Ein einzelner KI-Agent ist leistungsstark. Ein Team von KI-Agenten, die zusammenarbeiten, ist eine völlig andere Kategorie.
Speichere das :)
Am 6. Mai 2026 kündigte Anthropic auf der Veranstaltung "Code with Claude" die Multi-Agenten-Orchestrierung für Claude Managed Agents an. Du kannst jetzt bis zu 20 spezialisierte Agenten parallel an einer einzigen Aufgabe arbeiten lassen.
Nicht nacheinander. Parallel. Gleichzeitig. Jeder bearbeitet einen anderen Teil des Problems.
Dies ist dieselbe Architektur, die Netflix, Harvey (das Legal-AI-Unternehmen) und Shopify bereits in der Produktion einsetzen. Netflix nutzt sie, um hunderte von Build-Logs gleichzeitig zu analysieren. Harvey koordiniert damit komplexe juristische Arbeit über mehrere Dokumente hinweg. Shopify strebt bis zum dritten Quartal 2026 eine 90%ige autonome Codeerstellung an.
Das sind keine Experimente. Das sind Produktionssysteme, die jetzt im großen Maßstab laufen.
Und die Werkzeuge, um dein eigenes System zu bauen, stehen jedem zur Verfügung.
Hier erfährst du genau, wie du ein Team von KI-Agenten von Grund auf aufbaust, welche Muster funktionieren und welche Fehler du vermeiden solltest.
Warum Multi-Agent besser ist als Single-Agent
Ein einzelner Agent ist wie ein einzelner Mitarbeiter. Egal wie talentiert er ist, er kann immer nur eine Sache auf einmal tun. Wenn die Aufgabe fünf Teile hat, bearbeitet er sie nacheinander: Teil eins, dann Teil zwei, dann Teil drei, dann Teil vier, dann Teil fünf.
Ein Multi-Agenten-System ist wie ein Team. Fünf Agenten, jeder spezialisiert auf einen Teil der Aufgabe, arbeiten gleichzeitig. Die Arbeit, die ein einzelner Agent in 30 Minuten erledigt, erledigt ein Team von fünf Agenten in 6 Minuten.
Aber Geschwindigkeit ist nicht einmal der größte Vorteil.
Der wirkliche Vorteil ist die Spezialisierung.
Ein einzelner Agent, der alles machen soll – Recherche, Analyse, Schreiben, Codieren, Überprüfen – liefert durchschnittliche Ergebnisse in allen Bereichen, weil er seine Aufmerksamkeit zu sehr zersplittert.
Ein Team spezialisierter Agenten – ein Forscher, ein Analyst, ein Schreiber, ein Coder, ein Prüfer – liefert hervorragende Ergebnisse in jedem Bereich, weil sich jeder Agent auf das konzentriert, was er am besten kann.
Das ist derselbe Grund, warum menschliche Teams bei komplexen Projekten besser abschneiden als Einzelpersonen.
Die drei Multi-Agenten-Muster, die funktionieren
Nicht alle Multi-Agenten-Setups sind gleich. Nachdem ich untersucht habe, wie Unternehmen diese Systeme einsetzen, haben sich drei Muster herauskristallisiert, die durchgängig funktionieren.
Muster 1: Die Pipeline
Agenten arbeiten nacheinander, jeder übergibt seine Ausgabe an den nächsten.
Recherche-Agent → Analyse-Agent → Schreib-Agent → Prüf-Agent
Dies funktioniert am besten, wenn jeder Schritt eine klare Eingabe und Ausgabe hat und spätere Schritte von früheren abhängen. Der Recherche-Agent findet die Daten. Der Analyse-Agent identifiziert Muster. Der Schreib-Agent erstellt den Bericht. Der Prüf-Agent prüft ihn auf Fehler.
Jeder Agent ist mit einem fokussierten System-Prompt und relevanten Werkzeugen für seine spezifische Aufgabe optimiert.
