Warum einzelne Agents an ihre Grenzen stoßen

Frühe AI-Agents wurden mit einer bestechenden Einfachheit entwickelt: ein LLM, eine Reihe von Tools und eine Schleife, die läuft, bis die Aufgabe erledigt ist. Für einfache Aufgaben wie das Beantworten einer Frage oder das Abrufen einer Webseite funktioniert das hervorragend. Das Problem zeigt sich, sobald die Komplexität der zu lösenden Aufgabe zunimmt.

Jedes LLM verfügt über ein begrenztes Kontextfenster, das die Menge an Informationen beschränkt, die es gleichzeitig berücksichtigen kann. Bei einer lang laufenden Agent-Aufgabe füllt die wachsende Historie aus Gedanken, Tool-Aufrufen und Beobachtungen dieses Fenster schließlich vollständig. Dann kürzt der Agent entweder wichtige frühe Kontextinformationen oder bricht mit einem Fehler ab.

Beispielsweise sammelt ein Research-Agent bei der Analyse von 50 wissenschaftlichen Arbeiten schon vor dem Abschluss Zehntausende Tokens an Beobachtungen.

Wenn Sie einem einzelnen Agent mehr Tools geben und dadurch seine Fähigkeiten erweitern, kann seine Leistung paradoxerweise abnehmen. Untersuchungen zeigen, dass LLMs Schwierigkeiten haben, zuverlässig das richtige Tool auszuwählen, wenn ihnen mehr als 10–15 Optionen angeboten werden. Das Modell verschwendet Denkschritte damit, über die Tool-Auswahl zu diskutieren, anstatt tatsächlich zu arbeiten.

Dies wird als Tool-Überlastung bezeichnet: Zu viele Auswahlmöglichkeiten beeinträchtigen die Entscheidungsqualität – genau wie bei Menschen.

Von einem einzelnen generalistischen Agent wird erwartet, gleichzeitig als Researcher, Writer, Coder und Datenanalyst zu arbeiten. Jede dieser Rollen erfordert andere Denkweisen, andere Tool-Sets und andere Ausgabeformate. Kein einzelner Prompt kann für all dies gleichzeitig optimiert werden.

Ein Researcher muss skeptisch und gründlich sein. Ein Writer muss kreativ und prägnant sein. Wenn ein Agent innerhalb desselben Kontexts zwischen diesen Modi wechseln soll, sinkt die Qualität in allen Bereichen.

In einer Single-Agent-Pipeline beeinträchtigt ein Fehler in Schritt 3 einer 20-Schritte-Aufgabe jeden nachfolgenden Schritt. Der Agent baut auf seiner eigenen fehlerhaften Ausgabe auf, und der Fehler verstärkt sich unbemerkt. Wenn die endgültige Antwort erzeugt wird, kann sie völlig falsch sein, obwohl der Agent bei jedem einzelnen Schritt scheinbar korrekt schlussfolgert.

Das unterscheidet sich grundlegend davon, einen Fehler isoliert zu erkennen und zu korrigieren, bevor er sich fortpflanzt.

Einzelne Agents arbeiten grundsätzlich sequenziell: denken, handeln, beobachten, wiederholen. Wenn eine Aufgabe unabhängige Teilaufgaben enthält, die gleichzeitig erledigt werden könnten, muss ein einzelner Agent sie dennoch nacheinander bearbeiten. Die Recherche zu drei verschiedenen Themen dauert dadurch dreimal so lange wie nötig.

Multi-Agent-Systeme lösen dieses Problem, indem sie spezialisierte Subagents parallel ausführen und dieselbe Gesamtarbeit in einem Bruchteil der Zeit erledigen.

Bevor Sie sich für einen Multi-Agent-Ansatz entscheiden, ist es wichtig, den tatsächlichen Fehlermodus Ihres einzelnen Agents zu diagnostizieren. Achten Sie auf folgende Anzeichen: Aufgaben, die mehr als 15–20 Denkschritte erfordern, Tool-Sets mit mehr als 10 Funktionen, Ausgaben, die Fachwissen aus grundlegend unterschiedlichen Domänen benötigen, und Aufgaben mit unabhängigen Teilaufgaben, die parallelisiert werden könnten.

Nicht jedes Agent-Problem erfordert eine Multi-Agent-Lösung. Beginnen Sie einfach und erweitern Sie die Architektur, wenn Sie an reale Grenzen stoßen.

Bei komplexen Projekten arbeiten menschliche Teams besser als einzelne Genies, weil die Aufteilung der kognitiven Belastung jedem Teammitglied ermöglicht, tiefer in den eigenen Bereich einzusteigen. Dasselbe Prinzip gilt für AI-Agents. Ein einzelner Agent, der den vollständigen Kontext eines komplexen Projekts in seinem Kontextfenster behalten soll, entspricht der Aufforderung an eine Person, gleichzeitig Code zu schreiben, eine Benutzeroberfläche zu entwerfen, den Kundensupport zu übernehmen und die Datenbank zu verwalten.

Multi-Agent-Systeme begegnen all diesen Fehlermodi, indem sie die Arbeit auf spezialisierte Agents verteilen, die jeweils eine klar abgegrenzte Rolle, ein kleines Tool-Set und einen überschaubaren Kontext haben. Ein Orchestrator-Agent zerlegt die Aufgabe und koordiniert die Spezialisten. Am Ende werden die Ergebnisse zu einer zusammenhängenden Ausgabe synthetisiert.

Dies entspricht der Arbeitsweise leistungsstarker menschlicher Organisationen: Spezialisten leisten vertiefte Arbeit, während Führungskräfte koordinieren und integrieren.

Multi-Agent-Systeme bringen ihre eigene Komplexität mit sich: Latenz bei der Kommunikation zwischen Agents, schwierigere Fehlersuche, mehr potenzielle Fehlerquellen und höhere API-Kosten. Für einfache Aufgaben sind sie überdimensioniert.

Bleiben Sie bei einem einzelnen Agent, wenn: die Aufgabe in ein Kontextfenster passt, weniger als 10 Tools erfordert, in weniger als 15 Schritten erledigt werden kann und keine wirklich unabhängigen Teilaufgaben enthält, die von Parallelisierung profitieren.

Multi-Agent-Systeme im Produktiveinsatz gibt es in vielen Bereichen. AutoGPT und Devin verwenden Multi-Agent-Muster für Aufgaben der Softwareentwicklung. AI-Rechercheassistenten setzen nacheinander einen Planer-, einen Retriever- und einen Writer-Agent ein. Kundensupport-Plattformen verwenden einen Triage-Agent, der Anfragen an spezialisierte Agents für Abrechnungs-, technische und Kontoprobleme weiterleitet.

Das Verständnis der Fehlermodi einzelner Agents motiviert diese Architekturen.

Testen Sie Ihr Verständnis der Einschränkungen einzelner Agenten aus dieser Lektion.

In dieser Lektion haben Sie Folgendes gelernt: die Erschöpfung des Kontextfensters begrenzt, wie viele Schritte ein einzelner Agent ausführen kann, eine Überlastung durch Tools beeinträchtigt die Entscheidungsqualität, wenn zu viele Tools verfügbar sind, und fehlende Spezialisierung zwingt einen einzelnen Agenten dazu, vieles nur mittelmäßig statt eine Sache hervorragend zu beherrschen. Als Nächstes sehen wir uns das Orchestrator-Subagent-Muster an, das diese Probleme löst.