Multi‑Agent Systems

/ladder/l3/

L3 · Multi-Agent

Spezialisten. Wer entscheidet, wer als Nächstes arbeitet?

Der Punkt, an dem Koordination zum schwersten Problem des Systems wird. Supervisoren, Übergaben, Schwärme, Blackboards — zwölf kanonische Antworten auf dieselbe Frage.

Supervisor öffnen, das kanonische Pattern Die drei Koordinations-Archetypen ansehen

Anatomie

Woraus ein L3-System besteht.

Fünf Teile bilden jedes Multi-Agenten-System: ein Koordinator, der entscheidet, wer handelt, Spezialisten mit eigenen Tools und Prompts, Kanäle, die Arbeit zwischen ihnen bewegen, Speicher, der hält, was sie teilen, und Grenzen, die festlegen, worauf jeder zugreifen darf.

Kanallesen · schreibenKOORDINATORWer entscheidet als NächstesGRENZESPEZIALIST ABegrenzte RolleGRENZESPEZIALIST BBegrenzte RolleGRENZESPEZIALIST CBegrenzte RolleSPEICHERGemeinsamer Puffer · Agentzustand

  • Koordinator · Wer den Nächsten bestimmt

    Supervisor, Leiter oder selbstorganisierende Regel.

    Das Stück des Systems, das den nächsten handelnden Agenten wählt. Kann ein Modell, eine deterministische Regel oder abwesend sein (Peers routen sich selbst).

  • Spezialist · Die begrenzte Rolle

    Ein Sub-Agent mit eigenem Prompt und Tools.

    Ein abgegrenzter Agent mit eigenem System-Prompt, Toolset und Speicher. Klein genug, um über ihn nachzudenken; groß genug, um eine Aufgabe zu erledigen.

  • Kanal · Wie sie reden

    Übergabe, Blackboard oder Message-Bus.

    Der Mechanismus, der Arbeit zwischen Spezialisten bewegt. Direkte Übergaben sind laut und nachverfolgbar; geteilte Arbeitsräume sind leise und nebenläufig.

  • Speicher · Woran sie sich erinnern

    Geteilter Scratchpad vs. Zustand pro Agent.

    Manche L3-Systeme teilen einen laufenden Kontext über Agenten hinweg; andere geben jedem Agenten seinen eigenen. Die Wahl prägt sowohl Konsistenz als auch Bleed-Risiko.

  • Grenze · Wo ein Agent endet

    Tool-Schnittstelle, Rolle und Vertrauensbereich.

    Der effektive Umkreis des Agenten — welche Tools er aufrufen kann, welche Daten er sehen kann, was er über seine Arbeit behaupten darf.

Wann diese Sprosse passt

Multi-Agent reicht aus, wenn…

Multi-Agent verdient seinen Namen, wenn Spezialisten wirklich getrennt sind — eigene Prompts, Tools und Vertrauensbereiche — und die Frage, wer als Nächstes arbeitet, das eigentlich zu lösende Problem ist.

Multi-Agent reicht aus, wenn…
  • Spezialisten unterscheiden sich wirklich in Prompt, Tools, Speicher oder Vertrauensbereich — nicht nur in Namen.
  • Welcher Agent als Nächstes sprechen soll, ist selbst die Entscheidung, die das System treffen muss.
  • Die Menge der nächsten Schritte lässt sich zur Autorenzeit nicht aufzählen, aber die Menge der Rollen schon.
  • Fehler sollten auf einen Spezialisten oder eine Übergabe lokalisiert werden, nicht auf einen einzelnen monolithischen Agenten.
…und reicht nicht, wenn
  • Eine einzelne ReAct-Schleife oder ein Workflow-DAG würde bereits genügen — gehe zurück zu L1 oder L2.
  • Spezialisten tragen nicht wirklich eigene Tools, Prompts oder Bereiche. Du benennst Rollen, statt sie zu trennen.
  • Der nächste Fehler, den du nicht debuggen kannst, ist operativ — Speicher-Bleed, durchgehende Schleife, ein fehlender Trace. Das ist L4.
  • Auditierbarkeit verlangt deterministische Schritte von Anfang bis Ende; das Modell sollte nie den nächsten Knoten wählen.

