arbeitet auf ein Ergebnis hin, 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 einzelnen. Anschließend berücksichtigt er potenzielle Risiken und Vorteile, 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 verfeinert sein Verhalten, um gewünschte Ergebnisse zu erzielen. 

6. Hierarchischer Agent

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

Agenten auf niedriger Ebene sind dagegen für die taktische Umsetzung zuständig, etwa für die Aufnahme 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 in einer Peer-to-Peer-Beziehung miteinander arbeiten. 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 können die betriebliche Effizienz verbessern. Für einen erfolgreichen Einsatz muss jedoch die Architektur zum Anwendungsfall passen. 

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 diese 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 beruht, 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 verbreiten müssen. 

Dezentralisiert

Ein dezentrales Agentennetzwerk verteilt Schlussfolgern, Kommunikation und Handeln gleichmäßig auf alle Agenten im System. Es basiert auf einer flachen Hierarchie, in der kein Agent mehr 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 ist die Komplexität, Nachrichten über komplexe Kommunikationsnetze zu verteilen und die Kommunikation abzusichern. 

Nutzen Sie eine dezentrale Agentenarchitektur, 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 das Organigramm eines Unternehmens vor: Abteilungsleitungen, mittlere Führungskräfte und operative Führungskräfte überwachen verschiedene Teile derselben Kampagne. Ein KI-Agent auf oberster Ebene plant, ein Agent auf mittlerer Ebene koordiniert und Agenten auf niedriger Ebene setzen auf granularer Ebene um.  

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

Nutzen Sie eine hierarchische KI-Architektur, wenn Sie ein skalierbares Multi-Agent-System über mehrere Fachbereiche hinweg benötigen, etwa für das Lieferkettenmanagement. 

Sequenziell 

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

Vorhersehbarkeit ist eine große Stärke sequenzieller KI. Fehler lassen sich einfach nachverfolgen und der betroffene Agent gezielt 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 der medizinischen Triage vor einer Diagnose. 

Wichtige Vorteile von Multi-Agent-Systemen 

Betriebsteams setzen Multi-Agent-Systeme wegen ihrer nachweisbaren Vorteile ein. 

Hier sind einige Vorteile von Multi-Agent-Systemen:

• Flexible Spezialisierung
• Bessere Parallelisierung
• Bessere Fehlerisolierung
• Höhere Skalierbarkeit

Sehen wir uns diese Vorteile genauer an.

Spezialisierung

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

Sie nutzen beispielsweise einen Web-Scraping-Agenten zum Abrufen von Produktdaten, einen Analyse-Agenten für Marktprognosen und einen E-Commerce-Agenten zur Preisaktualisierung. 

Parallelisierung

Mehrere KI-Agenten arbeiten gleichzeitig, um Ergebnisse schneller zu erzielen. Statt eine Reihe von Agenten nacheinander zu durchlaufen, übertragen Sie unabhängige Aufgaben an verschiedene autonome Agenten. Nach Abschluss der Inferenz führen Sie die Ergebnisse für die weitere Analyse zusammen. 

Customer-Success-Teams setzen beispielsweise gleichzeitig Agenten ein, um Kundendaten abzurufen, frühere Transaktionen zusammenzustellen und historische Gespräche bereitzustellen. 

Fehlerisolierung

Ein Fehler legt in einem Multi-Agent-System nicht zwingend das gesamte System lahm. Fällt ein Agent aus, beheben oder isolieren Sie ihn, damit er nachfolgende agentische Workflows nicht beeinträchtigt. Das macht Multi-Agent-Systeme attraktiv für geschäftskritische Anwendungen, die Betriebsstörungen kaum tolerieren.

Agentische Roboter in der Lagerhaltung übernehmen beispielsweise die Aufgaben eines ausgefallenen Roboters. 

Skalierbarkeit

Multi-Agent-Systeme lassen sich bei wachsender Auslastung einfach skalieren. Statt die Architektur von Grund auf neu zu gestalten, fügen Sie weitere Agenten hinzu, um die Effizienz zu erhöhen. Durch die gemeinsame Umgebung greifen alle Agenten auf denselben Kontext zu, sodass zusätzliche Agenten genauer schlussfolgern können. 

