Zum Hauptinhalt springen
Deutsch— Sprache auswählen
Menü

Best Practices für das Multi-Agenten-Prompting

Lektion 12 von 14 Aktualisiert am 29. Juli 2026 Entwickler
Auf dieser Seite
  1. Prompting für eine Multi-Agenten-Architektur
  2. Spezifizieren, wonach gesucht werden soll und wie tief
  3. Fordern Sie die Form, nicht nur den Inhalt
  4. Fordern Sie Quellen explizit an
  5. Verteilen Sie die Forschung über mehrere Runden
  6. Bieten Sie Kontext, den das Modell nicht erraten kann
  7. Kernaussagen

Prompting für eine Multi-Agenten-Architektur

Das Verfassen eines Prompts für mehrere Agenten bedeutet nicht mehr, ein Modell anzusprechen, sondern einen Teamleiter zu instruieren, der die Arbeit unter mehreren Forschern verteilt. Ein Prompt, der bei einem einzelnen Modell gut funktioniert, führt hier oft zu einer längeren, aber nicht tieferen Antwort, da der Leiter nicht weiß, wie er das Thema in distincte Spuren aufteilen soll. Drei Einstellungen bestimmen die Qualität der Instruktion.

Scope
Den Umfang definieren
Structure
Ein Format anfordern
Sources
Referenzen angeben

Spezifizieren, wonach gesucht werden soll und wie tief

Der Leiter benötigt zwei Informationen, bevor er Rollen verteilt: Was die Forschung abdeckt und das erforderliche Detailniveau. Ohne diese Marker wird eine Übersicht erstellt – und sechzehn Agenten werden diese Übersicht sechzehnmal ausführlicher machen. Vergleichen Sie:

Erzählen Sie mir von KI in Europa.

Vergleichen Sie die Top-3 europäischen KI-Chip-Hersteller nach Technologie, Leistung, Finanzierung und industriellen Partnerschaften im Jahr 2026.

Der zweite Prompt benennt das Thema, begrenzt den Umfang auf drei europäische Akteure, listet die Analyse-Dimensionen auf und setzt den Zeitrahmen. Diese vier Elemente übersetzen sich in eine Aufgabenaufteilung: ein Agent pro Hersteller oder ein Agent pro Dimension. Der erste bietet keine Trennlinien, und genau das erzeugt eine flache Antwort.

Fordern Sie die Form, nicht nur den Inhalt

Der Leiter synthetisiert besser, wenn er weiß, wie das Ergebnis aussehen soll. Eine Format-Anweisung am Ende des Prompts verbessert die Lesbarkeit oft mehr als eine Neuformulierung der Frage.

Präsentieren Sie die Ergebnisse als Vergleichstabelle mit einer Zeile pro Hersteller und einer Spalte pro Kriterium. Fügen Sie einen Analyse-Teil unter der Tabelle hinzu.

Je nach Bedarf können Sie eine Vergleichstabelle mit festen Kategorien, eine nummerierte Liste mit einem spezifizierten Detailgrad, Abschnitte, die mit H2- und H3-Überschriften hierarchisiert sind, oder einen Schlussfolgerungsabschnitt mit Empfehlungen anfordern. Alle diese Instruktionen haben dieselbe Wirkung: Sie zwingen den Leiter, das Material zu organisieren, statt es nur aufzulisten.

Fordern Sie Quellen explizit an

Ohne Instruktionen könnte der Leiter eine flüssige Synthese liefern, bei der nichts zurückverfolgt werden kann. Wenn Referenzen für Sie wichtig sind, fordern Sie sie im Prompt.

Zitieren Sie Ihre Quellen für jede Behauptung. Priorisieren Sie aktuelle wissenschaftliche Artikel und offizielle Pressemitteilungen.

Diese Instruktion setzt Erwartungen früh: Sub-Agenten wissen von Anfang an, dass sie Referenzen für das, was sie finden, beibehalten müssen. Das Anfordern von Quellen nachträglich wird nicht dazu führen, dass sie wieder erscheinen.

Verteilen Sie die Forschung über mehrere Runden

Multi-Agenten-Systeme bearbeiten mehrstufige Gespräche, ein Hebel für Qualität ebenso wie für Wirtschaftlichkeit. Statt eine monumentale Frage zu stellen, gehen Sie schrittweise vor: eine Runde, um die Landschaft der Enterprise-RAG-Lösungen im Jahr 2026 zu umreißen, eine zweite, um den Punkt zu vertiefen, der Sie interessiert – beispielsweise hybride Architekturen – und eine dritte, um zwei Lösungen auf Ihren Anwendungsfall zu vergleichen. Jede Runde erbt den Kontext der vorherigen, und der Nutzen ist noch deutlicher mit use_encrypted_content=True.

Bieten Sie Kontext, den das Modell nicht erraten kann

Ein Agent, der Ihre Situation ignoriert, erzeugt Empfehlungen, die für alle gültig sind, was bedeutet, dass sie für niemanden gültig sind. Die Einschränkungen, die Sie bereits kennen, sind wertvoller als jede Stil-Anweisung.

Ich baue eine Fintech-Anwendung für den asiatischen Markt. Mein technischer Stack ist Python/FastAPI mit PostgreSQL. Mein monatliches Budget für KI-APIs beträgt 500 Euro.

Welche KI-basierten Betrugserkennungs-Lösungen wären am besten geeignet?

Mit diesen drei Zeilen schließen die Agenten Lösungen aus, die mit Ihrem Stack inkompatibel sind, passen ihre Vorschläge an Ihr Budget an und priorisieren entsprechend Ihrem Markt. Ohne diese Angaben erhalten Sie die generische Rangliste, die in jedem Online-Vergleich zu finden ist.

Es gibt zwei entgegengesetzte Fallstricke zu vermeiden. Ein zu vager Prompt streut die Agenten und treibt den Verbrauch in die Höhe, ohne Mehrwert zu schaffen; ein zu stark eingeschränkter Prompt beraubt sie der Erforschungsmarge, die den Einsatz von Multi-Agenten-Systemen erst gerechtfertigt hat. Das richtige Gleichgewicht setzt das Ziel und überlässt die Wegwahl den Sub-Agenten.

Kernaussagen

  • Definieren Sie immer den Umfang, die Tiefe und das Ausgabeformat
  • Fordern Sie Quellen explizit an, wenn Sie diese benötigen
  • Zerlegen Sie komplexe Recherchen in Runden
  • Bieten Sie Kontext für relevante Empfehlungen
  • Ein guter Multi-Agenten-Prompt leitet den Leiter, ohne die Sub-Agenten einzuschränken