Muster 2: Das Fan-Out
Ein Kommando-Agent zerlegt eine große Aufgabe in Teilaufgaben und verteilt sie parallel an mehrere Arbeiter-Agenten.
Kommando-Agent weist zu:
- Arbeiter-Agent 1 → analysiert Dokument A
- Arbeiter-Agent 2 → analysiert Dokument B
- Arbeiter-Agent 3 → analysiert Dokument C
- Arbeiter-Agent 4 → analysiert Dokument D
- Arbeiter-Agent 5 → analysiert Dokument E
Alle fünf Arbeiter laufen gleichzeitig. Wenn sie fertig sind, werden ihre Ergebnisse gesammelt und synthetisiert.
Dies ist das Muster, das Netflix zur Analyse von Build-Logs verwendet. Es ist ideal für Aufgaben, bei denen dieselbe Operation unabhängig voneinander an vielen Elementen durchgeführt werden muss.
Muster 3: Das Spezialisten-Team
Mehrere Agenten mit unterschiedlichen Spezialisierungen arbeiten an einer einzigen komplexen Aufgabe zusammen, wobei jeder sein Fachwissen einbringt.
Für einen Produktlaunch könntest du haben:
- Marktforschungs-Agent — analysiert Wettbewerbsdaten und Markttrends
- Technischer Agent — bewertet Machbarkeit und Architekturoptionen
- Finanz-Agent — erstellt Kostenprognosen und Preismodelle
- Text-Agent — schreibt Marketingmaterialien und Landingpage-Texte
- Prüf-Agent — prüft alles auf Konsistenz und Qualität
Jeder Agent arbeitet in seinem Fachgebiet. Die Ergebnisse werden zu einem umfassenden Arbeitsergebnis zusammengeführt.
Dies ist das Muster, das Harvey für juristische Arbeit verwendet. Verschiedene Agenten bearbeiten verschiedene Aspekte eines Falles – Recherche, Präzedenzfallanalyse, Dokumentenerstellung, Compliance-Prüfung – und die Ergebnisse werden zu einem vollständigen juristischen Paket zusammengestellt.
Schritt 1: Definiere dein Team
Bevor du etwas baust, beantworte diese Fragen:
Was ist das übergeordnete Ziel? "Erstelle einen wöchentlichen Wettbewerbsanalysebericht."
Was sind die einzelnen Teilaufgaben? "Recherchiere Wettbewerbswebsites, analysiere Preisänderungen, überwache Produkteinführungen, synthetisiere Ergebnisse, schreibe Bericht."
Welche Teilaufgaben können parallel laufen? "Recherche, Preisanalyse und Produktüberwachung können alle gleichzeitig stattfinden. Synthese und Schreiben müssen warten, bis diese erledigt sind."
Welchen Spezialisten würdest du für jede Teilaufgabe einstellen? "Einen Marktforscher, einen Preisanalysten, einen Produkt-Scout, einen Strategieanalysten und einen Berichtsschreiber."
Jeder Spezialist wird zu einem Agenten mit eigenem System-Prompt, eigenen Werkzeugen und eigenem Fokusbereich.
Schritt 2: Gestalte jeden Agenten
Jeder Agent in deinem Team braucht drei Dinge:
Eine klare Rolle. "Du bist ein Wettbewerbspreisanalyst. Deine Aufgabe ist es, Preisänderungen bei fünf Konkurrenzprodukten zu verfolgen und Trends zu identifizieren."
Spezifische Werkzeuge. Der Preisanalyst benötigt Webzugriff, um Wettbewerbswebsites zu überprüfen. Der Berichtsschreiber benötigt Dateizugriff, um Dokumente zu erstellen. Der Marktforscher benötigt Websuche, um aktuelle Nachrichten zu finden.
Definierte Ausgaben. "Erstelle eine strukturierte JSON-Datei mit den Feldern: competitor_name, product, old_price, new_price, date_changed, significance_rating."