Die drei Archetypen

Zwölf Patterns, drei Formen der Kontrolle.

Jedes Multi-Agenten-Pattern beantwortet „wer entscheidet, wer als Nächstes arbeitet?“ auf eine von drei Weisen — und jede Antwort tauscht Kontrolle gegen Autonomie auf andere Weise.

  • Zentralisierte Kontrolle

    Ein Supervisor entscheidet.

    Ein Agent — Modell, Regel oder Hierarchie — wählt, wer als Nächstes arbeitet. Jede Übergabe läuft durch das Zentrum.

    AbwägungSaubere Kontrollebene und ein einziger durchgängiger Trace, im Tausch gegen einen einzigen Punkt für Koordination, Ausfall und Offenlegung privater Daten.

    • Supervisor
    • Hierarchical
    • Magentic
    • Agents-as-Tools
    • Graph-based

  • Dezentralisierte Übergabe

    Peers routen direkt.

    Kein Koordinator. Spezialisten übergeben über benannte Kanten oder lokale Regeln; der Ausführungspfad entsteht zur Laufzeit.

    AbwägungMaximale Autonomie und kein zentraler Engpass, um den Preis eines Trace, der schwer zu rekonstruieren ist, wenn etwas schiefgeht.

    • Handoff
    • Swarm

  • Geteilter Arbeitsraum

    Agenten teilen einen gemeinsamen Raum.

    Ein Blackboard, eine geteilte Konversation oder ein Markt vermittelt die Arbeit. Spezialisten lesen und schreiben die Oberfläche; Koordination erfolgt über das, was darauf steht, nicht darüber, wer wem was sagte.

    AbwägungStarke Beobachtbarkeit des Zustands, schwächere Beobachtbarkeit der Kausalität. Du siehst, was gilt — aber nicht immer, wer es dazu gemacht hat.

    • Blackboard
    • Contract Net
    • Group Chat
    • Debate

Worauf es läuft

Wie ein L3-System zusammenhält.

Multi-Agenten-Systeme laufen auf der operativen L4-Schicht genauso wie Einzelagenten — sie stützen sich nur stärker auf die Schichten, die Speicher-Partitionierung, Nachrichtentransport, menschliche Freigabe und das Zusammennähen von Traces über Spezialisten hinweg übernehmen.

  • Memory Architecture

    Konversational · Episodisch · Semantisch · Arbeitsspeicher

    Memory Architecture

    Wie Konversationsverlauf, abgeschlossene Episoden und Langzeitwissen pro Agent und pro Sitzung gespeichert und abgerufen werden.

    Warum für L3Ohne sie lecken L3-Systeme über Sitzungen hinweg. Die Wahl zwischen geteiltem Scratchpad und Zustand pro Agent wird hier entschieden.

    In L4 ansehen

  • A2A-Protokoll

    Agent-to-Agent · Framework-übergreifendes Messaging

    Tool Integration

    Ein offenes Protokoll von Google (2025), damit Agenten in verschiedenen Frameworks einander entdecken und Nachrichten austauschen.

    Warum für L3Die Patterns Handoff und Swarm werden portabel, sobald A2A den Transport übernimmt. Ohne es ist jede framework-übergreifende Übergabe maßgeschneidert.

    In L4 ansehen

  • HITL-Gate

    Human-in-the-Loop · Freigabeschritt

    Governance & Safety

    Ein Knoten, der vor dem Handeln des nächsten Spezialisten für menschliche Prüfung pausiert. Die Pause kann Sekunden oder Wochen dauern.

    Warum für L3L3-Systeme treffen autonome Entscheidungen darüber, wer als Nächstes arbeitet. HITL ist die Stelle, an der ein Mensch diese Entscheidungen freigibt, bevor sie kaskadieren.

