Kommunikationsmuster zwischen KI-Agenten

1. Warum Kommunikation zwischen Agenten ein eigenes Entwurfsproblem ist

Sobald mehr als ein Agent an einer Aufgabe beteiligt ist, wird die Frage, wie Informationen zwischen ihnen fließen, zu einer eigenständigen Architekturentscheidung. Kommunikationsmuster zwischen KI-Agenten bestimmen, wie viel Kontext ein Agent vom vorherigen erhält, wie eng die Agenten aneinander gekoppelt sind und wie leicht sich Fehler in der Übergabe erkennen lassen. Diese Entscheidung wird in vielen Projekten unterschätzt, weil sie zunächst wie ein reines Implementierungsdetail wirkt, tatsächlich aber die Zuverlässigkeit des gesamten Systems bestimmt.

Ein schlecht gewähltes Kommunikationsmuster zeigt sich meist erst spät: Ein Agent trifft eine Annahme, die er nie explizit kommuniziert, der nächste Agent baut unwissend darauf auf, und der Fehler wird erst sichtbar, wenn das Endergebnis fachlich falsch ist. Bewusst gewählte Kommunikationsmuster zwischen KI-Agenten machen solche impliziten Annahmen sichtbar, indem sie erzwingen, dass jede Übergabe explizit strukturiert erfolgt, statt sich auf Freitext und implizites Verständnis zu verlassen.

Im Kern lassen sich vier Kommunikationsmuster unterscheiden, die in der Praxis von Claude-basierten Multi Agent Systemen immer wieder auftauchen: direkter Handoff, gemeinsamer Zustand, strukturierte Nachrichten und das Blackboard-Muster. Jedes davon eignet sich für unterschiedliche Kopplungsgrade und Kontextanforderungen, und die folgenden Abschnitte stellen jedes im Detail vor.

2. Muster eins: Direkter Handoff mit vollständigem Kontext

Der direkte Handoff ist das einfachste der Kommunikationsmuster zwischen KI-Agenten: Ein Agent beendet seine Arbeit und übergibt sein vollständiges Ergebnis, teilweise inklusive seines Denkprozesses, direkt an den nächsten Agenten. Dieses Muster eignet sich gut für kurze, lineare Ketten mit wenigen Beteiligten, etwa wenn ein Analyse-Agent sein Ergebnis unmittelbar an genau einen Implementierungs-Agenten weitergibt.

Der Vorteil des direkten Handoffs liegt in seiner Einfachheit: Es gibt keine zusätzliche Infrastruktur, keinen gemeinsamen Speicher und keine Nachrichtenwarteschlange. Der Nachteil zeigt sich bei mehr als zwei beteiligten Agenten, weil jeder zusätzliche Empfänger den vollständigen Kontext erneut erhalten müsste, was die Tokenmenge schnell vervielfacht. Direkter Handoff eignet sich daher vor allem für einfache, wenig verzweigte Kommunikationsmuster zwischen genau zwei bis drei Agenten.

{
  "communication_pattern": "direct_handoff",
  "from_agent": "analysis_agent",
  "to_agent": "implementation_agent",
  "payload": {
    "affected_files": ["src/Model/PriceCalculator.php"],
    "finding": "Legacy discount logic bypasses the new TaxRuleRepository",
    "recommendation": "Refactor calculateDiscount() to use TaxRuleRepositoryInterface"
  },
  "handoff_complete": true
}

3. Muster zwei: Shared State über eine gemeinsame Datenquelle

Beim Shared-State-Muster schreiben alle beteiligten Agenten ihre Zwischenergebnisse in einen gemeinsamen Speicher, etwa eine Datei im Repository oder einen einfachen Schlüssel-Wert-Speicher, statt sich Ergebnisse direkt gegenseitig zu senden. Jeder Agent liest bei Bedarf die für ihn relevanten Einträge aus diesem gemeinsamen Zustand. Dieses Kommunikationsmuster entkoppelt die Agenten zeitlich, weil kein Agent synchron auf die Antwort eines anderen warten muss, um mit seiner eigenen Arbeit zu beginnen.

