Hierarchische Agent-Architektur: Wann Teams von Agenten skalieren

Hierarchische Agenten sind eine Multi-Agent-Architektur, in der ein Supervisor-Agent eine komplexe Aufgabe zerlegt, Teilaufgaben an spezialisierte Sub-Agents delegiert und deren Ergebnisse zusammenführt. Statt eines einzelnen Agenten, der alles selbst erledigt, koordiniert eine übergeordnete Steuerungsinstanz mehrere untergeordnete Worker und aggregiert deren Output zu einer Gesamtlösung. Das Muster entspricht dem, was Anthropic „Orchestrator-Workers“ nennt und CrewAI als „Hierarchical Process“ implementiert.

• Supervisor: plant, zerlegt, delegiert, aggregiert, führt selbst aber keine fachliche Detailarbeit aus.
• Sub-Agents: eng spezialisierte Worker mit eigenem Prompt und eigenen Tools, die je eine Teilaufgabe lösen.
• Skalierung: lohnt sich, wenn Aufgaben klar zerlegbar und parallelisierbar sind, sonst ist ein einzelner Agent günstiger.

Wie eine hierarchische Architektur funktioniert

Im Kern ist die Hierarchie eine Erweiterung der Orchestrator-Worker-Logik, bei der ein koordinierendes LLM eine Aufgabe dynamisch in Teilaufgaben zerlegt und diese an untergeordnete Einheiten verteilt. Anthropic beschreibt das zugehörige Muster in „Building Effective Agents“ (Dezember 2024) unter dem Namen „Orchestrator-Workers“ als eines von fünf kanonischen Workflow-Mustern. Konzeptionell ist es mit dem Plan-and-Execute-Muster verwandt, wie es etwa LangChain/LangGraph umsetzt: Auch dort erstellt ein Modell den Plan, und getrennte Schritte führen ihn aus. Als typischen Einsatz für Orchestrator-Workers nennt Anthropic Coding-Produkte, die bei jeder Aufgabe komplexe Änderungen an mehreren Dateien vornehmen.

Der Ablauf folgt einer wiederkehrenden Schleife:

1. Der Supervisor erhält die Aufgabe und erstellt einen Plan beziehungsweise eine Zerlegung in Teilaufgaben.
2. Er wählt für jede Teilaufgabe einen passenden Sub-Agent aus und delegiert mit dem nötigen Kontext.
3. Die Sub-Agents führen ihre Teilaufgabe aus, typischerweise als eigenständige ReAct-Agenten mit eigenen Tools, und melden ein Teilergebnis zurück.
4. Der Supervisor aggregiert die Teilergebnisse, prüft auf Vollständigkeit und entscheidet: weitere Delegation oder finale Antwort.

Wichtig ist die Rollentrennung. Der Supervisor trifft Planungs- und Koordinationsentscheidungen; er führt die fachliche Detailarbeit nicht selbst aus. Genau diese Entkopplung erlaubt eine kosteneffiziente Modellwahl, eine Einsicht, die direkt aus dem Plan-and-Execute-Muster stammt: ein großes Modell für die schwierige Planungsaufgabe, kleinere und günstigere Modelle für die per-Schritt-Ausführung in den Sub-Agents.

Diagramm in Worten

Man stelle sich einen Baum mit drei Ebenen vor. An der Wurzel sitzt die Nutzeranfrage. Eine Ebene tiefer steht der Supervisor-Knoten, der die Anfrage in mehrere Äste aufspaltet. Jeder Ast endet in einem Sub-Agent-Knoten, etwa „Rechercheur“, „Datenanalyst“, „Texter“, der wiederum eine eigene kleine ReAct-Schleife (Thought → Action → Observation) mit seinen Tools durchläuft. Die Ergebnisse fließen entlang der Äste zurück zum Supervisor, der sie zu einer Antwort an der Wurzel zusammenführt. Genau dieses Bild beschreibt auch das Forschungsmuster ReAcTree (Choi et al., arXiv:2511.02424, AAMAS 2026), das ReAct zu einem hierarchischen Agentenbaum erweitert und auf dem Benchmark WAH-NL rund +30 Prozentpunkte gegenüber einfachem ReAct erreicht.