    In L4 ansehen

  • Distributed Tracing

    Agent Tracing · Run Trees · Span Trees

    Observability & Evaluation

    Jede Übergabe, jeder Tool-Call und jede Nachricht als Span in einem einzigen Trace-Baum über alle Spezialisten hinweg aufgezeichnet.

    Warum für L3Ohne es ist ein Multi-Agenten-Fehler Archäologie. Trace-Lesbarkeit ist der Unterschied zwischen einem debugbaren L3 und einem L3, das du nur erneut ausführen kannst.

    In L4 ansehen

Patterns · 12 auf dieser Sprosse

12 Koordinations-Patterns auf dieser Sprosse.

Jede Karte ist eine wiederkehrende Antwort auf „wer entscheidet, wer als Nächstes arbeitet?“ Überfliege „Einsetzen wenn“ / „Nicht wenn“ / „Abwägung“; öffne eine Karte zur Vertiefung.

Zentralisierte Kontrolle

Ein einzelner Entscheider — oder ein von Entwicklern verdrahteter Graph — routet die Arbeit.

  • Supervisor

    alias Manager Agent · Coordinator Agent · Central Controller

    Öffnen

    Ein zentraler Agent entscheidet dynamisch, welcher spezialisierte Agent oder welches Tool als Nächstes arbeitet.

    Einsetzen wenn
    • Zentrale Kontrolle und Nachvollziehbarkeit wesentlich sind.
    • Mehrere Spezialisten koordiniert werden müssen.
    • Aufgaben dynamisch delegiert werden.
    Nicht wenn
    • Vollständig dezentralisierte Kooperation benötigt wird.
    • Der Supervisor zum Single Point of Failure zu werden droht.
    • Die Delegation für einfaches Routing statisch genug ist.
    Abwägung
    Klare operative Kontrolle wird auf Kosten eines potenziellen Koordinierungsengpasses aufrechterhalten.
    LangGraphCrewAIMicrosoft Agent FrameworkGoogle ADK+1

    Anthropic (2024) — Building Effective Agents § Orchestrator-Workers

  • Hierarchical Supervisor

    alias Multi-Level Supervisor · Manager Hierarchy · Hierarchical Teams

    Öffnen

    Mehrere Supervisoren organisieren Agenten in hierarchischen Schichten und delegieren Verantwortung für größere Teams oder komplexe Domänen.

    Einsetzen wenn
    • Die Anzahl der Agenten groß ist.
    • Domänen in Sub-Teams organisiert werden müssen.
    • Lokale Entscheidungen zentral aggregiert werden müssen.
    Nicht wenn
    • Eine kleine Anzahl von Agenten ausreicht.
    • Kommunikationspfade kurz bleiben müssen.
    • Verantwortlichkeiten nicht sauber getrennt werden können.
    Abwägung
    Skalierbare Organisationsstruktur wird gegen höhere Komplexität und längere Entscheidungspfade erkauft.
    CrewAILangGraphGoogle ADKMicrosoft Agent Framework

    Wu et al. (2023) — AutoGen: Enabling Next-Gen LLM Applications via Multi-Agent Conversation

  • Magentic

    alias Magentic-One Style Orchestration · Generalist Multi-Agent Team

    Öffnen

    Ein Ensemble spezialisierter Agenten kombiniert Planung, ein Aufgabenregister, Delegation und Neuplanung für langfristige, komplexe Ziele.

    Einsetzen wenn
    • Aufgaben offen, mehrstufig und tool-intensiv sind.
    • Mehrere Spezialisten über lange Zeiträume mit hoher Autonomie agieren müssen.
    Nicht wenn
    • Ein einfacher Workflow ausreicht.
    • Prüfbarkeit deterministische Schritte erfordert.
    • Betriebskosten streng begrenzt sind.
    Abwägung
    Enorme Aufgabenabdeckung wird auf Kosten außergewöhnlich hoher Betriebs- und Orchestrierungskomplexität gewonnen.
    Microsoft Agent FrameworkAutoGen / AG2LangGraph

    Fourney et al. (2024) — Magentic-One: A Generalist Multi-Agent System for Solving Complex Tasks

  • Agents-as-Tools

    alias Agent Tools · Callable Agents · Specialist-as-Tool

    Öffnen

    Ein orchestrierender Agent ruft andere Agenten genau wie Tools auf und verbirgt deren interne Logik und Koordination hinter einer standardisierten Tool-Schnittstelle.

