KI-Agenten-Schwärme erklärt: Planner, Worker und Verifier

KI-Agentenschwärme unterteilen ein einzelnes Ziel in Planner-, Worker- und Verifier-Rollen. Erfahren Sie, warum das leistungsstärkere Modell die Planung und Prüfung übernimmt, woran solche Schwärme scheitern und wie Sie selbst einen betreiben.

Aiden Flux

Aiden Flux

12 November 2026

TL;DR

KI-Agenten-Swarms teilen ein Gesamtziel auf drei Rollen auf: einen Planer, der die Arbeit in einzelne Aufgaben zerlegt, Worker, die diese Aufgaben parallel in isolierten Workspaces umsetzen, und Verifier, die jede Änderung auf Herz und Nieren prüfen, bevor sie übernommen wird. Planer und Verifier nutzen dabei Ihr leistungsfähigstes Modell, während die Worker mit günstigeren, schnelleren Modellen laufen. Das Muster scheitert, wenn Worker auf dieselben Dateien zugreifen, Verifier Änderungen blind durchwinken oder niemand die Kosten deckelt.

Warum KI-Agenten-Swarms wieder in aller Munde sind

Google hat Gemini 4 Carbon allgemein verfügbar gemacht und eine Vorschau auf /swarm in Google Antigravity vorgestellt – eine Funktion, die aus einem einzigen Prompt ein koordiniertes Team von Agenten macht. Mit Googles Worten übernimmt Carbon „Architekturdesign, Koordination und Auditing“, kombiniert mit „schnelleren, leichteren Modellen in parallelen, isolierten Workspaces und adversariellen Verifiern, die jede Änderung testen“.

Dieser Satz beschreibt ein Architekturmuster, das Sie bereits mit bestehenden Modellen umsetzen können. Dieser Leitfaden erklärt die drei Rollen, warum das Budget vor allem in Planung und Verifikation fließen sollte, woran Swarms scheitern und wie Sie einen Swarm über ein geteiltes Board steuern. Wenn Sie bereits mehrere Coding-Agenten im Einsatz haben, bietet Sharkly jedem Agenten einen Task, ein Ausführungsprotokoll und einen Review-Schritt – also praktisch alles, was ein Swarm benötigt.

Was ist ein KI-Agenten-Swarm?

Ein KI-Agenten-Swarm (Schwarm) ist eine Gruppe von KI-Agenten, die ein Gesamtziel in voneinander unabhängige Aufgaben aufteilen und diese parallel bearbeiten. Ein Agent plant und verteilt die Arbeit, mehrere Agenten setzen sie zeitgleich um, und ein oder mehrere Agenten prüfen jedes Ergebnis, bevor es gemergt wird. Jede Rolle hat ein klar abgegrenztes Aufgabengebiet und definierte Übergabepunkte.

Anthropic hat diesen Aufbau bereits 2024 als Orchestrator-Workers-Muster beschrieben: Ein zentrales Modell zerlegt eine Aufgabe, delegiert Teilbereiche und führt die Ergebnisse zusammen. Der Verifier ist die neuere Erweiterung – und genau die Rolle, die die meisten Teams vernachlässigen.

Ein Swarm bedeutet nicht einfach „viele Agenten erledigen dieselbe Arbeit“. Fünf Agenten mit demselben Prompt auf demselben Repository sind eine Race Condition, kein Team. Erst die klare Rollenverteilung macht das Ganze zu einem Swarm. Einen umfassenderen Überblick darüber, wie Agenten koordiniert werden, finden Sie im Artikel darüber, was KI-Agenten-Orchestrierung ist.

Die drei Rollen: Planer, Worker und Verifier

Jede Rolle beantwortet eine andere Fragestellung und benötigt einen unterschiedlichen Kontext.

Rolle Beantwortete Frage Typisches Modell Liest Schreibt
Planer Was sind die Teilaufgaben und wer übernimmt was? Leistungsfähigstes verfügbares Modell Gesamtziel, Codebase-Übersicht Aufgabenliste, Akzeptanzkriterien
Worker Wie setze ich diesen konkreten Teil um? Günstiger, schneller Eine Aufgabe, zugehörige Dateien Ein Diff im eigenen Workspace
Verifier Erfüllt diese Änderung die Anforderungen der Aufgabe? Leistungsfähigstes verfügbares Modell Aufgabe, Diff, Testausgaben Freigabe oder Ablehnung mit Begründung
Diagramm eines KI-Agenten-Swarms: Ein Planer auf einem leistungsstarken Modell verteilt Aufgaben an drei Worker auf leichteren Modellen, jeweils in einem isolierten Workspace, deren Änderungen an einen Verifier übergeben werden, der sie vor dem menschlichen Review genehmigt oder ablehnt

Was macht der Planer?

Der Planer verwandelt ein vages Gesamtziel in überschneidungsfreie Aufgaben. Ein solider Plan benennt die Dateien, die jede Aufgabe ändern darf, den Test, der die Fertigstellung nachweist, und die Reihenfolge, falls Aufgaben voneinander abhängen. Müssen zwei Aufgaben dieselbe Datei bearbeiten, führt der Planer sie zusammen oder lässt sie nacheinander ausführen.

Was machen die Worker?

Worker bearbeiten jeweils genau eine Aufgabe parallel – und nichts anderes. Jeder Worker erhält einen eigenen Workspace, meist einen Git-Worktree: einen separaten Checkout desselben Repositorys auf einem eigenen Branch. Erst diese Isolation ermöglicht es drei Workern, gleichzeitig Code zu bearbeiten, ohne sich gegenseitig zu überschreiben. Mehr dazu erfahren Sie unter parallele Agenten in isolierten Worktrees.

