Multi-Agent-Systeme, kurz MAS, gehören zu den spannendsten Konzepten moderner KI-Anwendungen. Während viele klassische KI-Systeme mit einem einzelnen Agenten arbeiten, setzen Multi-Agent-Systeme auf mehrere spezialisierte Agenten, die miteinander kommunizieren, Aufgaben verteilen und gemeinsam Lösungen finden. Besonders bei komplexen Aufgaben können MAS deutlich flexibler, skalierbarer und leistungsfähiger sein als ein einzelner Agent. Grundlage dieses Artikels ist dein Transkript zu Multi-Agent-Systemen.
Was ist ein Agent?
Ein Agent ist ein System, das seine Umgebung wahrnehmen und darauf reagieren kann. In der klassischen KI bedeutet das: Ein Agent nimmt Informationen über Sensoren auf und handelt über sogenannte Aktuatoren oder Effektoren.
Bei modernen KI-Agenten, insbesondere bei LLM-basierten Systemen, sieht das etwas anders aus. Ein KI-Agent kann zum Beispiel:
Texte verstehen, Entscheidungen treffen, Tools benutzen, Informationen speichern, auf Kontext reagieren und aus vorherigen Interaktionen lernen.
Ein einfacher KI-Agent könnte etwa eine Frage beantworten oder ein Tool aufrufen, um eine Wetterauskunft zu geben. Er arbeitet jedoch allein.
Was ist ein Multi-Agent-System?
Ein Multi-Agent-System besteht aus mehreren autonomen Agenten, die innerhalb einer gemeinsamen Umgebung zusammenarbeiten oder miteinander interagieren. Jeder Agent kann eine bestimmte Rolle oder Spezialisierung haben.
Ein MAS kann zum Beispiel aus folgenden Agenten bestehen:
Ein Planungsagent erstellt eine Strategie.
Ein Rechercheagent sammelt Informationen.
Ein Mathematikagent löst Berechnungen.
Ein Supervisor-Agent koordiniert den Ablauf.
Ein Ausführungsagent setzt konkrete Schritte um.
Der große Vorteil liegt darin, dass nicht ein einziger Agent alles können muss. Stattdessen wird ein komplexes Problem in kleinere Teilaufgaben zerlegt, die von spezialisierten Agenten bearbeitet werden.
Der wichtigste Unterschied: Einzelagent vs. Multi-Agent-System
Der Unterschied zwischen einem
einfachen Agentensystem und einem Multi-Agent-System liegt vor allem in der Aufgabenverteilung.
Ein einzelner Agent muss alle Entscheidungen selbst treffen. Er muss wissen, welches Tool er nutzt, welche Informationen relevant sind und wie er die Aufgabe vollständig löst. Je komplexer eine Aufgabe wird, desto schwieriger wird das. Besonders problematisch wird es, wenn ein einzelner Agent Zugriff auf sehr viele Tools hat. Dann kann er Schwierigkeiten bekommen, das richtige Werkzeug zur richtigen Zeit auszuwählen.
Ein Multi-Agent-System löst dieses Problem anders. Es verteilt die Verantwortung auf mehrere spezialisierte Agenten. Jeder Agent übernimmt eine bestimmte Aufgabe. Dadurch wird das Gesamtsystem strukturierter, besser skalierbar und oft zuverlässiger.
Kurz gesagt:
Ein Einzelagent arbeitet allein.
Ein Multi-Agent-System verteilt Arbeit auf mehrere spezialisierte Agenten.
Zentrale Eigenschaften von Multi-Agent-Systemen
Multi-Agent-Systeme haben drei wichtige Eigenschaften.
Erstens sind die Agenten autonom. Sie können Entscheidungen treffen, ohne ständig durch einen Menschen gesteuert zu werden.
Zweitens besitzen sie soziale Fähigkeiten. Das bedeutet, sie können miteinander kommunizieren, Informationen austauschen und zusammenarbeiten.
Drittens sind sie zielorientiert. Jeder Agent verfolgt bestimmte Ziele, entweder für sich selbst oder für das gesamte System.
Diese Eigenschaften machen MAS besonders interessant für komplexe KI-Workflows, Automatisierung, Robotik, Simulationen, Geschäftsprozesse und moderne LLM-Anwendungen.
Wie kommunizieren Agenten miteinander?
Agenten können auf verschiedene Arten miteinander interagieren. Sie können Informationen teilen, Aufgaben delegieren, Verhandlungen führen oder sogar miteinander konkurrieren.
In einem einfachen System kommunizieren Agenten direkt miteinander. In komplexeren Systemen kann ein zentraler Supervisor-Agent entscheiden, welcher Agent als Nächstes aktiv wird. Alternativ können Agenten über einen gemeinsamen Zustand kommunizieren, also über Daten, die von mehreren Agenten gelesen und verändert werden.
