Agentic DesignMuster und Werkzeuge für produktive KI-Agenten

Loading...

💬

Debattenkette(CoD)

Mehrere KI-Modelle arbeiten zusammen und debattieren, um zu Schlussfolgerungen zu gelangen

Komplexität: highMulti-Agenten

In 30 seconds

What: Mehrere Modelle vertreten gegensätzliche Standpunkte zu einer Frage und leiten daraus Schlüsse ab, indem sie die Abwägungen zwischen den Positionen gewichten.
When to use: Komplexe Entscheidungen mit berechtigten, konkurrierenden Prioritäten, bei denen keine einzelne Expertensicht das ganze Bild erfasst.
Watch out: Debatten können Unsicherheit als Konsens tarnen; Modelle einigen sich womöglich auf plausibel klingende Antworten, ohne dass eine belastbare Referenz sie bestätigt.

Video Explanation

Loading video explanation...

Loading technique guide…

Patterns

Loading...

Loading Agentic Design…

Agentic DesignMuster und Werkzeuge für produktive KI-Agenten

Expertenhilfe Preise

Entwurfsmuster und Techniken

Loading...

💬

Debattenkette(CoD)

Mehrere KI-Modelle arbeiten zusammen und debattieren, um zu Schlussfolgerungen zu gelangen

Komplexität: highMulti-Agenten

In 30 seconds

What: Mehrere Modelle vertreten gegensätzliche Standpunkte zu einer Frage und leiten daraus Schlüsse ab, indem sie die Abwägungen zwischen den Positionen gewichten.
When to use: Komplexe Entscheidungen mit berechtigten, konkurrierenden Prioritäten, bei denen keine einzelne Expertensicht das ganze Bild erfasst.
Watch out: Debatten können Unsicherheit als Konsens tarnen; Modelle einigen sich womöglich auf plausibel klingende Antworten, ohne dass eine belastbare Referenz sie bestätigt.

Video Explanation

Loading video explanation...

Kernmechanismus

Chain of Debates (CoD) orchestriert mehrere KI-Agenten mit unterschiedlichen Perspektiven (z. B. Befürworter, Skeptiker, Analyst), die über mehrere Runden strukturiert argumentieren. Argumente und Gegenargumente werden von einem Moderator- bzw. Richter-Agenten zu einer ausgewogenen Endaussage zusammengeführt. Das verringert modellindividuelle Verzerrungen und erhöht die Robustheit durch dialektisches Denken.

Ablauf / Schritte

Rollen und Ziele definieren: komplementäre Agenten-Personas sowie einen Moderator/Richter festlegen.
Debatte anstoßen: Problem, Randbedingungen und Bewertungskriterien vorstellen.
Rundenbasierte Argumentation: Agenten liefern Argumente, Peers kritisieren und verfeinern sie.
Belegverankerung: optional Quellen/Tools abrufen, Zitate und Annahmen nachhalten.
Richter-Synthese: Der Richter bündelt die stärksten Argumente und markiert offene Konflikte.
Konvergenzprüfung: Abbruch bei Konsens, Konfidenzschwelle oder maximaler Rundenzahl.
Abschlussbericht: Begründung, Zielkonflikte und Entscheidung mit Quellen ausgeben.

Best Practices

Vielfalt by Design: Rollen orthogonal anlegen (Optimist/Pessimist/Analyst/Randbedingungen).

Ein separates Richter-Modell bzw. einen eigenen Prompt verwenden, damit kein Agent seine eigenen Aussagen bewertet.

Format vorgeben: strukturierte Aussagen, Belege, Gegenreden und Konfidenzwerte.

Mit Tools und Retrieval verankern, Quellen anhängen und Unsicherheit kenntlich machen.

Runden und Token-Budgets begrenzen, bei sich wiederholenden Argumenten früh abbrechen.

Zwischenargumente cachen und deduplizieren, um Kosten und Drift zu senken.

Debattenbäume für Auditierbarkeit und Offline-Auswertung protokollieren.

Wann NICHT einzusetzen

Einfache Aufgaben mit geringem Risiko, bei denen ein einzelner Agent genügt.
Harte Echtzeitanforderungen, bei denen mehrrundige Interaktion das Latenzbudget sprengt.
Stark ressourcenbeschränkte Umgebungen ohne Kostenkontrolle oder Caching.
Domänen ohne überprüfbare Ground Truth oder Werkzeuge zur Schlichtung von Widersprüchen.

Häufige Fallstricke

Echokammern: Agenten stimmen ohne echte Kritik überein (mit Rollen-Prompts gegensteuern).
Richter-Leakage: derselbe Prompt bzw. dasselbe Modell für Debattant und Richter.
Token-Aufblähung: Argumente wiederholen sich über Runden hinweg, Neuheitsvorgaben erzwingen.
Nicht überprüfbare Aussagen: fehlende Quellen oder Tool-Checks, Belegfelder verpflichtend machen.

Kernmerkmale

Multi-Agenten-Argumentation nach Rollen

Rundenbasierte Gegenrede und Verfeinerung

Synthese durch unabhängigen Richter/Moderator

Belegbasierte Entscheidungen mit Quellenangaben

Konfigurierbare Abbruchregeln und Budgets

KPIs / Erfolgskennzahlen

Aufgabengenauigkeit/-qualität gegenüber Baselines (Einzelagent, Selbstkritik).
Übereinstimmungsrate des Richters und Interrater-Reliabilität (falls menschliche Bewerter beteiligt sind).
Konsensrate innerhalb von N Runden, Verhältnis von Wiederholung zu Neuheit über die Runden.
Belegabdeckung und Korrektheit der Quellenangaben.
Latenz und Kosten pro gelöster Debatte (p50/p95; $/Debatte).