    Einsetzen wenn
    • Spezialisten gekapselt werden müssen.
    • Der Hauptagent absolute Kontrolle behalten muss.
    • Sicherheitsgrenzen strikt getrennt sein müssen.
    Nicht wenn
    • Gleichberechtigte Zusammenarbeit erforderlich ist.
    • Spezialisten langfristige Autonomie benötigen.
    • Schnittstellenverträge instabil sind.
    Abwägung
    Hervorragende Kapselung wird auf Kosten eingeschränkter Unabhängigkeit der Sub-Agenten erreicht.
    AWS StrandsOpenAI Agents SDKLangGraphMicrosoft Agent Framework+1

    OpenAI (2024) — Agents SDK § Tools and Handoffs

  • Graph-based Orchestration

    alias Agent Graph · State Graph Orchestration

    Öffnen

    Agentenkoordination, Tools und Zustandsübergänge werden als expliziter, ausführbarer Zustandsgraph aus Knoten und Kanten modelliert. Er komponiert die zwei Workflow-Lockerungen — bedingte Kanten (Routing) und begrenzte Zyklen (Loop) — über einer geschlossenen Knotenmenge mit validiertem Zustandsschema.

    Einsetzen wenn
    • Koordination vollständig nachverfolgbar und testbar sein muss.
    • Komplexe Abläufe mit Zyklen und strikten Bedingungen stabil in Produktion laufen müssen.
    Nicht wenn
    • Ein linearer Workflow ausreicht.
    • Graph-Wartung den Nutzen überwiegt.
    • Emergenz gegenüber expliziter Steuerung bevorzugt wird.
    Abwägung
    Extreme Vorhersagbarkeit und Steuerbarkeit werden auf Kosten erheblichen Modellierungsaufwands gewonnen.
    LangGraphAWS StrandsMicrosoft Agent FrameworkGoogle ADK

    Zhuge et al. (2024) — GPTSwarm: Language Agents as Optimizable Graphs

  • Exploration & Discovery

    alias Deep Research · Research Agent · Deep Research Agent

    Öffnen

    Ein Recherche-Agent kartiert einen Wissensraum, gruppiert Befunde, wählt Leads nach Neuheit, Wirkung und Durchführbarkeit aus, vertieft die vielversprechenden und synthetisiert einen zitierten Bericht — koordiniert als Orchestrator über parallele Such- und Teilthemen-Agenten.

    Einsetzen wenn
    • Die Aufgabe offene Recherche, Wettbewerbsanalyse oder Literatur-/F&E-Synthese über viele Quellen ist.
    • Breite und Neuheit wichtiger sind als eine einzelne Abfrage.
    • Befunde synthetisiert und zitiert werden müssen, nicht nur abgerufen.
    Nicht wenn
    • Die Antwort eine begrenzte Abfrage oder ein einzelner Abruf ist.
    • Kosten- und Latenzbudgets eng sind — dieses Pattern ist ressourcenintensiv.
    • Der Wissensraum klein genug für einen einzigen Durchgang ist.
    Abwägung
    Breite, Neuheit und Synthesequalität werden bei hohen Token- und Latenzkosten gewonnen; es braucht starke Stoppkriterien, um unbegrenzte Erkundung zu vermeiden.
    LangGraphOpenAI Deep ResearchPerplexity / Gemini Deep Research

    Anthropic (2025) — How we built our multi-agent research system

Dezentralisierte Übergabe

Peers routen ohne zentrale Autorität zueinander.