Gerade in Frameworks wie LangGraph werden solche Abläufe häufig als Graph modelliert. Dabei bestehen Workflows aus Zuständen, Knoten und Kanten. Jeder Knoten kann einen Agenten oder eine Funktion darstellen.
Typische Architekturen von Multi-Agent-Systemen
Es gibt verschiedene Möglichkeiten, Agenten in einem MAS zu organisieren.
1. Sequenzielle Architektur
Bei einer sequenziellen Architektur arbeitet ein Agent nach dem anderen. Jeder Agent erledigt seine Aufgabe und gibt das Ergebnis an den nächsten Agenten weiter.
Ein Beispiel wäre ein Blog-Workflow:
Rechercheagent → Strukturagent → Schreibagent → Korrekturagent
Diese Architektur ist einfach zu verstehen und eignet sich gut für lineare Prozesse.
2. Supervisor-Worker-Architektur
Bei dieser Architektur gibt es einen zentralen Supervisor-Agenten. Er entscheidet, welcher Worker-Agent welche Aufgabe übernimmt.
Ein Beispiel:
Der Supervisor erhält eine Anfrage.
Er entscheidet, dass zuerst ein Wetter-Agent gebraucht wird.
Danach ruft er einen Kleidungsplaner-Agenten auf.
Am Ende fasst der Supervisor das Ergebnis zusammen.
Diese Architektur ist besonders nützlich, wenn Aufgaben dynamisch verteilt werden müssen.
3. Hierarchische Architektur
Eine hierarchische Architektur erweitert das Supervisor-Prinzip. Es gibt nicht nur einen Supervisor, sondern mehrere Ebenen. Ein Top-Level-Supervisor kann weitere Supervisoren steuern, die wiederum eigene Teams von Agenten koordinieren.
Das eignet sich für sehr große Systeme mit vielen spezialisierten Bereichen.
4. Netzwerk-Topologie
In einer Netzwerk-Topologie kann grundsätzlich jeder Agent mit jedem anderen Agenten kommunizieren. Es gibt keinen zentralen Supervisor. Jeder Agent kann entscheiden, welchen anderen Agenten er als Nächstes anspricht.
Das ist flexibel, kann aber schwieriger zu kontrollieren sein.
5. Swarm-Architektur
Bei einer Swarm-Architektur übergeben Agenten Aufgaben dynamisch an den jeweils am besten geeigneten Agenten. Es gibt keinen festen Supervisor. Stattdessen entsteht die Koordination durch Übergaben zwischen spezialisierten Agenten.
Diese Struktur ist besonders spannend für kollaborative Systeme, in denen Agenten flexibel reagieren müssen.
Zusammenarbeit, Koordination und Wettbewerb
Nicht alle Agenten arbeiten auf dieselbe Weise zusammen. In Multi-Agent-Systemen gibt es unterschiedliche Interaktionsstrategien.
Bei Kooperation arbeiten Agenten gemeinsam an einem besseren Ergebnis. Sie teilen Informationen oder teilen Aufgaben auf.
Bei Kollaboration ist die Zusammenarbeit noch enger. Die Agenten planen gemeinsam, stimmen sich ab und tragen aktiv zu einem gemeinsamen Ziel bei.
Bei Verhandlung haben Agenten unterschiedliche Interessen und versuchen, eine Einigung zu finden. Das kann zum Beispiel bei Ressourcenverteilung oder Aufgabenvergabe passieren.
Bei Wettbewerb verfolgen Agenten Ziele, die miteinander in Konflikt stehen. Ein Agent will vielleicht eine Ressource nutzen, die auch ein anderer Agent benötigt.
Im Extremfall entstehen adversariale Interaktionen. Dabei versucht ein Agent aktiv, den anderen zu behindern. Solche Szenarien sind oft Nullsummenspiele: Was ein Agent gewinnt, verliert ein anderer.
Abhängigkeiten zwischen Agenten
Ein wichtiger Punkt in MAS ist die Frage, wie stark Agenten voneinander abhängig sind.
Bei unabhängigen Agenten arbeitet jeder Agent für sich. Zwei Reinigungsroboter in verschiedenen Räumen können zum Beispiel unabhängig voneinander arbeiten.
Bei einer einseitigen Abhängigkeit braucht ein Agent einen anderen, aber nicht umgekehrt. Ein Wetter-Agent könnte beispielsweise Sensordaten benötigen, während der Sensor-Agent selbst nicht vom Wetter-Agenten abhängig ist.
Bei einer gegenseitigen Abhängigkeit brauchen sich zwei Agenten gegenseitig, um dasselbe Ziel zu erreichen. Zwei Roboterarme, die gemeinsam ein schweres Objekt heben, sind ein gutes Beispiel.
