Agentic AI

Multi-Agent-Systeme: Delegation, Isolation, Koordinationskosten

Ein Multi-Agent-System verbrauchte in der Messung rund fünfzehnmal so viele Tokens wie ein Chat und lieferte 90 Prozent bessere Ergebnisse — aber der Tokenverbrauch allein erklärt 80 Prozent dieses Unterschieds. Der Gewinn kommt überwiegend daher, dass mehr Arbeit hineingesteckt wird. Die Frage ist also, ob es einen billigeren Weg zu mehr Arbeit gibt.

~30 Min · 12 Abschnitte Einführung · 9 Übungen (davon 2 Missionen)

Modul starten →

Fortschritt wird gespeichert — du kannst das Modul später jederzeit fortsetzen.

Nur den Lehrtext lesen →

Das kannst du danach

  • Danach prüfst du vor jeder Zerlegung die billigeren Hebel, die an derselben Ursache drehen.
  • Du formulierst Teilaufträge mit Ziel, Ausgabeformat, Werkzeugen und ausdrücklichen Ausschlüssen.
  • Du erkennst, wann Abstimmungsbedarf zwischen Unteragenten beweist, dass die Aufgabe eine Kette ist.

Übungen

  • 1. ReihenfolgeBevor der erste Unteragent startet
  • 2. EntscheidungWelches Muster passt hier?
  • 3. EntscheidungWas ist der besonnene nächste Schritt?
  • 4. EntscheidungWelche Ergänzung behebt alle drei Symptome?
  • 5. EntscheidungWie bewertest du den Vorschlag?
  • 6. MissionEin Teilauftrag im Review
  • 7. EntscheidungWie baut ihr den Umgang mit dem Teilfehlschlag?
  • 8. EntscheidungWie soll die Zusammenführung mit dem Widerspruch umgehen?
  • 9. EntscheidungWas empfiehlst du?

Arbeitsartefakte

Quellen & Aktualität4 Primärquellen · zuletzt geprüft:
  1. 01Anthropic Engineering — How we built our multi-agent research system
  2. 02Anthropic Engineering — Building Effective Agents
  3. 03Anthropic Engineering — Effective context engineering for AI agents
  4. 04Anthropic — Context windows

Verfasst von Julian Zentgraf