Wann Hierarchie skaliert

Hierarchie ist kein Selbstzweck. Sie zahlt sich aus, wenn die Aufgabenstruktur sie hergibt:

• Zerlegbarkeit: Die Aufgabe zerfällt in mehr als drei weitgehend unabhängige Teilschritte.
• Spezialisierung: Die Teilschritte erfordern unterschiedliches Domänenwissen oder verschiedene Tools.
• Langer Horizont: Ein einzelner Agent würde über viele Schritte das ursprüngliche Ziel aus dem Kontext verlieren (in der Praxis liegt die Grenze einer ReAct-Schleife oft bei 10 bis 25 Schritten, bevor Kontextverlust oder „reasoning drift“ dominieren).
• Parallelität: Mehrere Teilaufgaben lassen sich gleichzeitig erledigen.

Die wichtigste Leitlinie für produktive Systeme liefert Cognition (das Team hinter Devin). In „Don't Build Multi-Agents“ (Juni 2025) warnte das Team, dass parallele Agenten implizit widersprüchliche Entscheidungen treffen und das Ergebnis fragil wird, und empfahl einsträngige, lineare Agenten. Als Beispiel für einen bewusst einfachen Einsatz von Sub-Agents nannte es Claude Code (Stand Juni 2025): Dessen Sub-Agents arbeiteten damals nie parallel zum Hauptagenten und beantworteten meist nur eine Frage, statt Code zu schreiben. In „Multi-Agents: What's Actually Working“ (April 2026) präzisierte Cognition die Position: Mehragenten-Systeme funktionieren am besten, wenn Schreibvorgänge einsträngig bleiben und die zusätzlichen Agenten Wissen beisteuern, statt selbst zu handeln. Auf eine Formel gebracht: read-parallel, write-single-threaded. Daneben kann bei Devin ein Manager-Devin eine größere Aufgabe zerlegen, Kind-Devins die Teilaufgaben ausführen lassen und deren Fortschritt über ein internes MCP koordinieren. Laut Cognition läuft das bereits produktiv, es brauchte aber mehr Context Engineering als erwartet, bis diese Delegation kohärent lief. Für die Praxis leiten wir daraus ab: ein starker Agent mit Tools als Standard, parallele Sub-Agents zur Informationsbeschaffung, aber nie mehrere Agenten, die parallel denselben Zustand ändern. Schreibende Teilaufgaben delegierst du nur als klar getrennte Arbeitspakete unter einem Manager.

Vorteile und Risiken

Der dominierende Nachteil ist der Koordinations-Overhead. Jeder zusätzliche Agent bedeutet zusätzliche LLM-Aufrufe für Planung, Delegation und Aggregation sowie das Risiko, dass beim Weiterreichen von Kontext Informationen verloren gehen. Deshalb gilt die übergeordnete Faustregel aus Anthropics Essay und Cognitions Blog: mit dem einfachsten Muster starten, das funktioniert (meist ein einzelner ReAct-Agent), und erst dann zu Planung, Reflexion oder Hierarchie eskalieren, wenn gemessene Fehlermodi es erzwingen. Anthropic warnt zudem, dass Frameworks zusätzliche Abstraktionsschichten einziehen, die Prompts und Antworten verdecken und zu unnötiger Komplexität verleiten.

Abgrenzung zu flachen Multi-Agent-Systemen

In einem flachen Multi-Agent-System kommunizieren gleichrangige Agenten direkt miteinander, es gibt keine zentrale Steuerinstanz, die delegiert und aggregiert. Das ist flexibel, aber ohne koordinierende Instanz treffen die Agenten leicht implizit widersprüchliche Entscheidungen, weil keiner den Gesamtkontext besitzt. Ein Supervisor allein löst das nicht: Im Flappy-Bird-Beispiel aus „Don't Build Multi-Agents“ zerlegt ein Hauptagent die Aufgabe, und die Sub-Agents liefern trotzdem unvereinbare Teilergebnisse, weil ihnen der Kontext fehlt und keiner sieht, was der andere baut.

Im hierarchischen System bündelt der Supervisor die Verantwortung. Er ist der einzige Akteur mit Gesamtüberblick, vergibt klare Teilaufträge und integriert die Ergebnisse. Das reduziert das Risiko widersprüchlicher Entscheidungen, sofern der Supervisor den vollen Kontext weitergibt und Schreibvorgänge einsträngig bleiben. Der Preis sind ein zentraler Engpass und zusätzliche Koordinationsschritte. Für die meisten DACH-B2B-Szenarien mit Compliance-Anforderungen ist die hierarchische Variante die berechenbarere, weil der Delegationspfad auditierbar bleibt.