Ein weiterer Vorteil von Shared State als Kommunikationsmuster zwischen KI-Agenten ist die Nachvollziehbarkeit: Der gesamte Zustand des Workflows lässt sich zu jedem Zeitpunkt inspizieren, ohne den Verlauf einzelner Agentenaufrufe rekonstruieren zu müssen. Der Nachteil liegt in der Notwendigkeit, Schreibkonflikte zu vermeiden, insbesondere wenn mehrere Agenten parallel auf denselben Zustand zugreifen. Hier hilft eine klare Konvention, welcher Agent welchen Bereich des Zustands exklusiv beschreiben darf.

# Shared state communication pattern for multi agent systems
# Each agent reads only its relevant slice and writes back its own section

import json
from pathlib import Path
from threading import Lock

STATE_FILE = Path(".claude/shared-state.json")
_lock = Lock()

def read_slice(section: str) -> dict:
    with _lock:
        state = json.loads(STATE_FILE.read_text()) if STATE_FILE.exists() else {}
        return state.get(section, {})

def write_slice(section: str, agent_id: str, data: dict) -> None:
    with _lock:
        state = json.loads(STATE_FILE.read_text()) if STATE_FILE.exists() else {}
        state[section] = {"written_by": agent_id, "data": data}
        STATE_FILE.write_text(json.dumps(state, indent=2))

# Analysis agent writes its findings
write_slice("analysis", "analysis_agent", {"affected_files": ["PriceCalculator.php"]})

# Implementation agent reads only the analysis slice, not the full history
analysis = read_slice("analysis")

4. Muster drei: Nachrichtenbasierte Kommunikation mit strukturierten Payloads

Nachrichtenbasierte Kommunikationsmuster ähneln dem Handoff, führen aber eine zusätzliche Ebene ein: Agenten kommunizieren über eine definierte Warteschlange oder ein Nachrichtenformat, statt direkt miteinander verbunden zu sein. Ein Agent veröffentlicht eine Nachricht mit einem festen Schema, und ein oder mehrere andere Agenten konsumieren diese Nachricht, ohne dass Sender und Empfänger sich gegenseitig kennen müssen. Diese Entkopplung erleichtert es, neue Agenten in ein bestehendes System einzufügen, ohne bestehende Verbindungen anpassen zu müssen.

Der entscheidende Vorteil dieses Kommunikationsmusters liegt in der Erweiterbarkeit: Ein neuer Sicherheits-Review-Agent kann einfach als zusätzlicher Konsument einer bestehenden Nachrichtenart hinzugefügt werden, ohne dass der ursprüngliche Sender davon wissen oder sich ändern muss. Der Nachteil ist ein höherer Infrastrukturaufwand, insbesondere wenn Nachrichten zuverlässig zugestellt und Fehlerfälle wie doppelte Verarbeitung behandelt werden müssen.

{
  "message_schema": "agent.finding.v1",
  "published_by": "code_analysis_agent",
  "topic": "review.findings",
  "payload": {
    "file": "src/Model/Checkout/CartRepository.php",
    "line": 142,
    "category": "security",
    "description": "Unvalidated input passed to raw SQL query"
  },
  "consumers": ["security_review_agent", "audit_log_agent"]
}

5. Muster vier: Das Blackboard-Muster für lose gekoppelte Agenten

Das Blackboard-Muster ist die am stärksten entkoppelte Variante der vier Kommunikationsmuster. Alle Agenten schreiben und lesen von einer gemeinsamen, offen einsehbaren Tafel, ohne dass ein fester Ablaufplan vorgibt, wer wann welchen Beitrag leistet. Ein Agent beobachtet die Tafel, erkennt, dass sein Fachgebiet relevant ist, und trägt einen eigenen Beitrag bei, sobald genug Information für ihn vorhanden ist. Dieses Muster eignet sich für Situationen, in denen die Reihenfolge der Beiträge nicht von vornherein feststeht.

