Multi-Agent-Frameworks

LLM-basierte Multi-Agenten-Frameworks sind Softwareplattformen, die es mehreren autonomen KI-Agenten, die auf großen Sprachmodellen (LLM) basieren, ermöglichen, miteinander zu interagieren, um komplexe Aufgaben gemeinsam zu lösen. In solchen Systemen liegt der Schwerpunkt auf der Vielfalt der Agentenprofile, ihrer Kommunikation und der kollektiven Entscheidungsfindung. Der Ansatz nutzt die „kollektive Intelligenz“ einer Gruppe, in der jeder Agent eine spezialisierte Rolle übernimmt und der Nachrichtenaustausch zwischen ihnen die Zusammenarbeit von Menschen nachahmt.

Dies ermöglicht die Modellierung komplexer realer Szenarien und die Lösung von Aufgaben, die die Fähigkeiten eines einzelnen intelligenten Agenten übersteigen. LLM-basierte Multi-Agenten-Systeme zeigen bereits erfolgreiche Ergebnisse in Bereichen wie Softwareentwicklung, sozialen Simulationen, Wirtschaftsspielen und der Modellierung politischer Diskussionen.

Schlüsselframeworks und Ansätze

Die Entwicklung von Multi-Agenten-Systemen hat zur Entstehung einer Reihe von Open-Source-Frameworks geführt, die deren Erstellung und Erforschung erleichtern.

MetaGPT (2023)

Eines der ersten Open-Source-Frameworks, das auf die Zusammenarbeit nach dem „Fließband“-Prinzip (assembly line) ausgerichtet ist. MetaGPT implementiert Standardarbeitsanweisungen (SOPs) im System und weist jedem Agenten eine bestimmte Rolle zu (z. B. Produktmanager, Ingenieur, Tester). Dieser Ansatz ermöglicht es, eine komplexe Aufgabe in Teilaufgaben zu zerlegen und diese auf spezialisierte Agenten zu verteilen, was die Chaotik und das Risiko von Halluzinationen reduziert.

CAMEL (2023)

Das Framework CAMEL (Communicative Agents for "Mind" Exploration) konzentriert sich auf die autonome Interaktion von Agenten durch Dialog. Es schlägt die Methode des Inception Prompting vor, um die Konversation zwischen LLM-Agenten zu koordinieren und sie auf ein gemeinsames Ziel auszurichten. Jedem Agenten werden eine Rolle und ein Kontext zugewiesen, woraufhin die Agenten in natürlicher Sprache kommunizieren und schrittweise eine gemeinsame Lösung erarbeiten. CAMEL hat sich in Szenarien, die eine Kooperation ohne direktes menschliches Eingreifen erfordern, als effektiv erwiesen.

AutoGen (2023)

Ein universelles und anpassbares Framework von Microsoft-Forschern, das für die Erstellung komplexer Anwendungen auf Basis der Kommunikation mehrerer LLMs entwickelt wurde. AutoGen ermöglicht die Programmierung der Interaktionslogik von Agenten sowohl durch Code als auch in natürlicher Sprache. Es unterstützt die Integration mit externen Werkzeugen und APIs, was es für eine breite Palette von Aufgaben geeignet macht – von der Softwareentwicklung bis zur Erstellung von Dialogsystemen.

AgentVerse (2023)

Eine offene Plattform, die von der OpenBMB-Community entwickelt wurde, um die dynamische Zusammenarbeit und das emergente Verhalten von Agenten zu untersuchen. AgentVerse bietet zwei Betriebsmodi:

1. Aufgabenlösung (task-solving): Mehrere LLM-Agenten schließen sich zu einem Team zusammen, um eine komplexe Aufgabe zu erledigen (z. B. gemeinsame Softwareentwicklung).
2. Umgebungssimulation (simulation): Ermöglicht es dem Benutzer, eine virtuelle Umgebung zu definieren und die Interaktion der Agenten zu beobachten (z. B. die Simulation eines Klassenzimmers oder des Gefangenendilemmas).

Die Plattform betont die Bedeutung einer standardisierten Umgebung und von Kommunikationsprotokollen für eine gesteuerte Interaktion.

CrewAI (2024)

Ein Framework, das sich auf die Integration von LLM-Agenten in Geschäftsprozesse und die Datenanalyse konzentriert. CrewAI implementiert das Konzept des AI-Based Agents Workflow (AgWf), bei dem Agenten Schritte ausführen, die als Textanweisungen beschrieben sind, und externe Werkzeuge (Python-Klassen/Funktionen) verwenden können. Dies ermöglicht die Automatisierung komplexer analytischer Szenarien, indem die Flexibilität von LLMs mit deterministischem Code kombiniert wird.

LangGraph (2024)

Ein experimentelles Framework, das Graphenstrukturen zur Darstellung von Zustand und Kontext in Dialogen mit LLMs verwendet. Das Hauptmerkmal von LangGraph ist die Unterstützung für zyklische Arbeitsabläufe. Dies ermöglicht es Agenten, Daten über einen gemeinsamen Wissensgraphen auszutauschen, iterativ nach Informationen zu suchen, deren Zuverlässigkeit zu bewerten und Antworten zu korrigieren. Dies ist besonders nützlich bei Aufgaben der Informationssuche (QA) mit einer erweiterten Wissensdatenbank.

Andere Projekte

Große Aufmerksamkeit erregten auch die experimentellen Projekte AutoGPT und AgentGPT, die das Potenzial vollständig autonomer KI-Agenten demonstrierten, die in der Lage sind, selbstständig Ziele zu setzen, im Internet zu suchen, Code auszuführen und Dateien zu verwalten. Obwohl diese Projekte kein wissenschaftliches Peer-Review durchlaufen haben, unterstrichen sie die Bedeutung von Planungs-, Gedächtnis- und Werkzeugkomponenten für die Entwicklung wirklich eigenständiger Agenten.