Frameworks und Umsetzung (Stand 2026)

• CrewAI: direkter Treffer. Process.hierarchical aktiviert einen Manager (manager_agent oder manager_llm), der Aufgaben an die Crew delegiert und eine managerielle Replanungsebene hinzufügt. Mit Crew(planning=True) erzeugt ein AgentPlanner zusätzlich vor jeder Iteration einen Schritt-für-Schritt-Plan. CrewAI ist im DACH-Marketing-Automation-Umfeld stark verbreitet.
• LangGraph: als State-Graph mit einem Supervisor-Knoten und mehreren ReAct-Sub-Agents (create_react_agent, in der 2026er-API zunehmend langchain.agents.create_agent mit Middleware). Die Plan-and-Execute- und ReWOO-Tutorials liefern die Bausteine für Planung und delegierte Ausführung.
• Microsoft Agent Framework: Die Magentic-Orchestrierung setzt einen Manager-Agenten ein, der einen Plan erstellt, Teilaufgaben an Worker-Agenten vergibt, den Fortschritt verfolgt und bei Stillstand neu plant. Für einfachere Koordination bestimmt im Group Chat ein Orchestrator, welcher Agent als Nächstes arbeitet. AutoGen befindet sich im Wartungsmodus; neue Projekte werden auf das Microsoft Agent Framework verwiesen.
• n8n: realistisch für orchestrierte Batch-Workflows (Planner-Agent plus per Sub-Workflow exponierte Worker als Tools), aber ohne stateful Schleifen über Ausführungen hinweg nur mit externem Speicher.

Praxisbeispiel: Wettbewerbsanalyse als Agentur-Workflow

Eine Agentur soll eine Wettbewerbsanalyse für einen B2B-Kunden erstellen. Ein einzelner Agent würde über viele Tool-Aufrufe das Ziel verlieren. Hierarchisch sieht der Ablauf so aus (Pseudocode):

```
Supervisor.plan("Wettbewerbsanalyse für Kunde X"):
-> Teilaufgabe 1: research_agent("Top-5-Wettbewerber + Positionierung")
-> Teilaufgabe 2: pricing_agent("öffentliche Preismodelle erfassen")
-> Teilaufgabe 3: seo_agent("organische Sichtbarkeit der Wettbewerber")
# 1-3 laufen parallel (read-only)

results = gather(1, 2, 3) # parallele Lese-Sub-Agents
Supervisor.aggregate(results) # einziger schreibender Schritt
-> writer_agent("Management-Summary aus den Evidenzen") # single-threaded
```

Drei lesende Sub-Agents arbeiten parallel und liefern Evidenzen; der Supervisor führt sie zusammen, und genau ein schreibender Schritt (das Texten der Summary) bleibt einsträngig. Damit folgt der Workflow dem Prinzip, das Cognition empfiehlt: parallel lesen, nur einsträngig schreiben. Durch Modell-Tiering (großes Modell für Supervisor und Texter, günstigeres für die Lese-Worker) sind über mehrstufige Workflows hinweg rund 40 bis 70 % Kostenersparnis gegenüber einer durchgehend teuren Variante realistisch (Größenordnung, Stand 2026; auf der eigenen Last messen).

Für Agenturen und B2B

Hierarchische Agenten sind kein Default, sondern eine bewusste Eskalation. Für Agenturen heißt das: zerlegbare, wiederkehrende Liefergegenstände, etwa Recherche-Briefings, Reportings, Content-Pipelines, eignen sich für einen Supervisor mit spezialisierten Lese-Sub-Agents, während der finale, zustandsverändernde Schritt zentral bleibt. Für DACH-B2B-Entscheider ist die Auditierbarkeit des Delegationspfads (vollständige Trace-Persistenz mit PII-Bereinigung) im Hinblick auf DSGVO und EU AI Act ein konkreter Vorteil. Wer einen hierarchischen Agenten-Workflow für Marketing oder Operations evaluieren will, sollte mit einem messbaren Einzelfall starten, das einfachste funktionierende Muster als Baseline halten und erst bei nachgewiesenem Nutzen auf Hierarchie umstellen. Blck Alpaca begleitet diese Architekturentscheidung im Rahmen der KI-Agent-Integration von der Aufgaben-Zerlegung bis zur produktiven, compliance-konformen Umsetzung.