Token- / Ressourcenverbrauch

Die Kosten skalieren mit (num_agents × rounds × tokens_per_turn) + Richter-Synthese.
Abmildern durch Caching, Deduplizierung, kürzere Zugformate und selektive Tool-Aufrufe.
Kompakte Richter-Prompts und Zusammenfassungen zwischen den Runden bevorzugen.
Token-Budgets überwachen und harte Obergrenzen erzwingen, um ausufernde Debatten zu vermeiden.

Beste Anwendungsfälle

Komplexe Entscheidungen mit Zielkonflikten (Policy, Strategie, Architektur).
Sicherheitskritische Analysen, die rigorose Gegenprüfung und Belege erfordern.
Forschungssynthese und Literaturrecherche mit widersprüchlichen Befunden.
Ethische Abwägung und Risikobewertung aus Sicht der Stakeholder.

Quellen und weiterführende Literatur

Wissenschaftliche Artikel

Implementierungsleitfäden

Tools und Bibliotheken

Microsoft AutoGen, LangGraph, CrewAI

Community und Diskussionen

Loading technique guide…

Patterns

Entwurfsmuster und Techniken

Loading...

Kernmechanismus

Ablauf / Schritte

Rollen und Ziele definieren: komplementäre Agenten-Personas sowie einen Moderator/Richter festlegen.
Debatte anstoßen: Problem, Randbedingungen und Bewertungskriterien vorstellen.
Rundenbasierte Argumentation: Agenten liefern Argumente, Peers kritisieren und verfeinern sie.
Belegverankerung: optional Quellen/Tools abrufen, Zitate und Annahmen nachhalten.
Richter-Synthese: Der Richter bündelt die stärksten Argumente und markiert offene Konflikte.
Konvergenzprüfung: Abbruch bei Konsens, Konfidenzschwelle oder maximaler Rundenzahl.
Abschlussbericht: Begründung, Zielkonflikte und Entscheidung mit Quellen ausgeben.

Best Practices

Vielfalt by Design: Rollen orthogonal anlegen (Optimist/Pessimist/Analyst/Randbedingungen).

Ein separates Richter-Modell bzw. einen eigenen Prompt verwenden, damit kein Agent seine eigenen Aussagen bewertet.

Format vorgeben: strukturierte Aussagen, Belege, Gegenreden und Konfidenzwerte.

Mit Tools und Retrieval verankern, Quellen anhängen und Unsicherheit kenntlich machen.

Runden und Token-Budgets begrenzen, bei sich wiederholenden Argumenten früh abbrechen.

Zwischenargumente cachen und deduplizieren, um Kosten und Drift zu senken.

Debattenbäume für Auditierbarkeit und Offline-Auswertung protokollieren.

Wann NICHT einzusetzen

Einfache Aufgaben mit geringem Risiko, bei denen ein einzelner Agent genügt.
Harte Echtzeitanforderungen, bei denen mehrrundige Interaktion das Latenzbudget sprengt.
Stark ressourcenbeschränkte Umgebungen ohne Kostenkontrolle oder Caching.
Domänen ohne überprüfbare Ground Truth oder Werkzeuge zur Schlichtung von Widersprüchen.

Häufige Fallstricke

Echokammern: Agenten stimmen ohne echte Kritik überein (mit Rollen-Prompts gegensteuern).
Richter-Leakage: derselbe Prompt bzw. dasselbe Modell für Debattant und Richter.
Token-Aufblähung: Argumente wiederholen sich über Runden hinweg, Neuheitsvorgaben erzwingen.
Nicht überprüfbare Aussagen: fehlende Quellen oder Tool-Checks, Belegfelder verpflichtend machen.

Kernmerkmale

Multi-Agenten-Argumentation nach Rollen

Rundenbasierte Gegenrede und Verfeinerung

Synthese durch unabhängigen Richter/Moderator

Belegbasierte Entscheidungen mit Quellenangaben

Konfigurierbare Abbruchregeln und Budgets

KPIs / Erfolgskennzahlen

Aufgabengenauigkeit/-qualität gegenüber Baselines (Einzelagent, Selbstkritik).
Übereinstimmungsrate des Richters und Interrater-Reliabilität (falls menschliche Bewerter beteiligt sind).
Konsensrate innerhalb von N Runden, Verhältnis von Wiederholung zu Neuheit über die Runden.
Belegabdeckung und Korrektheit der Quellenangaben.
Latenz und Kosten pro gelöster Debatte (p50/p95; $/Debatte).

Token- / Ressourcenverbrauch

Die Kosten skalieren mit (num_agents × rounds × tokens_per_turn) + Richter-Synthese.
Abmildern durch Caching, Deduplizierung, kürzere Zugformate und selektive Tool-Aufrufe.
Kompakte Richter-Prompts und Zusammenfassungen zwischen den Runden bevorzugen.
Token-Budgets überwachen und harte Obergrenzen erzwingen, um ausufernde Debatten zu vermeiden.