Übersicht

MultiAgent ist ein leistungsfähiges Multi-Agenten-System, das darauf ausgelegt ist, mehrere Agenten zu koordinieren, die gemeinsam komplexe Aufgaben erledigen. Der Erstellungs- und Konfigurationsprozess von MultiAgent ist effizient und benutzerfreundlich und nutzt einen „Planer–Runner–Reviewer“-Ansatz für die Aufgabenausführung. Unternehmen können KI-Agenten-Teams flexibel für unterschiedliche Geschäftsszenarien zusammenstellen und so die Effizienz und Flexibilität von KI-Anwendungen im Unternehmen deutlich steigern. Die Plattform bietet zahlreiche integrierte, sofort einsatzbereite KI-Agenten wie AI Coder IDE, Browser Use und Computer Use – ohne aufwändige Konfiguration sofort nutzbar.

Der Betriebsmechanismus von MultiAgent funktioniert wie folgt:

flowchart LR

 subgraph P["Planer"]
    direction TB
        P1["Aufgabenklärung
        Benutzerabsicht erkennen und klären"]
        P2["Planer
        Hochwertige Aufgaben-To-do-Liste generieren"]
        P3["Aktion
        Dynamisch Aktionsliste für Aufgaben erstellen"]
  end
 subgraph R["Runner"]
    direction TB
        T(["Aufgabe-1"])
        T2(["Aufgabe-2"])
        T3(["Aufgabe..."])
    direction LR
        A3["Aktion1"]
        A4["Aktion2"]
        A5["Aktion3"]
        A6["Aktion4"]
  end
 subgraph Rev["Reviewer"]
    direction TB
        RV["Unternehmensspezifische Review-Standards"]
        D1{"Menschliche
        Übernahme nötig?"}
        D2{"Gesamte Aufgabe
        Aktualisierung erforderlich?"}
        D3{"Ausstehende Aufgaben
        Aktualisierung nötig?"}
        D4{"Aktuelle Aufgabe
        Neu ausführen?"}
        End(["Aufgabenausführung fortsetzen"])
  end
    H2["Übernahme durch menschliche Nutzer"]
    H1["Nutzer gibt Aufgabe ein"]
    P1 --> P2
    P2 --> P3
    P -- Serial --> T & T2 & T3
    T -- Parallel --> A3 & A4
    A6 -- Aufgabenbearbeitung abgeschlossen --> RV
    RV -- Nicht bestanden --> D4
    D4 -- N --> D3
    D4 -. J .-> T
    D3 -. J .-> P
    D3 -- N --> D2
    D2 -- N --> D1
    D2 -. J .-> P
    D1 -- J --> H2
    D1 -- N --> End
    A4 -- Serial --> A5
    A5 -- Serial --> A6
    RV -- Bestanden --> NT["Nächste Aufgabe starten"]
    H1 -- Aufgabenanweisung absenden --> P

     H1:::human
     H2:::human
     P1:::planner
     P2:::planner
     P3:::planner
     T:::runner
     T2:::runner
     T3:::runner
     A3:::runner
     A3:::Peach
     A4:::runner
     A4:::Peach
     A5:::runner
     A5:::Peach
     A6:::runner
     A6:::Peach
     RV:::reviewer
     D1:::decision
     D2:::decision
     D3:::decision
     D4:::decision
     End:::reviewer
     NT:::reviewer
    classDef human fill:#e3f2fd,stroke:#90caf9,stroke-width:2px
    classDef planner fill:#e8f5e9,stroke:#81c784,stroke-width:2px
    classDef runner fill:#fffde7,stroke:#ffe082,stroke-width:2px
    classDef reviewer fill:#ede7f6,stroke:#b39ddb,stroke-width:2px
    classDef decision fill:#fce4ec,stroke:#ec407a,stroke-width:2px,stroke-dasharray:4 2
    classDef Peach stroke-width:1px, stroke-dasharray:none, stroke:#FBB35A, fill:#FFEFDB, color:#8F632D

Zentrale Funktionen

• Flexible Zusammenstellung von KI-Agenten-Teams: Die Multi-Agenten-Plattform ermöglicht es Unternehmen, KI-Agenten-Teams flexibel und passgenau für spezifische Geschäftsanforderungen zusammenzustellen – das steigert die Flexibilität von KI-Anwendungen in Organisationen erheblich.
• Vielfältige, integrierte KI-Agenten: Die Plattform bietet zahlreiche sofort einsatzbereite KI-Agenten wie AI Coder IDE, Browser Use und Computer Use.
• Unterstützung zahlreicher Anwendungsszenarien: MultiAgent stellt KI-Agenten-Rollen für Entwicklung, Produktmanagement, Testing, Algorithmen, Daten und Marketing bereit – optimal für verschiedene Unternehmensbereiche.
• Vielfältige Einsatzmöglichkeiten: MultiAgent eignet sich für unterschiedlichste Geschäftsszenarien, etwa Tiefenrecherche, Datenanalyse, Angebotserstellung oder die Generierung von Finanzbuchhaltungsdetails.
• Effiziente und benutzerfreundliche Bedienung: Die intuitive Bedienung erhöht die Effizienz deutlich – beispielsweise lässt sich ein KI-Datenanalyse-Team in wenigen Minuten zusammenstellen.

