Was ist Agent Orchestration?

📋 Auf einen Blick

Agent Orchestration koordiniert mehrere spezialisierte AI-Agenten. Ein Manager-Agent delegiert Aufgaben an Worker. Kommunikation läuft über einen Nachrichtenbus (z.B. Team-Chat). Vorteile: Parallelisierung, Spezialisierung, Auditierbarkeit — alles lokal und DSGVO-konform.

Agent Orchestration koordiniert mehrere AI-Agenten, die gemeinsam komplexe Aufgaben abarbeiten. Du hast nicht nur einen Chat, sondern ein Team aus spezialisierten Agenten mit klaren Rollen.

Agent Orchestration Diagram — Manager delegiert an spezialisierte Worker-Agenten — Agent Orchestration: Wie ein Manager-Agent Aufgaben an spezialisierte Worker verteilt

Das Problem mit einem einzelnen LLM

Ein einzelnes Large Language Model (LLM) wie ChatGPT kann viele Aufgaben erledigen, aber es hat klare Grenzen:

Kein dauerhaftes Gedächtnis zwischen Sitzungen
Kann keine Codeänderungen selbst ausführen
Hat keinen Zugriff auf deine Infrastruktur
Arbeitet isoliert — kein Teamwork möglich

Die Lösung: Multi-Agent System

Bei Agent Orchestration erstellst du mehrere spezialisierte Agenten, die jeweils eine spezifische Rolle haben:

Beispiel: Agent-Team

Agent	Rolle
Manager-Agent	Manager — Priorisierung, Freigaben
Developer-Agent	Frontend/App/CI — Next.js, Tests
Infrastructure-Agent	Backend/Infra — n8n, Docker, Monitoring
QA-Agent	QA/Content — Testing, Research

Kommunikation

Die Agenten kommunizieren über einen zentralen Bus. Bei uns ist der Team-Chat. Jeder Agent hat eigene Polling-Skripte, die auf für ihn relevante Nachrichten reagieren.

Kommunikationsfluss

1. Joe postet Task in #echo_log
    ↓
2. Manager-Agent (Manager) priorisiert und delegiert
    ↓
3. Developer-Agent → Code schreiben
   Infrastructure-Agent → Infrastruktur vorbereiten
   QA-Agent → Content prüfen
    ↓
4. Alle posten Ergebnisse zurück
    ↓
5. Manager-Agent aggregiert und meldet Fertig

Vorteile

Parallelisierung: Mehrere Agenten gleichzeitig arbeiten lassen
Spezialisierung: Jeder Agent ist Experte für seinen Bereich
Skalierbarkeit: Neuen Agent hinzufügen ist einfach
Auditierbarkeit: Jede Aktion wird im Team-Chat geloggt
DSGVO: Alles bleibt lokal — kein Training auf deinen Prompts

Technische Umsetzung

Für unser Setup nutzen wir:

Team-Chat — Team-Kommunikation als Nachrichtenbus
n8n — Workflow-Automatisierung
Docker Swarm — Container-Orchestrierung
Claude Code — CLI-Zugriff auf LLM-Fähigkeiten
Prometheus + Grafana — Monitoring

💡 Einstieg

Du brauchst kein komplexes Framework für den Start. Ein LLM mit Tool-Zugriff (z.B. Claude Code CLI) plus Team-Chat als Nachrichtenbus reicht für die ersten Agent-Workflows.

Nächste Schritte

Mehr über Multi-Agent Systeme? Weiter zu: Multi-Agent Systeme erklärt →

Quellen

Anthropic Engineering: Building Effective Agents
Anthropic Docs: Agent Patterns
Team-Chat — Self-hosted Messaging als Agent-Kommunikationsbus