  • Handoff

    alias Transfer of Control · Agent Transfer · Delegated Turn

    Öffnen

    Ein Agent überträgt Kontrolle und relevanten Kontext vollständig an einen anderen Spezialisten.

    Einsetzen wenn
    • Verantwortung klar zwischen Spezialisten wechselt.
    • Nutzerinteraktionen zum passenden Agenten wechseln müssen.
    • Sicherheitsgrenzen pro Agent gelten.
    Nicht wenn
    • Mehrere Agenten gleichzeitig beitragen müssen.
    • Die Kontrolle bei einem zentralen Supervisor verbleiben muss.
    • Kontextübertragung nicht zuverlässig begrenzt werden kann.
    Abwägung
    Klare Verantwortungsübertragung wird mit dem Risiko erkauft, beim Handoff wichtigen Kontext zu verlieren.
    OpenAI Agents SDKMicrosoft Agent FrameworkLangGraphGoogle ADK

    OpenAI (2024) — Swarm: Lightweight Multi-Agent Orchestration

  • Swarm

    alias Decentralized Agents · Peer Agent Swarm · Emergent Coordination

    Öffnen

    Agenten koordinieren sich dezentral über lokale Regeln, Nachrichten und Handoffs, sodass der Ausführungspfad zur Laufzeit entsteht.

    Einsetzen wenn
    • Dezentralisierte Erkundung gewünscht ist.
    • Aufgaben adaptiv verteilt werden können.
    • Zentrale Kontrolle zu starr wäre.
    Nicht wenn
    • Strikte Nachvollziehbarkeit erforderlich ist.
    • Nachrichten-Floods verhindert werden müssen.
    • Klare Verantwortlichkeit emergentes Verhalten überwiegt.
    Abwägung
    Hohe Anpassungsfähigkeit wird auf Kosten geringerer Vorhersagbarkeit und schwieriger Fehlersuche erkauft.
    LangGraphAWS StrandsMicrosoft Agent FrameworkAutoGen / AG2

    OpenAI (2024) — Swarm: Lightweight Multi-Agent Orchestration

Geteilter Arbeitsraum & Märkte

Koordination über einen geteilten Arbeitsraum, eine Konversation oder einen Bietmechanismus.

  • Blackboard

    alias Shared Workspace · Blackboard Architecture · Shared State Coordination

    Öffnen

    Agenten koordinieren sich indirekt über eine gemeinsame Zustandsablage, in der Ergebnisse, Hypothesen und Aufgaben hinterlegt werden, anstatt direkte Nachrichten auszutauschen.

    Einsetzen wenn
    • Viele Agenten asynchron beitragen.
    • Gemeinsamer Zustand wichtiger ist als direkte Konversation.
    • Zwischenergebnisse persistent bleiben müssen.
    Nicht wenn
    • Strenge lineare Steuerung erforderlich ist.
    • Zustandskonsistenz nicht garantiert werden kann.
    • Ein einfacher Chat-Kontext ausreicht.
    Abwägung
    Hochgradig entkoppelte Zusammenarbeit wird auf Kosten anspruchsvoller Zustandsverwaltung und Konsistenzanforderungen erreicht.
    LangGraphAWS StrandsMicrosoft Agent FrameworkAutoGen / AG2

    Engelmore & Morgan (1988) — Blackboard Systems

  • Contract Net

    alias Task Bidding · Auction-based Agents · Price-based Coordination

    Öffnen

    Koordination erfolgt über Gebote oder Preissignale: Ein Agent sendet eine Aufgabe aus, und andere bieten basierend auf ihren Fähigkeiten, Kosten oder ihrem Nutzen.