Erstellung und Konfiguration

Die Einrichtung eines MultiAgent-Systems ist einfach und vergleichbar mit der eines Einzelagenten. Wichtige Aspekte sind:

• Globale Einstellungen: Globale Einstellungen sind standardmäßig eingeklappt. Hier lassen sich Speicher, I/O-Funktionen sowie Module wie Wissensdatenbank, Datenbank, Protokolle und Insights konfigurieren – analog zur Einzelagenten-Funktionalität.
• Knoten hinzufügen: Nutzer können verschiedene Agenten zum MultiAgent-Canvas hinzufügen, indem sie auf „Knoten hinzufügen“ klicken.
• Verfügbare Agenten-Typen:
  • Integrierte Agenten: Sofort einsatzbereite Agenten von GPTBots mit vordefinierten Fähigkeiten, z. B. Online Search und Browser Use.
  • Template-Agenten: Agenten, die von Nutzern konfiguriert werden, um Rollen und Fähigkeiten individuell festzulegen.
• Agenten-Integration: Um ein MultiAgent-Team zu erstellen, wählen Sie die gewünschten Agenten aus, fügen sie dem Canvas hinzu und verbinden sie miteinander. So werden die Fähigkeiten für eine kollaborative Aufgabenausführung kombiniert.

Agenten-Vorstellung

Planer

Der Planer bildet das Herzstück von MultiAgent und ist verantwortlich für Anforderungsanalyse, Aufgabenplanung, Generierung von Ausführungsaufgaben sowie Qualitätskontrolle der Aufgabenerledigung. Es wird empfohlen, die leistungsfähigste Modellversion zu wählen – die Auswahl eines Inferenzmodells kann jedoch die Laufzeit deutlich erhöhen.

Der Planer unterstützt individuelle Kontrollmechanismen wie dynamische Aufgabenanpassung, Übernahmeoptionen für Nutzer und das Setzen von maximalen Wiederholungsversuchen für einzelne Aufgaben, um übermäßigen Tokenverbrauch zu vermeiden. Zusätzlich kann der Planer mit Speicher, Tools, Wissensdatenbank und Datenbank-Funktionen ausgestattet werden.

Computer Use Agent

Der Computer Use Agent bietet individuelle Identitäts-Prompts und konfigurierbare Iterationsgrenzen, um einen übermäßigen Tokenverbrauch zu verhindern. Außerdem ist eine Übernahmefunktion für Nutzer integriert, sodass Menschen die Kontrolle übernehmen und den Computer fernsteuern können, falls der Agent Aufgaben nicht korrekt ausführen kann.

Computer Use läuft in einer isolierten Linux-Umgebung und kann Computeranwendungen, Dateisysteme und Systembefehle nutzen, um Aufgaben zu erledigen.

Browser Use Agent

Läuft in einer isolierten Browser-Umgebung für browserbasierte Aufgabenbearbeitung. Die Anforderungen an die LLM-Fähigkeiten sind gering, sodass der Einsatz unabhängig davon möglich ist, ob das LLM Bilderkennung unterstützt.

Coder IDE Agent

Erledigt Aufgaben durch Codegenerierung in einer isolierten CLI-Umgebung. Besonders geeignet für Suche, API-Ausführung, Webseitenerstellung und Dokumentationsgenerierung.

Online Search Agent

Verfügt über autonome Fähigkeiten zur Recherche und zum Abrufen von Webseiteninhalten und ist besonders nützlich für die Informationsbeschaffung im Netz.

Ausführungsprozess

Der Ablauf zur Aufgabenbearbeitung mit MultiAgent folgt diesen Schritten:

1. Aufgabeninput: Nutzer geben eine Aufgabenbeschreibung ein und senden sie ab. Der Planer entscheidet, ob die Aufgabe direkt ausgeführt oder zunächst geklärt werden muss.
2. Aufgabenliste generieren: Nach Klärung der Anweisung erstellt der Planer eine Aufgabenliste zur Bestätigung durch den Nutzer, bevor die automatische Ausführung startet.
3. Dynamische Ausführung: Während der Ausführung generiert der Planer für jede Aufgabe dynamisch eine Aktionsliste. Nach Abschluss jeder Aufgabe bewertet der Planer die Qualität und entscheidet, ob die Aufgabenliste angepasst oder aktualisiert werden muss.
4. Aufgabenabschluss: Nach Abschluss aller Aufgaben fasst MultiAgent die Ergebnisse zusammen und stellt sie bereit. Nutzer können Folgefragen stellen, um die Ergebnisse bei Bedarf zu aktualisieren.

Best Practices

• Fähigkeitsbeschreibung: Sorgen Sie für eine präzise und detaillierte Beschreibung der Fähigkeiten jedes Agenten, damit der Planer Aufgaben effizient zuweisen kann.
• Modelloptimierung: Wählen Sie für den Planer Modelle, die Leistung und Geschwindigkeit ausbalancieren, um Verzögerungen durch zu langes Reasoning zu vermeiden.
• Kontrollmechanismen: Setzen Sie angemessene Iterationsgrenzen und Übernahmeoptionen, um Ressourcenverbrauch und Aufgabenverlässlichkeit zu optimieren.