In der Praxis bei Claude-basierten Systemen zeigt sich das Blackboard-Muster etwa bei explorativen Debugging-Sitzungen: Ein Log-Analyse-Agent trägt Beobachtungen zur Tafel bei, ein Datenbank-Agent ergänzt Informationen zu betroffenen Datensätzen, und ein Zusammenfassungs-Agent liest die Tafel erst, wenn genug unabhängige Beiträge vorliegen. Die Herausforderung bei diesem Kommunikationsmuster liegt darin, zu definieren, wann die Tafel als vollständig gilt und der abschließende Agent seine Arbeit beginnen soll.

#!/usr/bin/env bash
# Blackboard pattern: independent agents contribute to a shared observation log
set -euo pipefail

BLACKBOARD="workflow/debug-blackboard.jsonl"

contribute() {
  local agent_id="$1"
  local observation="$2"
  printf '{"agent":"%s","observation":"%s","ts":"%s"}\n' \
    "$agent_id" "$observation" "$(date -u +%FT%TZ)" >> "$BLACKBOARD"
}

# Independent agents contribute whenever they notice something relevant
contribute "log_agent" "Repeated timeout errors in checkout controller"
contribute "db_agent" "Slow query detected on sales_order_grid table"

# Summary agent waits until enough independent contributions exist
line_count=$(wc -l < "$BLACKBOARD")
if (( line_count >= 2 )); then
  echo "[summary_agent] Enough observations collected, synthesizing report"
fi

6. Fehlerquellen: Kontextverlust und widersprüchliche Zustände

Unabhängig vom gewählten Kommunikationsmuster treten in Multi Agent Systemen zwei wiederkehrende Fehlerklassen auf. Kontextverlust entsteht, wenn ein Agent Informationen weglässt, die für einen späteren Agenten relevant gewesen wären, weil er deren Relevanz zum Zeitpunkt der Übergabe nicht einschätzen konnte. Dieses Problem lässt sich durch möglichst vollständige, standardisierte Übergabeformate reduzieren, die auch scheinbar irrelevante Details in strukturierter Form mitgeben, statt sie vorschnell wegzufiltern.

Widersprüchliche Zustände entstehen dagegen, wenn zwei Agenten gleichzeitig oder in falscher Reihenfolge auf denselben Zustand schreiben und sich gegenseitig überschreiben. Bei Shared-State- und Blackboard-Mustern lässt sich dieses Risiko durch klare Schreibrechte pro Abschnitt und durch Zeitstempel reduzieren, die eine nachträgliche Konfliktauflösung ermöglichen. Bei allen vier Kommunikationsmustern hilft zusätzlich eine Validierung der übergebenen Daten gegen ein festes Schema, bevor ein Agent sie weiterverarbeitet.

7. Strukturierte Formate statt Freitext zwischen Agenten

Eine übergreifende Empfehlung für alle vier Kommunikationsmuster lautet, Übergaben zwischen Agenten wann immer möglich als strukturierte Daten statt als Freitext zu gestalten. JSON-Objekte mit definierten Feldern lassen sich maschinell validieren, während Freitext-Zusammenfassungen Interpretationsspielraum lassen, der bei jeder Weitergabe zu leichten Bedeutungsverschiebungen führen kann. Diese kleinen Verschiebungen summieren sich über mehrere Übergabestufen hinweg zu erheblichen Abweichungen vom ursprünglichen Befund.

Strukturierte Formate erlauben zudem, ein Schema zu versionieren und Änderungen an der Kommunikationsschnittstelle nachvollziehbar zu dokumentieren, ähnlich wie bei einer klassischen API zwischen Softwarekomponenten. Wer Kommunikationsmuster zwischen KI-Agenten von Anfang an mit festen Schemata entwirft, spart sich spätere Debugging-Sitzungen, in denen unklar bleibt, ob ein Agent eine Information tatsächlich erhalten oder nur missverstanden hat.