Das Ausgabeformat ist wichtig, weil es die Art und Weise ist, wie Agenten kommunizieren. Wenn Agent A unstrukturierten Text produziert und Agent B strukturierte Daten benötigt, schlägt die Übergabe fehl.
Standardisiere deine Ausgabeformate über alle Agenten hinweg. Dies ist die wichtigste technische Entscheidung, die du treffen wirst.
Schritt 3: Baue die Orchestrierung
Mit Claude Managed Agents ist die Multi-Agenten-Orchestrierung in die API integriert. Du definierst deine Agenten, ihre Beziehungen und wie sie kommunizieren – Anthropic kümmert sich um die Infrastruktur.
Die wichtigsten Entscheidungen:
Welche Agenten laufen parallel? Agenten, die nicht voneinander abhängig sind, sollten gleichzeitig laufen, um die Geschwindigkeit zu maximieren.
Welche Agenten laufen nacheinander? Agenten, die die Ausgabe eines anderen Agenten benötigen, sollten warten, bis diese Ausgabe verfügbar ist.
Wie geben Agenten Daten weiter? Über Dateien in der gemeinsamen Umgebung, über strukturierte Ausgabeformate oder durch direkte Agent-zu-Agent-Kommunikation.
Was passiert, wenn ein Agent ausfällt? Definiere ein Fallback-Verhalten. Wenn der Preisanalyst nicht auf die Website eines Wettbewerbers zugreifen kann, sollte er den Fehler protokollieren und mit den verfügbaren Daten fortfahren – nicht die gesamte Pipeline zum Absturz bringen.
Schritt 4: Füge Gedächtnis mit Dreaming hinzu
Dies ist die neueste Funktion und sie verändert alles in Bezug auf die langfristige Leistung von Agenten.
Dreaming ist ein geplanter Hintergrundprozess, der zwischen den Agentensitzungen läuft. Es überprüft vergangene Sitzungen, extrahiert Muster, identifiziert wiederkehrende Fehler und kuratiert die Gedächtnisspeicher des Agenten.
In der Praxis bedeutet dies, dass dein Agententeam mit der Zeit intelligenter wird, ohne dass du manuell Prompts aktualisieren musst.
Harvey berichtete, dass die Aktivierung von Dreaming bei ihren juristischen Agenten die Abschlussraten um etwa das 6-fache erhöhte. Nicht durch eine Modelländerung – sondern rein dadurch, dass Agenten institutionelles Wissen über Sitzungen hinweg weitertragen.
Dein Agententeam lernt buchstäblich aus eigener Erfahrung.
Um Dreaming zu aktivieren, konfiguriere einen Dream-Zeitplan in deinem Managed Agents Setup. Nächtlich ist die empfohlene Kadenz für die meisten Teams.
Schritt 5: Definiere Ergebnisse
Ergebnisse sind eine neue Funktion, mit der du definieren kannst, wie "Erfolg" aussieht, indem du ein bewertungsbasiertes Benotungssystem verwendest.
Anstatt zu hoffen, dass deine Agenten gute Ergebnisse liefern, definierst du spezifische Kriterien:
"Der Bericht muss Preisdaten von allen fünf Wettbewerbern enthalten. Wenn Daten eines Wettbewerbers fehlen, fällt der Vollständigkeitswert unter 80 %. Der Analyseteil muss mindestens drei spezifische Erkenntnisse enthalten, keine allgemeinen Beobachtungen. Der Text muss unter 2.000 Wörtern liegen."
Claude bewertet seine eigene Ausgabe anhand deiner Bewertungsmatrix und iteriert, bis es besteht. Dies erzeugt eine Qualitätsschleife, die Fehler abfängt, bevor du die Ausgabe überhaupt siehst.
Schritt 6: Teste zuerst mit einfachen Aufgaben
Beginne nicht damit, ein 10-Agenten-System zu bauen.
