Google verwendet KI-Technologie, um Inhalte in Ihre bevorzugte Sprache zu übersetzen. KI-Übersetzungen können Fehler enthalten.

Designmuster für Ihr agentisches KI-System auswählen

Last reviewed 2026-05-28 UTC

In diesem Dokument finden Sie eine Anleitung zur Auswahl eines Designmusters für Ihr agentisches KI-System. Agenten-Designmuster sind gängige Architekturansätze zum Erstellen von agentischen Anwendungen. Ein Agent-Designmuster bietet ein eigenes Framework zum Organisieren der Komponenten eines Systems, zum Integrieren des Modells und zum Orchestrieren eines einzelnen oder mehrerer Agents, um einen Workflow auszuführen.

KI-Agenten eignen sich für Anwendungen, die offene Probleme lösen, die möglicherweise eine autonome Entscheidungsfindung und ein komplexes mehrstufiges Workflow-Management erfordern. KI-Agenten sind hervorragend darin, Probleme in Echtzeit mithilfe externer Daten zu lösen und wissensintensive Aufgaben zu automatisieren. KI-Agents eignen sich, wenn Sie KI benötigen, um zielorientierte Aufgaben mit einem gewissen Grad an Autonomie zu erledigen. Für andere Anwendungsfälle können Sie Anwendungen mit assistiver und generativer KI verwenden. Informationen zu den Unterschieden zwischen KI-Agenten und nicht agentischen KI-Anwendungen finden Sie unter Was ist der Unterschied zwischen KI-Agenten, KI-Assistenten und Bots?.

In diesem Leitfaden wird davon ausgegangen, dass Sie über grundlegende Kenntnisse zu agentischen KI-Systemen verfügen und wissen, wie sich deren Architektur von der Architektur nicht-agentischer Systeme unterscheidet, z. B. von Systemen, die direkte Modelllogik oder Retrieval-Augmented Generation (RAG) verwenden.

Eine Zusammenfassung der Leitlinien für Agentenmuster finden Sie im Abschnitt Designmuster vergleichen weiter unten in diesem Dokument.

Übersicht über den Designprozess

Im Folgenden finden Sie die allgemeinen Schritte zum Auswählen eines Designmusters für Ihr agentisches KI-System. Diese Schritte werden weiter unten in diesem Dokument ausführlich beschrieben.

Anforderungen definieren: Bewerten Sie die Merkmale Ihrer Arbeitslast, einschließlich Aufgabenkomplexität, Latenz- und Leistungserwartungen, Kostenbudget und der Notwendigkeit menschlicher Beteiligung.
Häufige Muster für das Design von KI-Agenten ansehen: In diesem Leitfaden finden Sie Informationen zu den gängigen Designmustern, die sowohl Einzel- als auch Multi-Agenten-Systeme umfassen.
Muster auswählen: Wählen Sie das passende Entwurfsmuster basierend auf den Merkmalen Ihrer Arbeitslast aus.

Dieser Prozess ist keine einmalige Entscheidung. Sie sollten diese Schritte regelmäßig wiederholen, um Ihre Architektur zu optimieren, wenn sich die Merkmale Ihrer Arbeitslast ändern, sich Ihre Anforderungen weiterentwickeln oder neue Google Cloud -Funktionen verfügbar werden.

Anforderungen definieren

Die folgenden Fragen sind keine vollständigen Checklisten für die Planung. Verwenden Sie diese Fragen als Ausgangspunkt, um das Hauptziel Ihres agentischen Systems zu ermitteln und das beste Designmuster auszuwählen.

Aufgabenmerkmale: Kann Ihre Aufgabe in vordefinierten Workflowschritten erledigt werden oder ist sie offen? Muss für Ihre Aufgabe ein KI-Modell verwendet werden, um den Workflow zu orchestrieren?
Latenz und Leistung: Müssen Sie schnelle oder interaktive Antworten auf Kosten der Genauigkeit oder hochwertiger Antworten priorisieren? Oder kann Ihre Anwendung eine Verzögerung tolerieren, um ein genaueres oder gründlicheres Ergebnis zu erzielen?
Kosten: Wie hoch ist Ihr Budget für Inferenzkosten? Können Sie Muster unterstützen, die für eine einzelne Anfrage mehrere Aufrufe des Modells erfordern?
Einbeziehung von Menschen: Sind für Ihre Aufgabe wichtige Entscheidungen, sicherheitskritische Vorgänge oder subjektive Genehmigungen erforderlich, die menschliches Urteilsvermögen erfordern?

Wenn Ihre Arbeitslast vorhersehbar oder stark strukturiert ist oder mit einem einzigen Aufruf eines KI-Modells ausgeführt werden kann, ist es möglicherweise kostengünstiger, nicht-agentische Lösungen für Ihre Aufgabe zu prüfen. Für Aufgaben wie das Zusammenfassen eines Dokuments, das Übersetzen von Text oder das Klassifizieren von Kundenfeedback ist möglicherweise kein Workflow mit Agenten erforderlich. Informationen zur Auswahl von Architekturkomponenten für generative KI-Anwendungen, die keine agentische Infrastruktur erfordern, finden Sie unter Modelle und Infrastruktur für Ihre generative KI-Anwendung auswählen.

In den folgenden Abschnitten werden gängige Agenten-Designmuster für die Erstellung eines zuverlässigen und effektiven agentischen KI-Systems beschrieben.

Einzel-Agenten-System

Ein System mit einem einzelnen Agenten verwendet ein KI-Modell, eine definierte Gruppe von Tools und einen umfassenden System-Prompt, um eine Nutzeranfrage autonom zu bearbeiten oder eine bestimmte Aufgabe zu erledigen. In diesem grundlegenden Muster nutzt der Agent die Reasoning-Funktionen des Modells, um die Anfrage eines Nutzers zu interpretieren, eine Abfolge von Schritten zu planen und zu entscheiden, welche Tools aus einer definierten Gruppe verwendet werden sollen. Der Systemprompt beeinflusst das Verhalten des KI-Agenten, indem er seine Hauptaufgabe, seine Rolle und seine Operationen sowie die spezifischen Bedingungen für die Verwendung der einzelnen Tools definiert.

Das folgende Diagramm zeigt eine allgemeine Ansicht eines Musters mit einem einzelnen Agenten:

Architektur des Designmusters mit einem einzelnen Agenten.

Ein System mit einem einzelnen Agenten ist ideal für Aufgaben, die mehrere Schritte und Zugriff auf externe Daten erfordern. Ein Kundensupport-Mitarbeiter muss beispielsweise eine Datenbank abfragen, um den Bestellstatus zu ermitteln, oder ein Recherche-Assistent muss APIs aufrufen, um aktuelle Nachrichten zusammenzufassen. Ein nicht-agentisches System kann diese Aufgaben nicht ausführen, da es nicht in der Lage ist, Tools autonom zu verwenden oder einen mehrstufigen Plan auszuführen, um eine endgültige Antwort zu generieren.

Wenn Sie noch am Anfang der Agent-Entwicklung stehen, empfehlen wir, mit einem einzelnen Agent zu beginnen. Wenn Sie die Entwicklung Ihres Agenten mit einem System mit nur einem Agenten beginnen, können Sie sich auf die Optimierung der Hauptlogik, des Prompts und der Tooldefinitionen Ihres Agenten konzentrieren, bevor Sie komplexere Architekturkomponenten hinzufügen.

Die Leistung eines einzelnen Agenten kann weniger effektiv sein, wenn er mehr Tools verwendet und die Komplexität der Aufgaben zunimmt. Dies kann sich in einer erhöhten Latenz, einer falschen Toolauswahl oder ‑nutzung oder einem Fehler beim Ausführen der Aufgabe äußern. Diese Probleme lassen sich oft beheben, indem Sie den Reasoning-Prozess des KI-Agenten mit Techniken wie dem Reason and Act (ReAct)-Muster verfeinern. Wenn Ihr Workflow jedoch einen Agenten erfordert, der mehrere unterschiedliche Aufgaben verwaltet, reichen diese Techniken möglicherweise nicht aus. In diesen Fällen sollten Sie ein Multi-Agenten-System in Betracht ziehen, das die Ausfallsicherheit und Leistung verbessern kann, indem bestimmte Fähigkeiten an spezialisierte Agenten delegiert werden.

Multi-Agenten-Systeme

Ein Multi-Agenten-System orchestriert mehrere spezialisierte Agenten, um ein komplexes Problem zu lösen, das ein einzelner Agent nicht so einfach bewältigen kann. Das Grundprinzip besteht darin, ein großes Ziel in kleinere Unteraufgaben zu zerlegen und jede Unteraufgabe einem dedizierten Agenten mit einer bestimmten Fähigkeit zuzuweisen. Diese Agenten interagieren dann über kollaborative oder hierarchische Workflows, um das endgültige Ziel zu erreichen. Multi-Agent-Muster bieten ein modulares Design, das die Skalierbarkeit, Zuverlässigkeit und Wartungsfreundlichkeit des Gesamtsystems im Vergleich zu einem einzelnen Agenten mit einem monolithischen Prompt verbessern kann.

In einem Multi-Agent-System benötigt jeder Agent einen bestimmten Kontext, um seine Aufgabe effektiv auszuführen. Der Kontext kann Dokumentation, bisherige Einstellungen, relevante Links, den Konversationsverlauf oder betriebliche Einschränkungen umfassen. Der Prozess der Verwaltung dieses Informationsflusses wird als Kontext-Engineering bezeichnet. Kontext-Engineering umfasst Strategien wie das Isolieren des Kontexts für einen bestimmten Agenten, das Beibehalten von Informationen über mehrere Schritte hinweg oder das Komprimieren großer Datenmengen, um die Effizienz zu verbessern.

KI-Agents bergen bestimmte einzigartige und kritische Sicherheitsrisiken, die mit herkömmlichen, deterministischen Sicherheitsverfahren möglicherweise nicht ausreichend gemindert werden können. Verwenden Sie Agent Gateway für das Routing und die Sicherheit von eingehendem und ausgehendem Traffic, Agent Identity für die arbeitslastgebundene Authentifizierung und die Zugriffssteuerung mit den geringsten Berechtigungen und Agent Registry, um sicherzustellen, dass verifizierte Tools und Sub-Agenten verwendet werden.

Die Anleitung in diesem Abschnitt ist nicht vollständig. Weitere Informationen zu Designfaktoren und Best Practices sowie Empfehlungen zum Erstellen und Bereitstellen eines Multi-Agenten-KI-Systems finden Sie unter Multi-Agenten-KI-System in Google Cloud.

Sequenzielles Muster

Das sequenzielle Multi-Agenten-Muster führt eine Reihe spezialisierter KI-Agenten in einer vordefinierten, linearen Reihenfolge aus, wobei die Ausgabe eines KI-Agenten als direkte Eingabe für den nächsten KI-Agenten dient. Dieses Muster verwendet einen sequenziellen Workflow-Agenten, der mit vordefinierter Logik arbeitet, ohne ein KI-Modell für die Orchestrierung seiner Sub-Agenten heranziehen zu müssen.

Das folgende Diagramm zeigt eine allgemeine Übersicht über ein sequenzielles Multi-Agenten-Muster:

Architektur des sequenziellen Multi-Agenten-Designmusters.

Verwenden Sie das sequenzielle Muster für hochstrukturierte, wiederholbare Prozesse, bei denen sich die Abfolge der Vorgänge nicht ändert. Eine Datenverarbeitungspipeline könnte dieses Muster beispielsweise verwenden, um zuerst einen Datenextraktions-Agenten Rohdaten abrufen zu lassen, diese Daten dann an einen Datenbereinigungs-Agenten zur Formatierung zu übergeben, der die bereinigten Daten wiederum an einen Datenlade-Agenten übergibt, um sie in einer Datenbank zu speichern.

Das sequenzielle Muster kann die Latenz und die Betriebskosten im Vergleich zu einem Muster reduzieren, bei dem ein KI-Modell den Aufgabenworkflow orchestriert. Diese Effizienz geht jedoch auf Kosten der Flexibilität. Die starre, vordefinierte Struktur der Pipeline erschwert die Anpassung an dynamische Bedingungen oder das Überspringen unnötiger Schritte. Dies kann zu einer ineffizienten Verarbeitung oder zu einer höheren kumulativen Latenz führen, wenn ein unnötiger Schritt langsam ist.

Paralleles Muster

Beim parallelen Multi-Agenten-Muster, auch als gleichzeitiges Muster bezeichnet, führen mehrere spezialisierte Sub-Agenten eine Aufgabe oder Teilaufgaben unabhängig voneinander gleichzeitig aus. Die Ausgaben der Sub-Agents werden dann zusammengeführt, um die endgültige konsolidierte Antwort zu generieren. Ähnlich wie beim sequenziellen Muster wird beim parallelen Muster ein paralleler Workflow-Agent verwendet, um zu verwalten, wie und wann die anderen Agenten ausgeführt werden, ohne dass ein KI-Modell zur Orchestrierung seiner Sub-Agenten herangezogen werden muss.

Das folgende Diagramm zeigt eine allgemeine Übersicht über ein paralleles Muster mit mehreren Agents:

Architektur des parallelen Multi-Agenten-Designmusters.

Verwenden Sie das parallele Muster, wenn Unteraufgaben gleichzeitig ausgeführt werden können, um die Latenz zu reduzieren oder verschiedene Perspektiven zu erhalten, z. B. beim Erfassen von Daten aus unterschiedlichen Quellen oder beim gleichzeitigen Bewerten mehrerer Optionen. Wenn Sie beispielsweise Kundenfeedback analysieren möchten, kann ein paralleler Agent einen einzelnen Feedbackeintrag gleichzeitig an vier spezialisierte Agenten weiterleiten: einen Agenten für die Sentimentanalyse, einen Agenten für die Keyword-Extraktion, einen Agenten für die Kategorisierung und einen Agenten für die Dringlichkeitserkennung. Ein letzter Agent fasst diese vier Ausgaben in einer einzigen, umfassenden Analyse des Feedbacks zusammen.

Das parallele Muster kann die Gesamtlatenz im Vergleich zu einem sequenziellen Ansatz verringern, da es gleichzeitig verschiedene Informationen aus mehreren Quellen abrufen kann. Dieser Ansatz bringt jedoch Kompromisse in Bezug auf Kosten und Komplexität mit sich. Wenn Sie mehrere Agents parallel ausführen, kann dies die unmittelbare Ressourcennutzung und den Tokenverbrauch erhöhen, was zu höheren Betriebskosten führt. Außerdem erfordert der Schritt „gather“ eine komplexe Logik, um potenziell widersprüchliche Ergebnisse zu synthetisieren, was den Entwicklungs- und Wartungsaufwand des Systems erhöht.

Schleifenmuster

Beim Multi-Agenten-Schleifen-Agentenmuster wird eine Sequenz von spezialisierten Sub-Agenten wiederholt ausgeführt, bis eine bestimmte Abbruchbedingung erfüllt ist. Dieses Muster verwendet einen Workflow-Agenten mit Schleife, der wie andere Workflow-Agenten mit vordefinierter Logik arbeitet, ohne ein KI-Modell für die Orchestrierung zu konsultieren. Nachdem alle untergeordneten Agents ihre Aufgaben abgeschlossen haben, prüft der Loop-Agent, ob eine Endbedingung erfüllt ist. Die Bedingung kann eine maximale Anzahl von Iterationen oder ein benutzerdefinierter Status sein. Wenn die Beendigungsbedingung nicht erfüllt ist, startet der Loop-Agent die Sequenz der Sub-Agents noch einmal. Sie können ein Schleifenmuster implementieren, bei dem die Abbruchbedingung an einem beliebigen Punkt im Ablauf ausgewertet wird. Verwenden Sie das Schleifenmuster für Aufgaben, die eine iterative Optimierung oder Selbstkorrektur erfordern, z. B. das Generieren von Inhalten und das Überprüfen durch einen Kritik-Agenten, bis sie einem Qualitätsstandard entsprechen.

Das folgende Diagramm zeigt eine allgemeine Ansicht eines Multi-Agenten-Schleifenmusters:

Architektur des Multi-Agenten-Loop-Designmusters.

Das Loop-Agent-Muster bietet eine Möglichkeit, komplexe, iterative Workflows zu erstellen. So können Agents ihre eigene Arbeit optimieren und die Verarbeitung fortsetzen, bis eine bestimmte Qualität oder ein bestimmter Status erreicht ist. Der Hauptnachteil dieses Musters ist jedoch das Risiko einer Endlosschleife. Wenn die Beendigungsbedingung nicht richtig definiert ist oder die untergeordneten Agents den zum Beenden erforderlichen Status nicht erzeugen, kann die Schleife unbegrenzt ausgeführt werden. Dies kann zu übermäßigen Betriebskosten, hohem Ressourcenverbrauch und potenziellen Systemabstürzen führen.

Muster überprüfen und kritisieren

Das Muster für die Überprüfung und Kritik durch mehrere Agenten, auch bekannt als Generator- und Kritikermuster, verbessert die Qualität und Zuverlässigkeit generierter Inhalte durch die Verwendung von zwei spezialisierten Agenten, die in der Regel in einem sequenziellen Workflow arbeiten. Das Muster „Überprüfen und kritisieren“ ist eine Implementierung des Loop-Agent-Musters.

Beim Muster „Überprüfung und Kritik“ erstellt ein Generator-Agent eine erste Ausgabe, z. B. einen Codeblock oder eine Zusammenfassung eines Dokuments. Als Nächstes bewertet ein Prüf-Agent diese Ausgabe anhand vordefinierter Kriterien wie sachlicher Richtigkeit, Einhaltung von Formatierungsregeln oder Sicherheitsrichtlinien. Anhand der Bewertung kann der Kritiker den Inhalt genehmigen, ablehnen oder mit Feedback zur Überarbeitung an den Generator zurückgeben.

Das folgende Diagramm zeigt eine allgemeine Übersicht über ein Multi-Agenten-Überprüfungs- und Kritikmuster:

Architektur des Multi-Agenten-Designmusters für die Überprüfung und Kritik

Dieses Muster eignet sich für Aufgaben, bei denen die Ausgaben sehr genau sein oder strengen Einschränkungen entsprechen müssen, bevor sie einem Nutzer präsentiert oder in einem nachgelagerten Prozess verwendet werden. In einem Workflow zur Codegenerierung kann ein Generator-Agent beispielsweise eine Funktion schreiben, um die Anfrage eines Nutzers zu erfüllen. Der generierte Code wird dann an einen Critic-Agenten übergeben, der als Sicherheitsprüfer fungiert. Die Aufgabe des Critic-Agents besteht darin, den Code anhand einer Reihe von Einschränkungen zu prüfen, z. B. auf Sicherheitslücken zu scannen oder zu überprüfen, ob er alle Unit-Tests besteht, bevor der Code für die Verwendung freigegeben wird.

Das Muster „Prüfer und Kritik“ kann die Qualität, Genauigkeit und Zuverlässigkeit der Ausgabe verbessern, da es einen speziellen Überprüfungsschritt hinzufügt. Diese Qualitätssicherung führt jedoch direkt zu einer erhöhten Latenz und höheren Betriebskosten. Für die Bewertung durch den Kritiker ist mindestens ein zusätzlicher Modellaufruf erforderlich. Wenn der Prozess Überarbeitungszyklen umfasst, in denen Inhalte zur Optimierung zurückgesendet werden, summieren sich sowohl die Latenz als auch die Kosten mit jeder Iteration.

Das Muster für iterative Verfeinerung verwendet einen Schleifenmechanismus, um eine Ausgabe über mehrere Zyklen hinweg schrittweise zu verbessern. Das Muster für die iterative Optimierung ist eine Implementierung des Musters für Schleifen-Agenten.

Bei diesem Muster arbeiten ein oder mehrere Agenten in einer Schleife, um ein Ergebnis zu ändern, das während jeder Iteration im Sitzungsstatus gespeichert wird. Der Vorgang wird fortgesetzt, bis die Ausgabe einen vordefinierten Qualitätsschwellenwert erreicht oder eine maximale Anzahl von Iterationen erreicht ist, um Endlosschleifen zu vermeiden.

Das folgende Diagramm zeigt eine allgemeine Ansicht eines iterativen Verfeinerungsmusters mit mehreren Agenten:

Architektur des Designmusters für die iterative Verfeinerung mit mehreren Agenten.

Dieses Muster eignet sich für komplexe Generierungsaufgaben, bei denen die Ausgabe in einem einzigen Schritt nur schwer zu erreichen ist. Beispiele für solche Aufgaben sind das Schreiben und Debuggen von Code, das Entwickeln eines detaillierten mehrteiligen Plans oder das Verfassen und Überarbeiten eines langen Dokuments. In einem Workflow für kreatives Schreiben kann ein Agent beispielsweise einen Blogpost-Entwurf erstellen, den Entwurf auf Fluss und Tonfall hin überprüfen und ihn dann auf Grundlage dieser Kritik umschreiben. Dieser Prozess wird in einer Schleife wiederholt, bis die Arbeit des KI-Agenten einen vordefinierten Qualitätsstandard erfüllt oder bis die maximale Anzahl von Iterationen erreicht ist.

Mit dem Muster der iterativen Verfeinerung lassen sich sehr komplexe oder ausgefeilte Ausgaben erzeugen, die in einem einzigen Schritt nur schwer zu erreichen wären. Der Schleifenmechanismus erhöht jedoch mit jedem Zyklus direkt die Latenz und die Betriebskosten. Dieses Muster erhöht auch die architektonische Komplexität, da sorgfältig konzipierte Abbruchbedingungen erforderlich sind, z. B. eine Qualitätsbewertung oder eine maximale Iterationsgrenze, um übermäßige Kosten oder eine unkontrollierte Ausführung zu vermeiden.

Coordinator-Muster

Beim Multi-Agenten-Koordinatormuster wird ein zentraler Agent, der Koordinator, verwendet, um einen Workflow zu steuern. Der Koordinator analysiert und zerlegt die Anfrage eines Nutzers in untergeordnete Aufgaben und leitet jede untergeordnete Aufgabe dann zur Ausführung an einen spezialisierten Agenten weiter. Jeder spezialisierte Agent ist ein Experte für eine bestimmte Funktion, z. B. das Abfragen einer Datenbank oder das Aufrufen einer API.

Ein Merkmal des Koordinatormusters ist die Verwendung eines KI-Modells, um Aufgaben zu orchestrieren und dynamisch weiterzuleiten. Im Gegensatz dazu basiert das parallele Muster auf einem hartcodierten Workflow, um Aufgaben für die gleichzeitige Ausführung zu verteilen, ohne dass eine KI-Modellorchestrierung erforderlich ist.

Das folgende Diagramm zeigt eine allgemeine Übersicht über ein Multi-Agenten-Koordinatormuster:

Architektur des Multi-Agenten-Koordinatordesignmusters.

Verwenden Sie das Koordinatormuster, um strukturierte Geschäftsprozesse zu automatisieren, die ein adaptives Routing erfordern. Ein Kundenservicemitarbeiter kann beispielsweise als Koordinator fungieren. Der Koordinator-Agent analysiert die Anfrage, um festzustellen, ob es sich um eine Anfrage zum Bestellstatus, eine Produktrückgabe oder eine Erstattungsanfrage handelt. Je nach Art der Anfrage leitet der Koordinator die Aufgabe an den entsprechenden spezialisierten KI-Agenten weiter.

Das Koordinatormuster bietet im Vergleich zu starren, vordefinierten Workflows mehr Flexibilität. Durch die Verwendung eines Modells zum Weiterleiten von Aufgaben kann der Koordinator eine größere Vielfalt an Eingaben verarbeiten und den Workflow zur Laufzeit anpassen. Dieser Ansatz bringt jedoch auch Kompromisse mit sich. Da der Koordinator und jeder spezialisierte Agent ein Modell für die Argumentation verwenden, führt dieses Muster zu mehr Modellaufrufen als ein System mit einem einzelnen Agenten. Das Coordinator-Muster kann zwar zu einer besseren Qualität der Schlussfolgerungen führen, erhöht aber auch den Token-Durchsatz, die Betriebskosten und die Gesamtlatenz im Vergleich zu einem System mit einem einzelnen Agent.

Muster für die hierarchische Aufgabenzerlegung

Das Muster für die hierarchische Aufgabenzerlegung mit mehreren Agenten organisiert Agenten in einer mehrstufigen Hierarchie, um komplexe Probleme zu lösen, die eine umfangreiche Planung erfordern. Das Muster für die hierarchische Aufgabenzerlegung ist eine Implementierung des Coordinator-Musters. Ein übergeordneter Agent oder Root-Agent erhält eine komplexe Aufgabe und ist dafür verantwortlich, sie in mehrere kleinere, überschaubare Unteraufgaben zu zerlegen. Der Root-Agent delegiert jede Teilaufgabe an einen spezialisierten Sub-Agenten auf einer niedrigeren Ebene. Dieser Prozess kann sich über mehrere Ebenen wiederholen, wobei Agenten ihre zugewiesenen Aufgaben schrittweise aufteilen, bis sie direkt von einem Worker-Agenten auf der niedrigsten Ebene ausgeführt werden können.

Das folgende Diagramm zeigt eine allgemeine Ansicht eines hierarchischen Musters zur Aufteilung von Aufgaben in mehrere Agenten:

Architektur des Designmusters für die hierarchische Aufgabenzerlegung mit mehreren Agenten.

Verwenden Sie das Muster der hierarchischen Aufgabenzerlegung für mehrdeutige, offene Probleme, die mehrstufige Problemlösung erfordern, z. B. Aufgaben, die Recherche, Planung und Synthese umfassen. Um beispielsweise ein komplexes Forschungsprojekt abzuschließen, zerlegt ein Koordinations-Agent das übergeordnete Ziel in mehrere Aufgaben, z. B. das Sammeln von Informationen, das Analysieren der Ergebnisse und das Zusammenfassen des Abschlussberichts. Der Coordinator-Agent delegiert diese Aufgaben dann an spezialisierte Sub-Agents, z. B. einen Agenten zum Erheben von Daten, einen Analyse-Agenten und einen Agenten, der Berichte erstellt, um sie auszuführen oder weiter aufzuschlüsseln.

Das Muster der hierarchischen Aufgabenzerlegung ist ideal für die Lösung hochkomplexer und mehrdeutiger Probleme, da es diese systematisch in überschaubare Unteraufgaben zerlegt. Dieses Muster kann zu umfassenderen und qualitativ hochwertigeren Ergebnissen führen als einfachere Muster. Diese erweiterte Funktion bringt jedoch erhebliche Nachteile mit sich. Die mehrstufige Struktur erhöht die architektonische Komplexität erheblich, was das Design, die Fehlerbehebung und die Wartung des Systems erschwert. Die mehreren Ebenen der Delegation und des Reasonings führen auch zu einer hohen Anzahl von Modellaufrufen, was sowohl die Gesamtlatenz als auch die Betriebskosten im Vergleich zu anderen Mustern erheblich erhöht.

Schwarmmuster

Das Multi-Agenten-Schwarmmuster verwendet einen kollaborativen All-to-All-Kommunikationsansatz. Bei diesem Muster arbeiten mehrere spezialisierte Agents zusammen, um eine Lösung für ein komplexes Problem iterativ zu verfeinern.

Das folgende Diagramm zeigt eine allgemeine Übersicht über ein Multi-Agenten-Schwarmmuster:

Architektur des Multi-Agenten-Swarm-Designmusters

Beim Swarm-Muster wird ein Dispatcher-Agent verwendet, um eine Nutzeranfrage an eine kollaborative Gruppe spezialisierter Agenten weiterzuleiten. Der Dispatcher-Agent interpretiert die Anfrage und bestimmt, welcher Agent im Swarm am besten geeignet ist, die Aufgabe zu beginnen. In diesem Muster kann jeder Agent mit jedem anderen Agenten kommunizieren. So können sie Ergebnisse austauschen, Vorschläge kritisieren und auf der Arbeit der anderen aufbauen, um eine Lösung iterativ zu optimieren. Jeder KI-Agent im Swarm kann die Aufgabe an einen anderen KI-Agenten übergeben, den er für besser geeignet hält, den nächsten Schritt auszuführen. Alternativ kann er die endgültige Antwort über den Koordinator-KI-Agenten an den Nutzer zurückgeben.

Einem Schwarm fehlt in der Regel ein zentraler Supervisor oder Koordinator-Agent, der den Prozess auf Kurs hält. Der Dispatcher-Agent orchestriert den agentenbasierten Workflow nicht, anders als beim Coordinator-Muster. Stattdessen erleichtert der Dispatcher-Agent die Kommunikation zwischen den Sub-Agenten des Schwarms und dem Nutzer. Damit der Schwarm schließlich stoppt und ein Ergebnis zurückgibt, müssen Sie eine explizite Beendigungsbedingung definieren. Diese Bedingung ist oft eine maximale Anzahl von Iterationen, ein Zeitlimit oder das Erreichen eines bestimmten Ziels, z. B. das Erreichen eines Konsens.

Verwenden Sie das Swarm-Muster für mehrdeutige oder hochkomplexe Probleme, die von Diskussionen und iterativer Verfeinerung profitieren. Die Entwicklung eines neuen Produkts könnte beispielsweise einen Marktforschungs-Agenten, einen Engineering-Agenten und einen Agenten für die Finanzmodellierung umfassen. Die Agenten würden erste Ideen austauschen, die Kompromisse zwischen Funktionen und Kosten diskutieren und gemeinsam eine endgültige Designspezifikation entwickeln, die alle konkurrierenden Anforderungen berücksichtigt.

Das Swarm-Muster simuliert ein kollaboratives Team von Experten und kann daher außergewöhnlich hochwertige und kreative Lösungen hervorbringen. Es ist jedoch das komplexeste und kostspieligste Multi-Agent-Muster, das implementiert werden kann. Das Fehlen eines Agents, der ein KI-Modell zur Orchestrierung verwendet, kann das Risiko von unproduktiven Schleifen oder dem Scheitern der Konvergenz auf eine Lösung mit sich bringen. Sie müssen daher eine ausgeklügelte Logik entwickeln, um die komplexe Kommunikation zwischen den Agenten zu verwalten, den iterativen Workflow zu steuern und die erheblichen Betriebskosten und die Latenz zu bewältigen, die mit der Ausführung einer dynamischen Konversation mit mehreren Zügen zwischen mehreren Agenten verbunden sind.

ReAct-Muster (Reason and Act)

Das ReAct-Muster ist ein Ansatz, bei dem das KI-Modell seine Denkprozesse und Aktionen als eine Reihe von Interaktionen in natürlicher Sprache formuliert. Bei diesem Muster arbeitet der Agent in einer iterativen Schleife aus Denken, Handeln und Beobachten, bis eine Abbruchbedingung erfüllt ist.

Thought: Das Modell überlegt, was als Nächstes zu tun ist. Das Modell wertet alle gesammelten Informationen aus, um festzustellen, ob die Anfrage des Nutzers vollständig beantwortet wurde.
Aktion: Basierend auf seinem Denkprozess führt das Modell eine von zwei Aktionen aus:
- Wenn die Aufgabe nicht abgeschlossen ist, wird ein Tool ausgewählt und eine Anfrage formuliert, um weitere Informationen zu erhalten.
- Wenn die Aufgabe abgeschlossen ist, formuliert er die endgültige Antwort, die an den Nutzer gesendet werden soll, und beendet die Schleife.
Beobachtung: Das Modell empfängt die Ausgabe des Tools und speichert relevante Informationen im Speicher. Da das Modell relevante Ausgaben speichert, kann es auf früheren Beobachtungen aufbauen. So wird verhindert, dass sich das Modell wiederholt oder den Kontext verliert.

Die iterative Schleife wird beendet, wenn der Agent eine schlüssige Antwort findet, eine voreingestellte maximale Anzahl von Iterationen erreicht oder ein Fehler auftritt, der die Fortsetzung verhindert. Durch diese iterative Schleife kann der Agent dynamisch einen Plan erstellen, Belege sammeln und seinen Ansatz anpassen, während er auf eine endgültige Antwort hinarbeitet.

Das folgende Diagramm zeigt eine allgemeine Übersicht über das ReAct-Muster:

Architektur des ReAct-Designmusters.

Verwenden Sie das ReAct-Muster für komplexe, dynamische Aufgaben, die eine kontinuierliche Planung und Anpassung erfordern. Stellen Sie sich beispielsweise einen Robotik-Agenten vor, der einen Pfad generieren muss, um von einem Anfangszustand in einen Zielzustand zu gelangen:

Thought: Das Modell überlegt, wie es am besten vom aktuellen Zustand zum Zielzustand gelangt. Während des Denkprozesses optimiert das Modell für Messwerte wie Zeit oder Energie.
Aktion: Das Modell führt den nächsten Schritt in seinem Plan aus, indem es sich entlang eines berechneten Pfadsegments bewegt.
Beobachtung: Das Modell beobachtet und speichert den neuen Zustand der Umgebung. Das Modell speichert seine neue Position und alle Änderungen an der Umgebung, die es wahrnimmt.

Durch diese Schleife kann der Agent dynamische Einschränkungen einhalten, z. B. neue Hindernisse vermeiden oder Verkehrsregeln befolgen, indem er seinen Plan basierend auf neuen Beobachtungen ständig aktualisiert. Der KI-Agent durchläuft die iterative Schleife, bis er sein Ziel erreicht oder ein Fehler auftritt.

Ein einzelner ReAct-Agent kann einfacher und kostengünstiger zu implementieren und zu warten sein als ein komplexes Multi-Agenten-System. Das Model Thinking liefert ein Transkript der Argumentation des Modells, was bei der Fehlerbehebung hilft. Diese Flexibilität hat jedoch auch Nachteile. Die iterative, mehrstufige Natur des Loops kann im Vergleich zu einer einzelnen Abfrage zu einer höheren End-to-End-Latenz führen. Außerdem hängt die Effektivität des KI-Agenten stark von der Qualität der Argumentation des KI-Modells ab. Daher kann ein Fehler oder ein irreführendes Ergebnis eines Tools in einem Beobachtungsschritt sich fortsetzen und dazu führen, dass die endgültige Antwort falsch ist.

Human-in-the-Loop-Muster

Das Human-in-the-Loop-Muster integriert Punkte für menschliche Eingriffe direkt in den Workflow eines KI-Agenten. An einem vordefinierten Prüfpunkt pausiert der KI-Agent die Ausführung und ruft ein externes System auf, um auf die Überprüfung seiner Arbeit durch eine Person zu warten. Mit diesem Muster kann eine Person eine Entscheidung genehmigen, einen Fehler korrigieren oder erforderliche Eingaben machen, bevor der Agent fortfahren kann.

Das folgende Diagramm zeigt eine allgemeine Ansicht eines Human-in-the-Loop-Musters:

Architektur des Multi-Agenten-Human-in-the-Loop-Designmusters.

Verwenden Sie das Human-in-the-Loop-Muster für Aufgaben, die menschliche Aufsicht, subjektives Urteilsvermögen oder eine endgültige Genehmigung für kritische Aktionen erfordern. Zu solchen Aktionen gehören die Genehmigung einer großen Finanztransaktion, die Validierung der Zusammenfassung eines vertraulichen Dokuments oder die Bereitstellung von subjektivem Feedback zu generierten kreativen Inhalten. Ein Agent könnte beispielsweise die Aufgabe haben, ein Patientendataset für die Forschung zu anonymisieren. Der Agent würde alle geschützten Gesundheitsdaten automatisch identifizieren und entfernen, aber an einem letzten Prüfpunkt pausieren. Anschließend würde ein Compliance-Beauftragter das Dataset manuell validieren und die Veröffentlichung genehmigen. So wird sichergestellt, dass keine sensiblen Daten offengelegt werden.

Das Human-in-the-Loop-Muster verbessert die Sicherheit und Zuverlässigkeit, indem es menschliches Urteilsvermögen an kritischen Entscheidungspunkten im Workflow einbezieht. Dieses Muster kann die Architektur erheblich komplexer machen, da Sie das externe System für die Nutzerinteraktion erstellen und verwalten müssen.

Benutzerdefiniertes Logikmuster

Das benutzerdefinierte Logikmuster bietet maximale Flexibilität bei der Gestaltung Ihres Workflows. Mit diesem Ansatz können Sie eine bestimmte Orchestrierungslogik implementieren, die Code wie bedingte Anweisungen verwendet, um komplexe Workflows mit mehreren Verzweigungspfaden zu erstellen.

Das folgende Diagramm zeigt ein Beispiel für die Verwendung eines benutzerdefinierten Logikmusters zur Erfassung eines Erstattungsprozesses:

Architektur des benutzerdefinierten Multi-Agenten-Musters.

Im vorherigen Diagramm ist der agentenbasierte Workflow für den Beispiel-Kundenerstattungs-Agenten so dargestellt:

Der Nutzer sendet eine Anfrage an den Agenten für Kundenerstattungen, der als Koordinationsagent fungiert.
Die benutzerdefinierte Logik des Koordinators ruft zuerst einen parallelen Prüf-Agent auf, der gleichzeitig zwei Sub-Agents startet: den Käuferprüf-Agent und den Agent für den Anspruch auf Erstattung.
Nachdem die Ergebnisse zusammengetragen wurden, führt der Kundenservicemitarbeiter ein Tool aus, um zu prüfen, ob die Anfrage für eine Erstattung infrage kommt.
1. Wenn der Nutzer berechtigt ist, leitet der Koordinator die Aufgabe an einen Agenten für die Erstattungsbearbeitung weiter, der das Tool process_refund aufruft.
2. Wenn der Nutzer nicht berechtigt ist, leitet der Koordinator die Aufgabe an einen separaten sequenziellen Ablauf weiter, beginnend mit dem Store-Guthaben-Agenten und dem Agenten für die Entscheidung über die Gutschrift.
Das Ergebnis des gewählten Pfads wird an den Agenten für die endgültige Antwort gesendet, der die Antwort für den Nutzer formuliert.

Das Beispiel für den Kundenerstattungs-Agenten erfordert eine einzigartige Lösung für die Orchestrierung auf Logikebene, die über die strukturierten Ansätze anderer Muster hinausgeht. In diesem Workflow werden Muster gemischt, da eine parallele Prüfung ausgeführt wird und dann ein benutzerdefinierter bedingter Zweig ausgeführt wird, der zu zwei völlig unterschiedlichen nachgelagerten Prozessen führt. Diese Art von komplexem Workflow mit gemischten Mustern ist der ideale Anwendungsfall für das benutzerdefinierte Logikmuster.

Verwenden Sie das Muster für benutzerdefinierte Logik, wenn Sie eine detaillierte Kontrolle über die Ausführung des KI-Agenten benötigen oder wenn Ihr Workflow nicht zu einem der anderen in diesem Dokument beschriebenen Muster passt. Dieser Ansatz erhöht jedoch die Komplexität der Entwicklung und Wartung. Sie sind für das Design, die Implementierung und das Debugging des gesamten Orchestrierungsablaufs verantwortlich. Das erfordert mehr Entwicklungsaufwand und kann fehleranfälliger sein als die Verwendung eines vordefinierten Musters, das von einem Tool wie dem Agent Development Kit (ADK) unterstützt wird.

Informationen zu benutzerdefinierten KI-Agenten und zur Implementierung benutzerdefinierter Logik mit dem ADK finden Sie unter Benutzerdefinierte KI-Agenten.

Designmuster vergleichen

Die Auswahl eines Agentenmusters ist eine grundlegende Architekturentscheidung. Jedes Muster bietet unterschiedliche Kompromisse in Bezug auf Flexibilität, Komplexität und Leistung. Um das geeignete Muster für Ihre Arbeitslast zu ermitteln, sollten Sie die Entwurfsmuster in den folgenden Abschnitten berücksichtigen.

Deterministische Workflows

Deterministische Workflows umfassen Aufgaben, die vorhersehbar und sequenziell sind und einen klar definierten Workflowpfad von Anfang bis Ende haben. Die Schritte in Ihren Aufgaben sind im Voraus bekannt und der Prozess ändert sich von einer Ausführung zur nächsten kaum.

Im Folgenden finden Sie Agenten-Designmuster für deterministische Workflows:

Sequenzielles Muster mit mehreren Agenten