Anwendung von Multi-Agenten-Systemen

• Automatisierung der Softwareentwicklung: Gruppen von LLM-Agenten übernehmen die Rollen von Managern, Programmierern und Testern, um gemeinsam Softwareprojekte zu planen und umzusetzen. Die Studie ChatDev zeigte, dass ein Team aus vier Agenten in der Lage war, in wenigen Minuten eine einfache Anwendung zu erstellen, indem es in allen Phasen, von der Aufgabenstellung bis zum Testen, einen Dialog führte.
• Intelligente Assistenten: Unternehmensprodukte wie Microsoft 365 Copilot und IBM Watsonx Orchestrate nutzen mehrere Agenten zur Erledigung komplexer Aufgaben, bei denen ein Agent die Anfrage bearbeitet, ein anderer Fakten aus einer Datenbank extrahiert und ein dritter einen Bericht erstellt.
• Wissenschaftliche Forschung: Agenten werden zur Generierung und Kritik von Hypothesen eingesetzt. Bei Ansätzen wie Guided Debate oder Self-Refine schlägt ein Agent eine Lösung vor, während ein anderer sie bewertet und korrigiert, was dazu beiträgt, die Fehlerzahl zu reduzieren.
• Soziale Modellierung und virtuelle Welten: Im wegweisenden Projekt Generative Agents simulierten Dutzende von LLM-Agenten, die mit Persönlichkeiten und Gedächtnis ausgestattet waren, das Leben in einer kleinen virtuellen Stadt und zeigten dabei glaubwürdiges soziales Verhalten. Solche Simulationen können in Spielen (zur Erstellung realistischer NPCs), im Bildungswesen und in den Sozialwissenschaften Anwendung finden.

Herausforderungen und Perspektiven

Trotz der Erfolge stehen Multi-Agenten-Systeme vor einer Reihe ernsthafter Probleme:

• Halluzinationen und kaskadierende Fehler: Ein von einem Agenten gemachter Fehler kann an andere weitergegeben werden, die ihn als Grundlage für ihre Überlegungen verwenden, was die Leistung der gesamten Gruppe beeinträchtigt.
• Skalierbarkeit und Ressourcenintensität: Jeder LLM-basierte Agent benötigt erhebliche Rechenressourcen. Der gleichzeitige Betrieb von Dutzenden von Agenten ist eine komplexe technische Herausforderung.
• Koordination und Steuerung: Mit steigender Anzahl von Agenten wächst das Risiko von Chaos. Es sind durchdachte „Orchestrierungs“-Mechanismen erforderlich, um ihre Interaktion zu steuern.
• Evaluierung und Testen: Es fehlen allgemein anerkannte Benchmarks für den objektiven Vergleich verschiedener Multi-Agenten-Frameworks.

In Zukunft wird die Entwicklung effizienterer und sichererer multimodaler Systeme erwartet, in denen Agenten nicht nur Text, sondern auch Bilder und andere Daten austauschen können. Die Einführung von bestärkendem Lernen könnte Agentengruppen beibringen, sich im Laufe der Zeit besser zu koordinieren und so den Effekt der „kollektiven Intelligenz“ zu erzielen. Letztendlich sind Multi-Agenten-Frameworks ein Schritt hin zur Schaffung flexiblerer und leistungsfähigerer KI-Systeme, in denen zahlreiche spezialisierte „Intelligenzen“ zusammenarbeiten.

Weblinks

• Überblicksartikel: Large Language Model based Multi-Agents (2024)
• Überblicksartikel: LLMs Working in Harmony (2025)

Literatur

• Yao, S. et al. (2022). ReAct: Synergizing Reasoning and Acting in Language Models. arXiv:2210.03629.
• Hong, S. et al. (2023). MetaGPT: Meta Programming for a Multi-Agent Collaborative Framework. arXiv:2308.00352.
• Li, G. et al. (2023). CAMEL: Communicative Agents for "Mind" Exploration of Large Language Model Society. arXiv:2303.17760.
• Wu, Q. et al. (2023). AutoGen: Enabling Next-Gen LLM Applications via Multi-Agent Conversation. arXiv:2308.08155.
• Liu, X. et al. (2023). AgentBench: Evaluating LLMs as Agents. arXiv:2308.03688.
• Yao, S. et al. (2023). Tree of Thoughts: Deliberate Problem Solving with Large Language Models. arXiv:2305.10601.
• Shinn, N. et al. (2023). Reflexion: Language Agents with Verbal Reinforcement Learning. arXiv:2303.11366.
• Chen, W. et al. (2023). AgentVerse: Facilitating Multi-Agent Collaboration and Exploring Emergent Behaviors. arXiv:2308.10848.
• Park, J. S. et al. (2023). Generative Agents: Interactive Simulacra of Human Behavior. arXiv:2304.03442.
• Guo, T. et al. (2024). Large Language Model Based Multi-Agents: A Survey of Progress and Challenges. arXiv:2402.01680.
• Chen, Q. et al. (2024). ChatDev: Communicative Agents for Software Development. arXiv:2307.07924.
• Duan, Z.; Wang, J. (2024). Exploration of LLM Multi-Agent Application Implementation Based on LangGraph + CrewAI. arXiv:2411.18241.
• Aratchige, R. M.; Ilmini, W. M. K. S. (2025). LLMs Working in Harmony: A Survey on the Technological Aspects of Building Effective LLM-Based Multi-Agent Systems. arXiv:2504.01963.