8. Praxisbeispiel: Ein Recherche-Agent übergibt an einen Schreib-Agenten

Ein konkretes Beispiel aus der technischen Dokumentation verdeutlicht die Wahl des richtigen Musters: Ein Recherche-Agent durchsucht eine Codebasis nach allen öffentlichen Methoden einer neuen API-Klasse und sammelt Signaturen, Rückgabewerte und vorhandene PHPDoc-Kommentare. Ein Schreib-Agent soll daraus eine vollständige API-Dokumentation erstellen. Ein direkter Handoff mit strukturierter Payload eignet sich hier besser als ein Blackboard-Muster, weil die Beziehung eindeutig linear ist und keine weiteren Agenten beteiligt sind.

Die Übergabe erfolgt dabei als strukturiertes JSON mit einer Liste von Methodenobjekten, jeweils mit Name, Parametern, Rückgabetyp und vorhandener Dokumentation. Der Schreib-Agent erhält dadurch alle notwendigen Informationen in einem konsistenten Format und muss nicht selbst erneut die Codebasis durchsuchen. Dieses einfache Kommunikationsmuster zeigt, dass nicht jede Agentenkommunikation komplexe Infrastruktur benötigt, solange die Struktur der Übergabe klar definiert ist.

{
  "communication_pattern": "direct_handoff",
  "from_agent": "research_agent",
  "to_agent": "writing_agent",
  "payload": {
    "methods": [
      {
        "name": "calculateShippingCost",
        "parameters": ["Address $destination", "float $weight"],
        "return_type": "Money",
        "existing_phpdoc": "Calculates shipping cost for a given destination and weight."
      },
      {
        "name": "applyDiscount",
        "parameters": ["Money $price", "DiscountRuleInterface $rule"],
        "return_type": "Money",
        "existing_phpdoc": null
      }
    ]
  }
}

9. Die vier Kommunikationsmuster im Vergleich

Die folgende Übersicht fasst die wichtigsten Eigenschaften der vier vorgestellten Kommunikationsmuster zusammen und hilft bei der Auswahl für ein konkretes Projekt.

Keines der vier Kommunikationsmuster ist grundsätzlich überlegen, jedes löst ein anderes Kopplungsproblem. Die Wahl sollte sich an der tatsächlichen Struktur des Workflows orientieren: klare, kurze Ketten profitieren vom einfachen Handoff, während wachsende, unvorhersehbare Systeme von loser Kopplung durch Shared State, Nachrichten oder Blackboard profitieren.

10. Zusammenfassung

Kommunikationsmuster zwischen KI-Agenten entscheiden maßgeblich über die Zuverlässigkeit eines Multi Agent Systems. Direkter Handoff eignet sich für kurze, klare Ketten. Shared State entkoppelt Agenten zeitlich und macht den Gesamtzustand inspizierbar. Nachrichtenbasierte Kommunikation erleichtert das Hinzufügen neuer Agenten. Das Blackboard-Muster passt zu explorativen Aufgaben ohne feste Reihenfolge. Keines dieser Muster ist universell überlegen, die passende Wahl hängt von der Struktur des jeweiligen Workflows ab.

Unabhängig vom gewählten Muster reduziert die konsequente Nutzung strukturierter, validierbarer Datenformate statt Freitext das Risiko von Kontextverlust und widersprüchlichen Zuständen erheblich. Wer Kommunikationsmuster von Anfang an bewusst entwirft, statt sie implizit entstehen zu lassen, baut Multi Agent Systeme, die auch nach mehreren Ausbaustufen nachvollziehbar und wartbar bleiben.

11. FAQ: Kommunikationsmuster zwischen KI-Agenten