    Einsetzen wenn
    • Aufgaben dynamisch verteilt werden müssen.
    • Agenten unterschiedliche Kapazitäten oder Kosten besitzen.
    • Priorisierung auf Nutzensignalen beruht.
    Nicht wenn
    • Delegation festgelegt ist.
    • Bieten mehr Overhead als Wert erzeugt.
    • Compliance strikte regelbasierte Zuweisung vorschreibt.
    Abwägung
    Skalierbare und flexible Ressourcenzuweisung wird auf Kosten der schwierigen Gestaltung von Anreiz- und Auktionsstrukturen gewonnen.
    LangGraphAutoGen / AG2AWS Strands

    Smith (1980) — The Contract Net Protocol

  • Group Chat

    alias Multi-Agent Chat · Round-Robin Conversation · Shared Conversation

    Öffnen

    Agenten kommunizieren in einem gemeinsamen Gesprächsraum und bauen im Round-Robin-, Zufalls- oder gleichzeitigen Verfahren aufeinander auf.

    Einsetzen wenn
    • Perspektiven sichtbar zusammengeführt werden müssen.
    • Diskussion Teil des Lösungsprozesses ist.
    • Rollen flexibel interagieren müssen.
    Nicht wenn
    • Ein deterministischer Ablauf erforderlich ist.
    • Das Token-Budget stark eingeschränkt ist.
    • Verantwortlichkeiten streng isoliert bleiben müssen.
    Abwägung
    Reichhaltige Interaktion wird gegen hohe Token-Kosten und schwierige Ablaufsteuerung erkauft.
    AutoGen / AG2Microsoft Agent FrameworkGoogle ADKLangGraph

    Wu et al. (2023) — AutoGen: Enabling Next-Gen LLM Applications via Multi-Agent Conversation

  • Multi-Agent Debate

    alias Debate · Adversarial Agents · Deliberation

    Öffnen

    Agenten vertreten verschiedene Positionen und verhandeln Ergebnisse kritisch aus, bevor eine abschließende Entscheidung synthetisiert wird.

    Einsetzen wenn
    • Das Problem kontroverse Beurteilungen erlaubt.
    • Gegenargumente helfen, logische Schwächen aufzudecken.
    • Entscheidungen eine strenge Verifikation erfordern.
    Nicht wenn
    • Fakten leicht überprüfbar sind.
    • Eine Debatte künstliche Konflikte erzeugen würde.
    • Latenzbudgets eng sind.
    Abwägung
    Eine strenge Verifikation schwieriger Entscheidungen wird auf Kosten erhöhten Aufwands und des Risikos einer Überdiskussion erreicht.
    AutoGen / AG2LangGraphMicrosoft Agent FrameworkGoogle ADK

    Du et al. (2023) — Improving Factuality and Reasoning in Language Models through Multiagent Debate

Anti-Patterns

Wie diese Sprosse schiefgeht.

  • #06

    God Orchestrator

    SymptomEin einziger Punkt für Koordination, Ausfall — und für die Exposition privater Daten.

    BehebungDezentralisierter Stern. Prompt und Tools des Orchestrators klein halten; Arbeit in Spezialisten auslagern.

  • #07

    Cascading Security Failures

    SymptomEin vergiftetes Dokument in einem gemeinsamen Index kontaminiert jeden nachgelagerten Konsumenten. Prompt-Injection propagiert über Übergaben.

    BehebungJede Agent-zu-Agent-Nachricht als Vertrauensgrenze behandeln. Wissensdatenbanken nach Vertrauensniveau partitionieren.

  • #02

    Hidden State in Prompts

    von L1

    SymptomVerhalten driftet über lange Gespräche. Fehler reproduzieren sich nur sporadisch.

    BehebungPydantic-v2-Zustand an jeder Knotengrenze. Zusätzliche Attribute verbieten. Zustand gehört in den Code.

  • #04

    Tool Explosion

    von L1

    SymptomDie Tool-Auswahlgenauigkeit bricht ein. Das Modell halluziniert Aufrufe und Parameternamen.

    BehebungMinimal-Rechte pro Rolle. Große Kataloge hinter einer Tool Registry plus Capability-Routing absichern.

Frameworks

Worauf du das aufbaust.

