Agentic DesignMuster und Werkzeuge für produktive KI-Agenten

Loading...

👥

Produzent-Kritiker-Muster(PC)

Architekturmuster, bei dem getrennte Produzenten- und Kritiker-Agenten zur Qualitätsverbesserung zusammenarbeiten

Komplexität: mediumReflexion

In 30 seconds

What: Ein Agent erzeugt die Ausgabe, während ein separater Agent sie bewertet und strukturiertes Feedback zurückgibt; das wiederholt sich, bis die Qualitätsschwellen erreicht sind.
When to use: Arbeiten, die iterative Verfeinerung erfordern und bei denen eine unabhängige Bewertung verhindert, dass der Produzent seine eigenen Fehler verstärkt.
Watch out: Kritiker und Produzent können in unproduktive Schleifen geraten, wenn das Feedback vage oder widersprüchlich ist oder dem Produzenten klare Verbesserungswege fehlen.

Loading technique guide…

Patterns

Loading...

Loading Agentic Design…

Agentic DesignMuster und Werkzeuge für produktive KI-Agenten

Expertenhilfe Preise

Entwurfsmuster und Techniken

Loading...

👥

Produzent-Kritiker-Muster(PC)

Architekturmuster, bei dem getrennte Produzenten- und Kritiker-Agenten zur Qualitätsverbesserung zusammenarbeiten

Komplexität: mediumReflexion

In 30 seconds

What: Ein Agent erzeugt die Ausgabe, während ein separater Agent sie bewertet und strukturiertes Feedback zurückgibt; das wiederholt sich, bis die Qualitätsschwellen erreicht sind.
When to use: Arbeiten, die iterative Verfeinerung erfordern und bei denen eine unabhängige Bewertung verhindert, dass der Produzent seine eigenen Fehler verstärkt.
Watch out: Kritiker und Produzent können in unproduktive Schleifen geraten, wenn das Feedback vage oder widersprüchlich ist oder dem Produzenten klare Verbesserungswege fehlen.

30-Sekunden-Überblick

Muster: Getrennte Producer- und Critic-Agenten für unvoreingenommene Qualitätsverbesserung

Warum: Verhindert Selbstbewertungs-Bias, ermöglicht spezialisierte Kritik und verbessert die Ausgabequalität

Kernerkenntnis: Der Producer konzentriert sich auf das Erstellen, der Critic liefert objektive Bewertung → höhere Qualität

Schnelle Umsetzung

1Rollen definieren:Der Producer generiert, der Critic bewertet

2Getrennte Prompts:Eigene System-Prompts für jeden Agenten

3Der Producer führt aus:Erste Inhaltserzeugung

4Der Critic analysiert:Strukturierte Bewertung und Rückmeldung

5Iterieren:Der Producer verfeinert auf Basis der Kritik

Example: Producer(draft_code) → Critic(review) → Producer(refined_code)

Do’s und Don’ts

✅Unterschiedliche Personas verwenden (z. B. „Senior Engineer“ für den Critic)

✅Dem Critic strukturierte Bewertungskriterien bereitstellen

✅Zuständigkeiten von Producer und Critic vollständig trennen

✅Verschiedene Critic-Implementierungen erwägen (LLM, Regeln, Mensch)

✅Abbruchbedingungen einbauen, um Endlosschleifen zu verhindern

❌Denselben Prompt bzw. dieselbe Persona für beide Rollen verwenden

❌Dem Producer die Anweisungen des Critic zeigen (Bias-Vermeidung)

❌Die Qualität des Critic-Feedbacks nicht prüfen

❌Unbegrenzte Iterationen ohne Konvergenzprüfung zulassen

❌Die Rechenkosten des Zwei-Agenten-Ansatzes ignorieren

Wann einsetzen

Einsetzen, wenn

• Erstellung hochwertiger Inhalte
• Code-Review und Optimierung
• Validierung komplexen Reasonings
• Verfeinerung kreativer Arbeiten