Bei einer reziproken Abhängigkeit brauchen sich zwei Agenten gegenseitig, aber für unterschiedliche Ziele. Ein Lieferroboter benötigt eine Ladestation, während die Ladestation den Roboter für den Transport bestimmter Ressourcen benötigt.
Solche Abhängigkeiten bestimmen, wie viel Koordination ein MAS braucht.
Verhandlung in Multi-Agent-Systemen
Verhandlung ist ein zentrales Konzept in MAS. Sie wird wichtig, wenn Agenten voneinander abhängig sind, aber unterschiedliche Interessen haben.
Eine einfache Form ist die Auktion. Ein Agent bietet eine Aufgabe oder Ressource an, und andere Agenten geben Gebote ab. Der beste Bieter erhält die Aufgabe.
Ein verwandtes Verfahren ist das Contract Net Protocol, kurz CNP. Dabei schickt ein Initiator eine Anfrage an mehrere Agenten. Diese antworten mit Vorschlägen. Der Initiator wählt dann den besten Vorschlag aus.
Ein Beispiel aus deinem Transkript ist ein Aufzugssystem. Der Lift-Controller fragt mehrere Aufzüge nach ihrer aktuellen Position. Danach wählt er den Aufzug aus, der dem gewünschten Stockwerk am nächsten ist. Dieses Prinzip zeigt sehr gut, wie Aufgaben in einem MAS verteilt werden können.
Eine komplexere Form ist die argumentationsbasierte Verhandlung. Hier tauschen Agenten nicht nur Angebote aus, sondern auch Begründungen. Das ist nützlich, wenn Entscheidungen erklärt oder mehrere Bedingungen ausgehandelt werden müssen.
Warum brauchen wir Multi-Agent-Systeme?
Multi-Agent-Systeme werden besonders dann wichtig, wenn Aufgaben zu komplex für einen einzelnen Agenten werden.
Ein einzelner Agent kann überfordert sein, wenn er zu viele Rollen gleichzeitig übernehmen muss. Er muss planen, recherchieren, rechnen, Tools auswählen, Ergebnisse prüfen und mit dem Nutzer kommunizieren. Das kann zu Fehlern oder ineffizienten Abläufen führen.
Ein MAS löst dieses Problem durch Spezialisierung. Jeder Agent übernimmt eine klar definierte Rolle. Dadurch wird das System modularer und leichter erweiterbar.
Ein weiterer Vorteil ist Skalierbarkeit. Neue Agenten können hinzugefügt werden, ohne das gesamte System neu zu bauen. Wenn ein Unternehmen zum Beispiel zusätzlich einen Rechtsprüfungs-Agenten oder einen Datenanalyse-Agenten benötigt, kann dieser in die bestehende Architektur integriert werden.
Praktisches Beispiel: Kleidung passend zum Wetter
Ein anschauliches Beispiel für ein Multi-Agent-System ist ein Assistent, der Kleidungsempfehlungen basierend auf dem Wetter gibt.
Dafür könnten drei Agenten zusammenarbeiten:
Ein Wetter-Agent ruft Wetterdaten ab.
Ein Kleidungsplaner-Agent leitet daraus Empfehlungen ab.
Ein Bildgenerierungs-Agent erstellt optional ein Bild der empfohlenen Kleidung.
Ein Supervisor-Agent koordiniert den Prozess. Er entscheidet zuerst, dass Wetterinformationen benötigt werden. Danach übergibt er die Daten an den Kleidungsplaner. Anschließend kann er optional einen Bild-Agenten aktivieren.
Dieses Beispiel zeigt, wie MAS verschiedene Fähigkeiten kombinieren können.
Fazit
Multi-Agent-Systeme sind ein wichtiger Schritt in der Entwicklung moderner KI-Anwendungen. Statt einen einzigen Agenten mit allen Aufgaben zu überladen, verteilen MAS die Arbeit auf mehrere spezialisierte Agenten.
Der wichtigste Unterschied zu einfachen Agentensystemen liegt in der Struktur: Ein einzelner Agent arbeitet allein, während ein Multi-Agent-System mehrere autonome, kommunikative und zielorientierte Agenten miteinander verbindet.
Dadurch entstehen Systeme, die komplexe Aufgaben besser bewältigen können. Sie können planen, verhandeln, kooperieren, konkurrieren und flexibel auf Veränderungen reagieren.
Gerade in Kombination mit LLMs, Tools und Frameworks wie LangGraph eröffnen Multi-Agent-Systeme neue Möglichkeiten für Automatisierung, intelligente Workflows und agentische KI-Systeme. MAS sind deshalb nicht nur ein theoretisches Konzept, sondern eine praktische Grundlage für viele zukünftige KI-Anwendungen.