Ein Startup setzt beispielsweise einen Multi-Agent-Marketing-Workflow ein, um eingehende Leads zu verwalten. Erreichen die Agenten einen Engpass, fügt es der 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 weitergeben, damit sie die gewünschten Ergebnisse zuverlässig erreichen. In einer komplexen Architektur, insbesondere mit Hunderten von Agenten, ist ein zuverlässiger Nachrichtenaustausch schwierig. Das kann zu Kontextdrift führen, die eine strikte Koordination erfordert. 
• Fehlerfortpflanzung: LLMs, die Grundlage von KI-Agenten, können Fehler machen. Jede Ungenauigkeit, die einem Agenten entgeht, wird an den nächsten weitergegeben. Teams können daher erhebliche Abweichungen im Endergebnis feststellen, die sich auf operative Ergebnisse auswirken. 
• Kostenmultiplikation: Der Betrieb von KI-Agenten kann teuer sein, besonders bei komplexen Prozessen. Jeder API-Aufruf an einen LLM-Anbieter verbraucht Tokens, deren Kosten sich erheblich summieren können. 
• Eingeschränktes Debugging: Die Fehlersuche in einem Multi-Agent-System ist anspruchsvoll. Wenn mehrere Agenten an einem Ergebnis beteiligt sind, erfordert das Finden der Ursache mehr Aufwand. Selbst wenn Sie den Fehler auf einen Agenten zurückführen, ist es wegen 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.

Im Folgenden sehen Sie 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 Software des Unternehmens muss MISRA entsprechen, einem Coding-Standard der Automobilindustrie. Die Einhaltung von MISRA ist jedoch nicht einfach, da Ingenieure ihren Code anhand von Hunderten Seiten an Standards prüfen müssen. 

Woven by Toyota entwickelte deshalb 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 Coding-Probleme 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 korrigieren.

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, Content zu erstellen, der ihre Spieler angemessen abdeckt, und ihn für eine größere Reichweite zu verbreiten. Bei Hunderten Spielern auf dem Platz wollte der Veranstalter die Zeit von der Content-Erstellung bis zur Veröffentlichung verkürzen.

Durch den Einsatz mehrerer KI-Agenten mit jeweils unterschiedlichen Rollen erstellt das Redaktionsteam Content im Markenstil der PGA TOUR. Bei einer Content-Anfrage führt ein Daten-Agent zunächst Recherchen durch und übergibt die Ergebnisse an den Redaktions-Agenten. Anschließend erstellen ein Schreib- und ein Bild-Agent den Entwurf, der nach der Prüfung an einen Veröffentlichungs-Agenten geht. 

Nach der Einführung steigerte PGA TOUR ihre Content-Produktion auf über 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 der Hochsaison vor Herausforderungen.

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

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

Synergy Logistics setzt Multi-Agenten für Lagerprozesse ein

Lagerprozesse 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 ergriff die Initiative, um Betreibern durch Multi-Agent-Systeme zu mehr Effizienz und weniger Fehlern bei der Bestandsverwaltung zu verhelfen.

Der Anbieter der Lagerlösung entwickelte ein zentralisiertes agentisches KI-System, um Bestandsbewegungen vorherzusagen und Transparenz über Lagerprozesse zu schaffen. 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 auszugeben. 

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

Multi-Agent-Systeme in Voice AI  

Voice AI ist eine Technologie, die Menschen zuhört, ihre Absicht versteht und mit menschenähnlichen Stimmen antwortet. Sie können ein Multi-Agent-Voice-AI-System entwickeln, um intelligentere, skalierbare und effizientere sprachliche Interaktionen mit minimalem menschlichem 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 eine voraufgezeichnete Audiobibliothek zu verwenden. Kunden erhalten die gewünschte Antwort, ohne minutenlang auf Betreuung zu warten. 

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 zur Agentenübergabe übermittelt Kontext und Chatverlauf, damit Gespräche nahtlos und verständlich bleiben. 

Starten Sie mit ElevenAgents für nahtlose Zusammenarbeit von KI-Agenten 

ElevenAgents ermöglicht Ihnen, Multi-Agent-Systeme für Voice und Chat auf einer einzigen Plattform zu entwickeln, zu testen und einzusetzen. Wenden Sie Sicherheitsleitplanken an, verfolgen Sie die Chatbot-Performance und prüfen Sie Transkripte erneut, um Gespräche zu verbessern – intern oder in kundenorientierten Kanälen. 

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

FAQ: Multi-Agent-Systeme verstehen