Vermeiden, wenn

• Einfache, unkomplizierte Aufgaben
• Echtzeitanwendungen
• Begrenztes Rechenbudget
• Klar definierte Single-Pass-Lösungen

Kennzahlen

Qualitätsdelta

Verbesserung von v1 zur Endfassung

Präzision der Kritik

Gültige Befunde / Gesamtzahl der Kritiken

Konvergenzrate

Iterationen bis zu akzeptabler Qualität

Kosteneffizienz

Qualitätsgewinn / Token-Kosten

Bias-Reduktion

Wert der objektiven Bewertung

Fehlererkennung

% der tatsächlichen Fehler, die erkannt wurden

Wichtigste Anwendungsfälle

Code-Generierung: Entwickler schreibt → Senior Engineer prüft → Entwickler verfeinert

Content-Erstellung: Autor entwirft → Redakteur kritisiert → Autor poliert

Forschungsanalyse: Analyst präsentiert → Peers begutachten → Analyst verstärkt

Design-Dokumente: Architekt schlägt vor → Tech Lead bewertet → Architekt verbessert

LLM-as-Judge-Umsetzung: mehrere Ausgaben → LLM-Critic bewertet/rankt → beste auswählen

Referenzen und weiterführende Literatur

Vertiefen Sie Ihr Verständnis mit diesen ausgewählten Ressourcen

Wissenschaftliche Arbeiten

Self-Refine: Iterative Refinement with Self-Feedback (Madaan et al., 2023)

Constitutional AI: Harmlessness from AI Feedback (Bai et al., 2022)

Reflexion: Language Agents with Verbal Reinforcement Learning (Shinn et al., 2023)

Training Language Models to Self-Correct via RL (Kumar et al., 2024)

Implementierungsleitfäden

Dokumentation zu LangChain Multi-Agent-Workflows

Leitfaden zum Producer-Reviewer-Muster im Google ADK

CrewAI-Muster zur Agenten-Zusammenarbeit

AutoGen Multi-Agent Conversation Framework

Tools und Bibliotheken

LangGraph - zustandsbehaftete Multi-Agenten-Anwendungen

Google Agent Development Kit für Python

Microsoft AutoGen - Multi-Agenten-Konversationen

CrewAI - Framework für KI-Agententeams

Patterns

Entwurfsmuster und Techniken

Loading...

30-Sekunden-Überblick

Muster: Getrennte Producer- und Critic-Agenten für unvoreingenommene Qualitätsverbesserung

Warum: Verhindert Selbstbewertungs-Bias, ermöglicht spezialisierte Kritik und verbessert die Ausgabequalität

Kernerkenntnis: Der Producer konzentriert sich auf das Erstellen, der Critic liefert objektive Bewertung → höhere Qualität

Schnelle Umsetzung

1Rollen definieren:Der Producer generiert, der Critic bewertet

2Getrennte Prompts:Eigene System-Prompts für jeden Agenten

3Der Producer führt aus:Erste Inhaltserzeugung

4Der Critic analysiert:Strukturierte Bewertung und Rückmeldung

5Iterieren:Der Producer verfeinert auf Basis der Kritik

Example: Producer(draft_code) → Critic(review) → Producer(refined_code)

Do’s und Don’ts

✅Unterschiedliche Personas verwenden (z. B. „Senior Engineer“ für den Critic)

✅Dem Critic strukturierte Bewertungskriterien bereitstellen

✅Zuständigkeiten von Producer und Critic vollständig trennen

✅Verschiedene Critic-Implementierungen erwägen (LLM, Regeln, Mensch)

✅Abbruchbedingungen einbauen, um Endlosschleifen zu verhindern

❌Denselben Prompt bzw. dieselbe Persona für beide Rollen verwenden

❌Dem Producer die Anweisungen des Critic zeigen (Bias-Vermeidung)

