Viele Entwickler steuern Teams von Agenten und deren Orchestrierung rein nach Bauchgefühl – aber ist das wirklich effektiv?
In diesem Artikel stelle ich fünf wissenschaftlich fundierte Muster vor, mit denen du Agenten-Teams in Antigravity, Claude Code oder jedem anderen Coding-Agenten einsetzen kannst. Egal, ob du neue Anwendungen entwickelst, Legacy-Code pflegst oder Recherchen durchführst: Du erfährst, wann welches Muster einem einzelnen Agenten überlegen ist, und bekommst sofort einsatzbereite Prompts, um es selbst auszuprobieren.
Von: YK Sugi, Senior Developer Relations Engineer, Google Cloud
1. Trenne den Builder vom Verifizierer. Anstatt einen einzelnen Agenten alles erledigen zu lassen, können wir das Bauen und die Überprüfung in zwei separate Threads aufteilen. Ein Agent baut. Ein zweiter Agent in einem neuen Thread prüft, ob das Ergebnis auch wirklich das tut, was du verlangt hast. Wenn ein Modell seine eigene Arbeit im selben Thread überprüft, besteht die Gefahr, dass es durch seinen vorherigen Output voreingenommen ist.
Tatsächlich zeigen Studien, dass Modelle schlechte Richter ihrer eigenen Arbeit sind. Sie tun sich schwer, ihre eigene Argumentation ohne externes Feedback zu korrigieren und bevorzugen ihren eigenen Output gegenüber dem anderer.
Nutze dieses Muster für Änderungen, die wirklich ins Gewicht fallen. Für kleine Anpassungen oder wenn Tests direktes Feedback liefern, reicht ein Self-Review oft noch aus.
Prompt: Starte einen neuen Subagenten als Read-only-Verifizierer. Lass ihn prüfen, ob dieser Diff das umsetzt, was ich angefordert habe.

2. Teile die Arbeit in Spuren auf. Wenn sich eine Aufgabe sauber unterteilen lässt, gib jedem Teil einen eigenen Verantwortlichen – zum Beispiel je einen Subagenten für Frontend, Backend und Dokumentation. Lass sie parallel arbeiten, ohne dieselben Dateien zu bearbeiten.
In einer Studie aus dem Jahr 2026 mit 652 Coding-Aufgaben waren zwei Agenten, die an überlappendem Code arbeiteten, etwa 30 % seltener erfolgreich als ein einzelner Agent, der beide Aufgaben übernahm.
In einer Studie von Google und MIT erzielten Agenten-Teams bei einem Finanz-Benchmark mit unabhängigen Teilaufgaben bis zu 80,8 % bessere Ergebnisse als ein einzelner Agent – bei einem Planungs-Benchmark, bei dem jeder Schritt vom vorherigen abhing, schnitten sie jedoch 39 % bis 70 % schlechter ab.

Für Aufgaben, die sich nicht sauber in Bereiche wie Frontend und Backend trennen lassen, funktioniert ein einzelner Thread oft besser. Das Gleiche gilt für kleine Bugfixes, bei denen parallele Subagenten in einer weiteren Studie keinen Vorteil brachten.
Prompt: Starte drei Subagenten parallel: einen für das Frontend in web/, einen für das Backend in api/ und einen für die Doku in docs/. Jeder bearbeitet ausschließlich Dateien in seinem eigenen Ordner. Wenn alle drei fertig sind, prüfe, ob die Teile zusammen funktionieren.

3. Best of N. Führe dieselbe Aufgabe mehrmals parallel aus und lass eine Test-Suite oder ein Eval den Gewinner küren. AlphaCode, ein Coding-System von DeepMind, funktionierte genau so. Es generierte viele Programm-Kandidaten und filterte sie durch Ausführung heraus. Mit dieser Methode war das System bei Programmierwettbewerben äußerst konkurrenzfähig.
In einer Studie von 2024 zu diesem Best-of-N-Ansatz stiegen die Erfolgsquoten bei Aufgaben mit automatischen Prüfungen über Tausende von Versuchen hinweg kontinuierlich an. Bei echten GitHub-Issues verbesserte sich ein Modell von 15,9 % gelösten Aufgaben bei einem einzigen Versuch auf 56 % bei 250 Versuchen. Ohne automatische Prüfung flachte die Kurve bei der Auswahl des Gewinners per Mehrheitsentscheid oder Scoring-Modell nach etwa 100 Versuchen ab.

Prompt: Führe fünf Subagenten parallel auf Gemini 4 Hydrogen aus, wobei jeder versucht, dies in seinem eigenen Worktree zu optimieren. Bewerte jeden Versuch anhand der Evals, wähle den besten aus und nenne mir das Ergebnis.
4. Rat der Modelle. Bitte mehrere Modelle um unabhängige Vorschläge, lass Juroren abstimmen (ohne die Modellnamen zu kennen) und führe dann die stärksten Ideen zusammen. Nutze diesen Ansatz, wenn es keinen klaren Test oder keine automatische Prüfung gibt – etwa bei Architektur- oder Designfragen.
In einer Studie erzielte die Kombination von Antworten mehrerer Modelle bessere Ergebnisse als ein einzelnes Frontier-Modell. In einer anderen stimmte ein Gremium aus verschiedenen Modellen besser mit menschlichen Urteilen überein als ein einzelner großer Judge.

Ich habe zum Beispiel dieses Schiffslogo mit einem Rat von Modellen entworfen. Zwei Runden reichten aus, um aus einem simplen ersten Entwurf das finale Icon zu machen.

Prompt: Bitte Gemini 4 Carbon, Gemini 4 Neon und Claude Opus 5.5 jeweils um einen unabhängigen Entwurf. Lass drei neue Agenten auf Gemini 4 Carbon, Gemini 4 Neon und Claude Opus 5.5 die Entwürfe bewerten, ohne die Modellnamen zu kennen. Führe die besten Ideen zum Gewinnerentwurf zusammen.
5. Team von Reviewern. Starte mehrere Read-only-Reviewer parallel, von denen jeder eine feste Aufgabe hat, etwa UX oder Security.
In einer klassischen Studie von 1995 mit menschlichen Reviewern fanden Teams, bei denen jedes Mitglied nach einer anderen Art von Fehlern suchte, rund 35 % mehr Fehler als Teams, in denen alle dieselbe allgemeine Checkliste für typische Fehler nutzten.
Wie sich herausstellt, gilt ein ähnliches Muster auch für KI-Reviewer. In einer Studie zu LLM-Judges stimmte ein Team mit unterschiedlichen Rollen besser mit menschlichen Urteilen überein als ein einzelner Judge – und schnitt schlechter ab, wenn alle dieselbe Rolle teilten.

Prompt: Starte vier Read-only-Reviewer parallel für UX, Code-Einfachheit, Edge Cases und Security. Behebe, was sie melden, und wiederhole den Vorgang mit neuen Reviewern, bis alle vier zustimmen.
Diese Muster sind eher Bausteine als starre Regeln. Du kannst sie beliebig kombinieren, wie es für dich am besten funktioniert. Hier ist jedoch ein einfaches Flussdiagramm, das dir bei der Entscheidung hilft, wann du welches Muster einsetzen solltest:






