Einblicke von Anthropic in ihr Multi-Agent-Research-System

Die KI-Landschaft entwickelt sich rasant weiter, KI-Agenten werden als die viel versprechendste Entwicklung gesehen: Anthropic hat mit ihrem Multi-Agenten-Forschungssystem einen Durchbruch erzielt und gleich mehrere Agenten zum Arbeiten gebracht.

In einem detaillierten Einblick vom 13. Juni 2025 enthüllt das Unternehmen, wie sie mehrere Claude-Agenten orchestrieren, um komplexe Forschungsaufgaben zu bewältigen – mit beeindruckenden Ergebnissen.

Die Revolution der kollektiven KI-Intelligenz

Was macht Multi-Agenten-Systeme so besonders? Ähnlich der kollektiven Intelligenz menschlicher Gesellschaften können Agentengruppen mehr erreichen als einzelne. Anthropics System besteht aus mehreren Claude-Agenten, die autonom Tools verwenden und zusammenarbeiten, um anspruchsvolle Aufgaben zu bewältigen.

Das Herzstück bildet eine Orchestrator-Worker-Architektur:

1. Ein Lead-Agent koordiniert den gesamten Prozess, analysiert Benutzeranfragen und entwickelt eine Strategie.
2. Spezialisierte Subagenten operieren parallel, sammeln Informationen durch Web-Suchen und andere Tools, und senden ihre Erkenntnisse zurück.

Diese Architektur ermöglicht es, verschiedene Aspekte einer Frage gleichzeitig zu erforschen.

Quelle: Anthropic

Beeindruckende Leistungssteigerungen

Ein System mit Claude Opus 4 als Lead-Agent und Claude Sonnet 4 Subagenten übertraf ein einzelnes Claude Opus 4 um 90,2 % bei internen Forschungsevaluierungen. Besonders effektiv zeigt sich das System bei „Breadth-First“-Anfragen, die das Verfolgen mehrerer unabhängiger Richtungen gleichzeitig erfordern.

Der Schlüssel zum Erfolg liegt hauptsächlich in der Token-Nutzung: Das System wendet genügend Tokens auf, um komplexe Probleme zu lösen. Token-Nutzung allein erklärt 80 % der Leistungsabweichung. Multi-Agenten-Architekturen skalieren effektiv die Token-Nutzung für Aufgaben, die die Grenzen einzelner Agenten überschreiten.

Die Vorteile im Überblick

• Flexibilität bei unvorhersehbaren Aufgaben: Forschungsarbeit ist von Natur aus dynamisch und unvorhersehbar. Die Unvorhersehbarkeit macht KI-Agenten besonders gut geeignet für Forschungsaufgaben, da sie die Flexibilität bieten, den Ansatz zu ändern oder Verbindungen zu erforschen.
• Parallelisierung und Kompression: Subagenten ermöglichen die Kompression, indem sie parallel mit eigenen Kontextfenstern arbeiten und die wichtigsten Informationen für den führenden Forschungsagenten zusammenfassen.
• Trennung der Anliegen: Jeder Subagent bietet eine klare Trennung mit eigenen Tools, Prompts und Explorationsstrategien. Dies reduziert Pfadabhängigkeiten und ermöglicht gründliche, unabhängige Untersuchungen.

Die Kehrseite der Medaille

Neben all den beeindruckenden Ergebnissen, gibt es aber auch eine Kehrseite, wenn man so ein Multi-Level-Agent-System aufsetzt:

• Hoher Token-Verbrauch: Der Erfolg hat seinen Preis. Agenten nutzen etwa 4x mehr Tokens als Chat-Interaktionen, und Multi-Agenten-Systeme verbrauchen etwa 15x mehr Tokens als normale Chats. Dies erfordert Aufgaben mit hohem Wert, um die Kosten zu rechtfertigen.
• Koordinationsherausforderungen: Multi-Agenten-Systeme weisen ein rasches Wachstum der Koordinationskomplexität auf. Frühe Versionen machten Fehler wie das Erzeugen von 50 Subagenten für einfache Anfragen oder die endlose Suche nach nicht existierenden Quellen.
• Eingeschränkte Anwendbarkeit: Systeme, die erfordern, dass alle Agenten denselben Kontext teilen oder viele Abhängigkeiten zwischen Agenten aufweisen, sind derzeit ungeeignet. Die meisten Kodierungsaufgaben sind weniger parallelisierbar als Forschung.

Der Workflow im Detail

Das System folgt einem strukturierten Ablauf:

1. Anfrageverarbeitung: Der/die Benutzer:in stellt eine komplexe Forschungsanfrage
2. Strategieentwicklung: Der LeadResearcher plant den Ansatz und speichert den Plan im Memory
3. Agentenerstellung: Spezialisierte Subagenten werden mit spezifischen Forschungsaufgaben erstellt
4. Parallele Forschung: Jeder Subagent führt unabhängig Recherchen durch und bewertet Tool-Ergebnisse
5. Synthese: Der LeadResearcher synthetisiert die Ergebnisse und entscheidet über weitere Schritte
6. Zitationsverarbeitung: Ein CitationAgent verarbeitet alle Quellen und Zitate
7. Ergebnislieferung: Die finalen Forschungsergebnisse werden an den Benutzer zurückgegeben

Prompt Engineering als Schlüssel zum Erfolg

Anthropic identifiziert Prompt Engineering als den primären Hebel zur Verbesserung des Agentenverhaltens. Ihre wichtigsten Erkenntnisse:

„Denken wie die Agenten“: Simulationen helfen, Fehlermodi zu erkennen, etwa Agenten, die weitermachen, obwohl sie genug Ergebnisse haben.

Delegation lehren: Der Lead-Agent muss Anfragen in klare Unteraufgaben zerlegen und diese detailliert an Subagenten beschreiben. Vage Anweisungen führen zu doppelter Arbeit oder Lücken.

Aufwand an Komplexität anpassen: Prompts enthalten Skalierungsregeln. Einfache Faktenfindung benötigt einen Agenten mit 3-10 Tool-Aufrufen, komplexe Forschung erfordert über 10 Subagenten.

Weit beginnen, dann eingrenzen: Die Suchstrategie sollte menschlicher Forschung ähneln – erst das Feld erkunden, dann in Details gehen.

Multi-Agenten-Systeme im Marketing: Von der Theorie zur Praxis

Trotz vieler Herausforderungen haben sich Multi-Agenten-Systeme für offene Forschungsaufgaben als wertvoll erwiesen.

Multi-Agenten-Forschungssysteme könnten also mit sorgfältiger Technik, umfassenden Tests, detailorientiertem Prompt- und Tool-Design, robusten Betriebsabläufen und einer engen Zusammenarbeit zwischen Forschungs-, Produkt- und Technikteams, zuverlässig in großem Maßstab betrieben werden.

Anwendungsfälle fürs Marketing

Die Anthropic-Erkenntnisse lassen sich direkt auf Marketing-Herausforderungen übertragen. Multi-Agenten-Systeme bieten enormes Potenzial für komplexe Marketing-Workflows, die von „Breadth-First“-Recherche profitieren.

Konkrete Anwendungsszenarien

Eine Agent-Architektur für das Marketing könnte so aussehen: Lead Marketer Agent + spezialisierte Agenten (Content, Data, Competitive Intelligence) + Synthesis Agent für actionable Recommendations.

• Competitive Intelligence: Ein Lead-Agent koordiniert spezialisierte Sub-Agenten für Preisanalyse, Content-Marketing, Social Media und PR-Aktivitäten. Statt sequenzieller Recherche erhält der Marketer binnen Minuten eine 360°-Konkurrenzanalyse.
• Multi-Market Campaign Development: Bei der Expansion koordiniert ein Orchestrator-Agent regionale, rechtliche, Channel- und Competition-Analysen parallel.
• Crisis Communication: Monitoring-, Response-, Stakeholder- und Legal-Agenten bearbeiten verschiedene Aspekte einer PR-Krise gleichzeitig.

Fazit: Der Weg nach vorn

Der Weg vom Prototyp zum zuverlässigen Produktionssystem ist bei KI-Agenten oft länger als erwartet, da kleine Fehler kaskadierende, unvorhersehbare Auswirkungen haben können. Dennoch haben sich Multi-Agenten-Systeme als wertvoll für offene Forschungsaufgaben erwiesen.

Der Erfolg erfordert:

• Sorgfältige Technik und umfassende Tests
• Detailliertes Prompt- und Tool-Design
• Robuste Betriebsverfahren
• Enge Zusammenarbeit zwischen Forschungs-, Produkt- und Engineering-Teams

Anthropics Erkenntnisse bieten eine wertvolle Roadmap für alle, die eigene Multi-Agenten-Systeme entwickeln möchten. Die Technologie steht noch am Anfang, aber die bisherigen Ergebnisse zeigen das enorme Potenzial kollektiver KI-Intelligenz.

Mit der kontinuierlichen Weiterentwicklung von KI-Modellen und der Verfeinerung von Multi-Agenten-Architekturen können wir erwarten, dass diese Systeme in Zukunft noch leistungsfähiger und effizienter werden. Die Zukunft der KI liegt nicht nur in einzelnen, immer intelligenteren Agenten, sondern in ihrer Fähigkeit, zusammenzuarbeiten und kollektive Intelligenz zu entwickeln.

Für einen Deep-Dive in das Thema, finden Sie mehr auf dem Blog von Anthropic. How we built our multi-agent research system