Hierarchische Supervisors (Orchestrator + Workers)
Ein Supervisor plant und delegiert; Worker führen Aufgaben aus und melden zurück – ein robustes Muster für komplexe Aufgaben.
Hierarchische Supervisors (Orchestrator + Workers) ist eine kostenlose AI Agents-Lektion auf CoddyKit. Dies ist Lektion 2 von 4. Du kannst die komplette Lektion unten kostenlos lesen – dann übst du sie direkt im Browser mit einem integrierten Code-Editor und einem KI-Tutor rund um die Uhr. Sie ist Teil des AI Agents-Lernpfads, und dein Fortschritt wird über Web und CoddyKit-App synchronisiert. Der AI Agents-Kurs umfasst insgesamt 4 Lektionen.
Teile dieser Lektion wurden noch nicht übersetzt und werden auf Englisch angezeigt.
Das Supervisor-Muster
Ein "Supervisor"-Agent entscheidet, was zu tun ist, und delegiert Aufgaben an spezialisierte "Worker"-Agenten. Die Worker melden ihre Ergebnisse zurück; der Supervisor führt sie zusammen.
Das entspricht der Arbeitsweise menschlicher Teams eher als freie Gespräche.
Struktur
Zwei Ebenen, manchmal mehr:
- Supervisor – sieht die Benutzeranfrage, zerlegt sie, wählt Worker aus und integriert die Ergebnisse
- Worker – spezialisierte Agenten für Recherche, Code, Mathematik usw., jeweils mit eigenen Tools und Prompts
Warum eine Hierarchie?
- Klareres Schlussfolgern – der Supervisor behält den Gesamtüberblick
- Spezialisierung – jeder Worker ist klein und fokussiert
- Einfachere Bewertung – Worker können unabhängig getestet werden
- Einfacheres Hinzufügen neuer Fähigkeiten – registrieren Sie einfach einen neuen Worker
LangGraph Implementation
from langgraph.graph import StateGraph, END
from typing import TypedDict, Annotated
import operator
class State(TypedDict):
messages: Annotated[list, operator.add]
next: str
def supervisor(state):
# Ask LLM which worker should handle this
decision = supervisor_llm.invoke(state['messages']).content # 'researcher' / 'coder' / 'FINISH'
return {'next': decision}
def researcher(state):
result = research_agent.run(state['messages'][-1].content)
return {'messages': [{'role': 'tool', 'content': result}], 'next': 'supervisor'}
def coder(state):
result = code_agent.run(state['messages'][-1].content)
return {'messages': [{'role': 'tool', 'content': result}], 'next': 'supervisor'}Wiring the Graph
g = StateGraph(State)
g.add_node('supervisor', supervisor)
g.add_node('researcher', researcher)
g.add_node('coder', coder)
g.set_entry_point('supervisor')
g.add_conditional_edges(
'supervisor',
lambda s: s['next'],
{'researcher': 'researcher', 'coder': 'coder', 'FINISH': END}
)
g.add_edge('researcher', 'supervisor')
g.add_edge('coder', 'supervisor')
app = g.compile()Unabhängigkeit der Worker
Jeder Worker ist ein eigenständiger Mini-Agent. Entwickeln und testen Sie jeden isoliert und kombinieren Sie sie anschließend unter dem Supervisor.
Tool-Sets der Worker
Beschränken Sie jeden Worker auf genau die Tools, die er benötigt:
- Researcher – search, fetch
- Coder – read_file, write_file, run_python
- Database – list_tables, run_sql
Klarere Tool-Beschreibungen, weniger Verwirrung.
Kommunikationsformat
Worker geben dem Supervisor strukturierte Zusammenfassungen zurück, keine vollständigen Transkripte. Das spart Tokens und erleichtert dem Supervisor die Integration:
class WorkerResult(BaseModel):
summary: str
citations: list[str]
next_step_suggestion: str = ''Beendigung
Der Supervisor entscheidet, wann der Prozess beendet wird. Typische Kriterien:
- Konfidenz über dem Schwellenwert
- Signal eines Workers, dass die Aufgabe abgeschlossen ist
- Schrittzähler überschritten
Hierarchien mit mehreren Ebenen
Fügen Sie für sehr komplexe Aufgaben eine dritte Ebene hinzu: einen "Team Lead"-Supervisor für die Entwicklung, einen weiteren für die Recherche usw. Jeder delegiert an Worker für seinen jeweiligen Bereich.