Beginne mit zwei Agenten, die an einer einfachen Pipeline-Aufgabe zusammenarbeiten. Bring die Kommunikation zum Laufen. Bring die Ausgabeformate zum Laufen. Bring die Fehlerbehandlung zum Laufen.
Füge dann einen dritten Agenten hinzu. Dann einen vierten. Jede Erweiterung sollte vor der Integration unabhängig getestet werden.
Die Teams, die großartige Multi-Agenten-Systeme bauen, sind diejenigen, die inkrementell bauen, nicht diejenigen, die versuchen, das perfekte System am ersten Tag zu entwerfen.
Schritt 7: Überwache und iteriere
Multi-Agenten-Systeme sind komplexer als einzelne Agenten. Mehr Dinge können schiefgehen. Überwachung ist optional.
Achte auf:
Übergabefehler – Agenten produzieren Ausgaben, die der nächste Agent nicht parsen kann. Behebe dies, indem du die Spezifikationen des Ausgabeformats verschärfst.
Redundante Arbeit – mehrere Agenten tun dasselbe, ohne es zu merken. Behebe dies, indem du den Aufgabenbereich jedes Agenten extrem spezifisch machst.
Qualitätsverlust – die Ausgabequalität sinkt, je länger die Pipeline wird. Behebe dies, indem du an wichtigen Kontrollpunkten Prüf-Agenten hinzufügst.
Token-Aufblähung – Agenten generieren unnötig ausführliche Ausgaben, die Token-Limits fressen. Behebe dies, indem du Beschränkungen für die Ausgabelänge hinzufügst.
Wie das in der Produktion aussieht
Hier ist ein echtes Multi-Agenten-Setup, das gerade in der Produktion läuft:
Wöchentlicher Marktinformationsbericht
Agent 1: Web-Recherche-Agent – sucht nach aktuellen Nachrichten, Produkteinführungen und Finanzierungsrunden im Zielmarkt. Läuft parallel.
Agent 2: Wettbewerbsmonitor-Agent – überprüft fünf Wettbewerbswebsites auf Änderungen bei Preisen, Funktionen und Botschaften. Läuft parallel.
Agent 3: Social-Listener-Agent – scannt X und LinkedIn nach relevanten Diskussionen, Stimmungen und aufkommenden Trends. Läuft parallel.
Agent 4: Analyse-Agent – erhält Daten von den Agenten 1-3, identifiziert die fünf bedeutendsten Entwicklungen, bewertet jede nach Auswirkung.
Agent 5: Berichtsschreiber-Agent – nimmt die Analyse und erstellt ein formatiertes Executive Briefing mit Empfehlungen.
Agent 6: Qualitätsprüf-Agent – prüft den Bericht anhand einer definierten Bewertungsmatrix, markiert Probleme und fordert Überarbeitungen vom Schreiber an.
Gesamtzeit: unter 15 Minuten. Bisherige Zeit mit einem einzelnen Agenten: über eine Stunde. Bisherige Zeit bei manueller Erstellung: ein halber Tag.
Der Bericht landet jeden Montag um 8 Uhr morgens in Google Drive. Das Team liest ihn bei einer Tasse Kaffee.
Häufige Multi-Agenten-Fehler und wie man sie vermeidet
Fehler 1: Jeden Agenten zu allgemein machen. Der ganze Sinn von Multi-Agent ist Spezialisierung. Wenn dein Recherche-Agent auch Analysen und Schreiben macht, hast du den Zweck verfehlt. Jeder Agent sollte eine Sache extrem gut können. Eng ist mächtig. Breit ist schwach.
Fehler 2: Ausgabeformate nicht standardisieren. Wenn dein Recherche-Agent einen Freiform-Absatz produziert und dein Analyse-Agent strukturiertes JSON erwartet, bricht die Übergabe zusammen. Bevor du einen Agenten baust, definiere den Datenvertrag zwischen den Agenten. Welche Felder? Welches Format? Was passiert, wenn ein Feld leer ist?