LangGraphpython
from langgraph.graph import StateGraph, END

def supervisor(state):
    # LLM picks the next agent by name — or "done"
    choice = llm.choose_next(
        history=state["messages"],
        options=["shipping", "refunds", "tech", "done"],
    )
    return {"next": choice}

graph = StateGraph(State)
graph.add_node("supervisor", supervisor)
graph.add_node("shipping", shipping_agent)
graph.add_node("refunds", refunds_agent)
graph.add_node("tech", tech_agent)

graph.add_conditional_edges("supervisor",
    lambda s: s["next"],
    {"shipping": "shipping", "refunds": "refunds",
     "tech": "tech",   "done": END})

# Each specialist returns control to the supervisor:
for spec in ["shipping", "refunds", "tech"]:
    graph.add_edge(spec, "supervisor")

graph.set_entry_point("supervisor")

Vertiefung

Wer entscheidet, wer als Nächstes arbeitet?

Die definierende Frage von L3 ist Koordination, nicht Fähigkeit. Jeder Spezialist kann seine Aufgabe erledigen; das Verhalten des Systems hängt davon ab, wie sie sequenziert werden und was sie teilen. Drei kanonische Antworten kehren wieder: zentralisiert (ein Supervisor oder eine Hierarchie entscheidet Übergaben), dezentralisiert (Peers übergeben direkt über benannte Kanten oder selbstorganisierende Regeln) und geteilter Arbeitsraum (ein Blackboard, eine geteilte Konversation oder ein Markt, wo Agenten Arbeit veröffentlichen und konsumieren). Sie unterscheiden sich darin, wo der einzelne Ausfallpunkt liegt und wie lesbar der resultierende Trace ist.

Bei der Wahl geht es selten um Technologie und fast immer darum, welchen Fehlermodus du tolerieren kannst. Ein Supervisor gibt dir eine saubere Kontrollebene und einen einzelnen Engpass. Ein Schwarm gibt dir keinen Engpass und keine klare Geschichte, wenn etwas schiefgeht. Ein Blackboard gibt dir Beobachtbarkeit des Zustands um den Preis der Beobachtbarkeit der Kausalität. Wähle danach, welche Frage du um 2 Uhr nachts am dringendsten beantworten musst.

Du wächst aus L3 heraus, wenn der nächste Fehler operativ ist, nicht koordinativ — ein Speicher-Bleed über Sitzungen hinweg, eine durchgehende Schleife, aus der du dich nicht herauscheckpointen kannst, ein fehlender Trace, der die Triage in Archäologie verwandelt. An diesem Punkt hört die Frage auf, „wer entscheidet, wer als Nächstes arbeitet“ zu sein, und wird zu „wie läuft das System im Alltag“. Das ist L4.

Das Spiegelbild liegt eine Sprosse tiefer. Orchestrator-Workers (L2) hat ebenfalls einen zentralen Knoten, der delegiert — dort ist das Auffächern aber eine verfasste Code-Struktur über kurzlebige Worker. Was den Supervisor zu L3 macht, ist, dass der Koordinator selbst ein dauerhafter Agent ist, der dauerhafte Spezialisten routet, und dass zur Laufzeit entschieden wird, welcher Agent als Nächstes arbeitet — nicht vorab als Kante gezeichnet.

Wann aufsteigen

Der nächste Fehler, den du nicht debuggen kannst, ist operativ.

Koordination funktioniert — aber Speicher leckt über Sitzungen hinweg, eine Schleife läuft durch, ein Trace fehlt, ein Tool leckt. Das sind keine Koordinationsfehler; sie sind die operative Schicht, auf der jede Sprosse bereits stand. Diese Schicht ist L4.

Hinauf zu L4 — Produktion

Quellen

Wo diese Sprosse zuerst niedergeschrieben wurde.

Die L1–L4-Leiter ist ein didaktisches Konstrukt dieses Projekts — eine Art, den Katalog zu ordnen, kein externes Modell. Ihr Workflow-vs-Agent-Schnitt (L2↔L3) folgt Anthropics Building Effective Agents (2024); die Patterns jeder Sprosse tragen ihre eigenen Primärquellen.

Suche

Patterns, Frameworks und Seiten durchsuchen.