Kostenprofil
Jede Entscheidung des Supervisors ist ein LLM-Aufruf. Jeder Worker verfügt über eine eigene Schleife. Die Gesamtkosten betragen ungefähr N_Supervisor-Entscheidungen × Kosten pro Entscheidung + N_Worker-Schleifen × Kosten pro Schleife.
Wann Sie es verwenden sollten
- Komplexe Aufgaben mit klar abgegrenzten Teilbereichen
- Aufgaben, die für jeden Schritt unterschiedliche Prompting-Stile benötigen
- Systeme, bei denen Sie schrittweise neue Fähigkeiten hinzufügen möchten
Anti-Patterns
- Der Supervisor erledigt die gesamte eigentliche Arbeit – dadurch wird der Zweck verfehlt
- Worker rufen andere Worker auf, ohne dass der Supervisor davon weiß – die Kontrolle geht verloren
- Zu viele Worker (>10) – die Auswahl durch den Supervisor wird unzuverlässig
Rolle des Supervisors
Was ist die Hauptaufgabe des Supervisors in diesem Muster?
Zusammenfassung
Supervisor plus Worker ist besser als ein großer Agent. Jeder Worker ist klein, fokussiert und unabhängig testbar. Der Supervisor entscheidet, wer woran arbeitet.
Lerne AI Agents mit einem KI-Tutor — kostenlos
Schreibe und führe echten Code in deinem Browser aus, bekomme sofortige Hilfe von einem 24/7 KI-Tutor und setze dein Lernen im Web oder in der App fort.
- Kurse
- 60
- Lektionen
- 239
Häufig gestellte Fragen
Ist die Lektion „Hierarchische Supervisors (Orchestrator + Workers)“ kostenlos?
Ja — der vollständige Text von „Hierarchische Supervisors (Orchestrator + Workers)“ ist hier im Web kostenlos zu lesen. Um sie interaktiv zu üben (integrierter Code-Editor und 24/7 KI-Tutor) und den Rest des AI Agents-Kurses freizuschalten, upgrade auf CoddyKit PRO. Der AI Agents-Kurs umfasst insgesamt 4 Lektionen.
Was lerne ich in „Hierarchische Supervisors (Orchestrator + Workers)“?
Ein Supervisor plant und delegiert; Worker führen Aufgaben aus und melden zurück – ein robustes Muster für komplexe Aufgaben. Du übst AI Agents mit praktischem Code, den du direkt im Browser ausführst, und ein 24/7 KI-Tutor beantwortet deine Fragen während du die Lektion bearbeitest.
Brauche ich Erfahrung, um AI Agents zu starten?
Keine Vorkenntnisse erforderlich. AI Agents auf CoddyKit ist für Anfänger bis fortgeschrittene Lernende strukturiert, sodass du hier starten oder von Anfang an beginnen und in deinem eigenen Tempo voranschreiten kannst. Dies ist Lektion 2 von 4.
Wie lange dauert die Lektion „Hierarchische Supervisors (Orchestrator + Workers)“?
Die meisten CoddyKit-Lektionen dauern etwa 5–10 Minuten. Jede ist kompakt und interaktiv, sodass du stetig Fortschritte machst und genau dort weitermachst, wo du aufgehört hast – im Web und in der App.
Kann ich in dieser AI Agents-Lektion Code schreiben und ausführen?
Ja. Jede AI Agents-Lektion enthält einen integrierten Code-Editor, sodass du echten Code direkt in deinem Browser schreibst und ausführst und sofort KI-Feedback erhältst — ohne lokale Einrichtung erforderlich.
Alle Lektionen in diesem Kurs
- Multi-Agent-Kommunikation (AutoGen)
- Hierarchische Supervisors (Orchestrator + Workers)
- Agent-Rollen und Spezialisierungen
- Kommunikationsprotokolle (Message-Busse)