Fehler 3: Zu viele Agenten zu früh parallel laufen lassen. Beginne mit zwei Agenten in einer einfachen Pipeline. Bring die Kommunikation zum Laufen. Füge dann einen dritten hinzu. Dann einen vierten. Jede Erweiterung bringt Komplexität mit sich. Handhabe sie inkrementell.
Fehler 4: Keine Fehlerbehandlung zwischen Agenten. Was passiert, wenn ein Agent in der Pipeline ausfällt? Stürzt das gesamte System ab? Erhält der nächste Agent Mülleingaben? Baue explizites Fallback-Verhalten ein. "Wenn die Preisdaten nicht verfügbar sind, fahre mit historischen Daten fort und markiere die Lücke im Abschlussbericht."
Fehler 5: Token-Kosten ignorieren. Multi-Agenten-Setups verbrauchen mehr Token als Single-Agenten-Läufe. Jeder Agent hat seinen eigenen Kontext, seine eigene Argumentation und seine eigene Ausgabe. Überwache deine Nutzung und optimiere Prompts, um präzise zu sein, ohne wesentliche Details zu verlieren.
Die Zukunft ist Multi-Agent
Anthropic baut die Multi-Agenten-Orchestrierung nicht als nettes Extra-Feature. Sie bauen sie als die grundlegende Architektur dafür, wie KI-Systeme in Zukunft funktionieren werden.
Auf der Veranstaltung "Code with Claude" zeigte Anthropic, dass ihr eigenes Cowork-Produkt mit dieser Architektur gebaut wurde. Mehrere spezialisierte Agenten arbeiten zusammen, um komplexe Aufgaben zu bewältigen. Das Werkzeug, das autonom Dinge baut, wurde von Werkzeugen gebaut, die autonom arbeiten.
Apple hat gerade angekündigt, dass Claude über ein neues Extensions-System in iOS 27 integriert wird, zusammen mit anderen KI-Diensten. Da Claude in mehr Arbeitsabläufe und mehr Geräte eingebettet wird, wird Multi-Agent zum natürlichen Weg, um komplexe, domänenübergreifende Aufgaben zu bewältigen.
Die Unternehmen, die heute in Multi-Agenten-Infrastruktur investieren – Netflix, Harvey, Shopify, Mercado Libre – tun dies nicht zum Spaß. Sie tun es, weil Single-Agent-Ansätze nicht auf die Komplexität ihrer realen Probleme skalieren können.
Und die einzelnen Entwickler, die diese Muster jetzt lernen, werden Fähigkeiten haben, die in naher Zukunft viel Geld wert sein werden.
Die ehrliche Wahrheit
Multi-Agenten-Systeme sind keine Magie. Sie sind Softwareentwicklung, angewandt auf KI.
Die Grundlagen sind dieselben wie beim Bau jedes team-basierten Systems: klare Rollen, klare Kommunikation, definierte Schnittstellen, Fehlerbehandlung und Iteration.
Der Unterschied ist, dass das "Team" dich ein Claude-Abonnement kostet statt sechs Gehälter, es rund um die Uhr ohne Pausen arbeitet und es durch Dreaming mit der Zeit besser wird.
Wir stehen ganz am Anfang der Multi-Agenten-Ära. Die Leute, die diese Muster jetzt herausfinden – im Mai 2026 – werden einen massiven Vorsprung haben, wenn dies zur Standardmethode wird, wie alle KI-Systeme funktionieren.
Die meisten Leute werden das lesen und denken, Multi-Agent sei "zu fortgeschritten" für sie. Diejenigen, die noch diese Woche ihre erste Zwei-Agenten-Pipeline bauen, werden feststellen, dass es viel einfacher ist, als sie erwartet haben.
Folge mir @eng_khairallah1 für weitere KI-Kurse, Tools und Workflows. Neue Inhalte jede Woche.
Ich hoffe, das war nützlich für dich, Khairallah ❤️