❌Die Qualität des Critic-Feedbacks nicht prüfen

❌Unbegrenzte Iterationen ohne Konvergenzprüfung zulassen

❌Die Rechenkosten des Zwei-Agenten-Ansatzes ignorieren

Wann einsetzen

Einsetzen, wenn

• Erstellung hochwertiger Inhalte
• Code-Review und Optimierung
• Validierung komplexen Reasonings
• Verfeinerung kreativer Arbeiten

Vermeiden, wenn

• Einfache, unkomplizierte Aufgaben
• Echtzeitanwendungen
• Begrenztes Rechenbudget
• Klar definierte Single-Pass-Lösungen

Kennzahlen

Qualitätsdelta

Verbesserung von v1 zur Endfassung

Präzision der Kritik

Gültige Befunde / Gesamtzahl der Kritiken

Konvergenzrate

Iterationen bis zu akzeptabler Qualität

Kosteneffizienz

Qualitätsgewinn / Token-Kosten

Bias-Reduktion

Wert der objektiven Bewertung

Fehlererkennung

% der tatsächlichen Fehler, die erkannt wurden

Wichtigste Anwendungsfälle

Code-Generierung: Entwickler schreibt → Senior Engineer prüft → Entwickler verfeinert

Content-Erstellung: Autor entwirft → Redakteur kritisiert → Autor poliert

Forschungsanalyse: Analyst präsentiert → Peers begutachten → Analyst verstärkt

Design-Dokumente: Architekt schlägt vor → Tech Lead bewertet → Architekt verbessert

LLM-as-Judge-Umsetzung: mehrere Ausgaben → LLM-Critic bewertet/rankt → beste auswählen

Referenzen und weiterführende Literatur

Vertiefen Sie Ihr Verständnis mit diesen ausgewählten Ressourcen

Wissenschaftliche Arbeiten

Self-Refine: Iterative Refinement with Self-Feedback (Madaan et al., 2023)

Constitutional AI: Harmlessness from AI Feedback (Bai et al., 2022)

Reflexion: Language Agents with Verbal Reinforcement Learning (Shinn et al., 2023)

Training Language Models to Self-Correct via RL (Kumar et al., 2024)

Implementierungsleitfäden

Dokumentation zu LangChain Multi-Agent-Workflows

Leitfaden zum Producer-Reviewer-Muster im Google ADK

CrewAI-Muster zur Agenten-Zusammenarbeit

AutoGen Multi-Agent Conversation Framework

Tools und Bibliotheken

LangGraph - zustandsbehaftete Multi-Agenten-Anwendungen

Google Agent Development Kit für Python

Microsoft AutoGen - Multi-Agenten-Konversationen

CrewAI - Framework für KI-Agententeams

Loading...

Produzent-Kritiker-Muster(PC)

In 30 seconds

Patterns

Loading...

Entwurfsmuster und Techniken

Loading...

Produzent-Kritiker-Muster(PC)

In 30 seconds

30-Sekunden-Überblick

Schnelle Umsetzung

Do’s und Don’ts

Wann einsetzen

Einsetzen, wenn

Vermeiden, wenn

Kennzahlen

Wichtigste Anwendungsfälle

Referenzen und weiterführende Literatur

Wissenschaftliche Arbeiten

Implementierungsleitfäden

Tools und Bibliotheken

Verwandte Muster

Patterns

Entwurfsmuster und Techniken

Loading...

Entwurfsmuster und Techniken

Entwurfsmuster und Techniken

30-Sekunden-Überblick

Schnelle Umsetzung

Do’s und Don’ts

Wann einsetzen

Einsetzen, wenn

Vermeiden, wenn

Kennzahlen

Wichtigste Anwendungsfälle

Referenzen und weiterführende Literatur

Wissenschaftliche Arbeiten

Implementierungsleitfäden

Tools und Bibliotheken

Verwandte Muster