Was der Bau eines Multi-Agent-Systems erfordert

Für einen Münchner Verlag habe ich ein Multi-Agent-System für die Contentproduktion entwickelt, das heute im Produktivbetrieb läuft: eine durchgängige Pipeline vom Thema bis ins CMS. Ausschlaggebend war dabei die Architektur, weniger die Gestaltung der Prompts.

Sieben Agenten in einer Pipeline

Das System besteht aus sieben spezialisierten Agenten. Jeder hat eine eigene Rolle, einen eigenen Kontext und die Verantwortung für einen klar umrissenen Schritt:

• Researcher – sammelt Quellen und Fakten, erstellt Dossier und Briefing
• Redakteur – schreibt den Text
• Faktenchecker – prüft jede Aussage gegen die Quellen
• Tone of Voice – gleicht Sprache und Marke des Magazins ab
• Formatter – bringt den Artikel ins Format des CMS
• SEO / GEO – optimiert ihn für die Suche bei Google und in KI-Antworten
• Chefredakteur – fällt als Agent das Gesamturteil, bevor die Redaktion freigibt

Optional ergänzt ein Bildredakteur die Pipeline. Er wählt Motive aus der Bilddatenbank des Verlags oder erzeugt Bilder mit KI, die anschließend entsprechend gekennzeichnet werden.

Gemeinsam bilden die Agenten den Weg eines Artikels von der Recherche bis ins CMS ab und fügen sich in die bestehenden Abläufe des Verlags ein.

Grenzen, Übergaben und Fehlerfälle

Einzelne Agenten mit guten Prompts sind schnell gebaut. Die eigentliche Herausforderung liegt an den Schnittstellen zwischen ihnen. Wo endet die Aufgabe eines Agenten? Was übergibt er an den nächsten? Was geschieht, wenn ein Schritt ein schwaches Ergebnis liefert?

Diese Fragen habe ich so behandelt wie beim Entwurf eines Produkts. Agentengrenzen, Übergaben und Fehlerfälle standen fest, bevor ein einziger Prompt formuliert war. Jeder Agent erhielt klar definierte Einschränkungen, die sicherstellen, dass er innerhalb seiner Rolle bleibt.

Qualitätssicherung innerhalb der Pipeline

Die Qualitätskontrolle ist in der Pipeline selbst verankert und wird nicht einem Menschen überlassen, der KI-Texte nachträglich korrigiert. Reicht die Qualität nicht aus, durchläuft der Beitrag eine Qualitätsschleife, bevor ihn jemand zu sehen bekommt.

Das letzte Wort behält dennoch die Redaktion, denn veröffentlicht wird nur, was sie freigegeben hat. Ihre Rolle verschiebt sich damit vom Nachbessern zum Entscheiden.

KI-Features oder KI-Systeme

In vielen Projekten beobachte ich, dass einzelne KI-Features entstehen, wo eigentlich ein KI-System gebraucht würde. Ein Feature beantwortet eine einzelne Anfrage. Ein System übernimmt einen ganzen Ablauf mit klaren Zuständigkeiten, definierten Übergaben und einem Plan für den Fehlerfall.

Einsatz im Redaktionsalltag

Das System ist im Redaktionsalltag produktiv im Einsatz. Die Kontrolle verbleibt bei der Redaktion, da erst nach drei Freigaben veröffentlicht wird. Entwickelt habe ich es mit Claude Code.

Den konkreten Aufbau einer solchen Pipeline beschreibe ich in Neun Bauregeln für eine KI-Pipeline im Verlag. Die Arbeitsweise des Systems im Detail zeigt die Seite zum KI-Redaktionssystem, den Ablauf eines ganzen Arbeitstags das Beispiel Ein Redaktionstag.