Was machen die Verifier?

Verifier versuchen gezielt nachzuweisen, dass eine Änderung fehlerhaft ist. Google verwendet dafür den Begriff „adversarial“ (widersacherisch), und das trifft es genau: Der Verifier führt die Tests aus, gleicht das Diff mit der Aufgabenstellung ab und sucht nach Abkürzungen, die ein Worker womöglich genommen hat. Ein Verifier, der lediglich prüft, ob die Tests durchlaufen, übersieht beispielsweise Worker, die Tests manipuliert haben, damit sie grün werden.

Warum das teure Modell plant und prüft

Planung und Verifikation erfordern wenig Text, haben aber weitreichende Konsequenzen. Die eigentliche Umsetzung erzeugt viel Output, bei dem jede einzelne Zeile für sich genommen weniger ins Gewicht fällt. Diese Asymmetrie bestimmt, welches Modell an welcher Stelle zum Einsatz kommt.

Ein Planer verfasst wenige hundert Zeilen an Aufgabenbeschreibungen. Ein Verifier fällt ein Urteil. Keiner von beiden erzeugt große Mengen an Output, sodass ein höherer Token-Preis hier kaum ins Gewicht fällt. Die Worker hingegen generieren den Großteil der Tokens – hier sparen günstige Modelle am meisten Geld.

Auch Fehler wirken sich völlig unterschiedlich aus: Ein schlechter Plan führt jeden Worker in die Irre, und ein nachlässiger Verifier winkt jede fehlerhafte Änderung durch. Ein leistungsschwächerer Worker produziert hingegen nur ein einzelnes schlechtes Diff, das der Verifier abfängt. Setzen Sie die höchste Urteilskraft dort ein, wo Fehler sich multiplizieren.

Googles eigene Positionierung stützt diese Aufteilung. Demnach bleibe Gemini 4 Argon „die ideale Wahl für den Großteil der Softwareentwicklung und Wissensarbeit“, während Carbon mehr Tokens nutzt, „um Probleme gründlich zu durchdringen, tiefgehend zu schlussfolgern und erweiterte Verifikationsschleifen durchzuführen“. Carbon kostet bis zum 30. November 2026 2 $ pro Million Input-Tokens und 10 $ pro Million Output-Tokens, danach 4 $ bzw. 20 $. Details zu den Modellen finden Sie unter Gemini 4 Carbon für Coding-Agenten und Gemini 4 Argon für Coding-Agenten. Dieselbe Logik gilt für jedes beliebige Modellpaar; siehe dazu Modell-gemischte Crews mit günstigen Workern und teurem Reviewer.

Woran KI-Agenten-Swarms scheitern

Die meisten Fehlschläge bei Swarms lassen sich auf drei Schwachstellen zurückführen: geteilter State, oberflächliche Prüfungen und fehlende Budgetgrenzen.

Warum überschreiben sich Agenten gegenseitig?

Zwei Worker greifen auf dieselbe Datei zu, weil der Plan dies nicht explizit untersagt hat. Ohne isolierte Workspaces gewinnt der letzte Schreibvorgang und die Arbeit des ersten Workers geht verloren. Mit Isolation bleiben zwar beide Änderungen bis zum Merge erhalten, führen dann aber zu Konflikten. Die Lösung liegt im Plan: Weisen Sie Dateien taskbezogen festen Ownern zu und staffeln Sie Aufgaben, die dieselben Dateien betreffen, sequenziell.

Warum winken Verifier Änderungen blind durch?

Ein Verifier, der lediglich die Zusammenfassung des Workers statt des tatsächlichen Diffs liest, bewertet eine Behauptung, nicht das Ergebnis. Er liest „Alle Tests bestanden“ und stimmt zu. Geben Sie dem Verifier immer das rohe Diff und die Testausgaben – niemals den Selbstbericht des Workers. Lassen Sie ihn zudem auf einem anderen Modell als die Worker laufen, damit er nicht dieselben blinden Flecken teilt. Der Artikel über KI-Code-Review-Agenten erklärt, was ein prüfender Agent verifizieren kann und was nicht.

Wie explodieren die Kosten eines Swarms?

Jede Ablehnung löst einen erneuten Durchlauf samt Review aus – schlägt ein Task dreimal fehl, entstehen die vierfachen Kosten für Build und Review. Zehn Worker, die über Nacht in einer Ablehnungsschleife hängen, können das Budget einer ganzen Woche verbrennen. Begrenzen Sie die Wiederholungsversuche pro Aufgabe (zwei sind ein sinnvoller Standardwert), limitieren Sie die Anzahl gleichzeitiger Worker und eskalieren Sie den Task an einen Menschen, sobald der letzte Versuch fehlschlägt.

Ein vierter Fehler lauert im Verborgenen: Wenn Plan, Durchläufe und Urteile in ein und demselben Kontextfenster liegen, kann niemand das Gesamtergebnis unabhängig auditieren. Jemand außerhalb des Swarms muss das Geschehen weiterhin überwachen.

So steuern Sie einen KI-Agenten-Swarm über ein geteiltes Board

Sie brauchen kein spezielles Swarm-Tool, um einen Swarm zu betreiben. Was Sie benötigen, sind Aufgaben, isolierte Workspaces und ein Prüfgate. Ein geteiltes Board bietet Ihnen alle drei Elemente – und hält den gesamten Verlauf transparent für Menschen nachvollziehbar fest.

Ein Kanban-Board für einen KI-Agenten-Swarm: Ein übergeordneter Planer-Task ist mit drei Worker-Tasks in „In Progress“ verknüpft, ein Verifier-Task steht in „Review“, und ein Review-Gate liegt zwischen „Review“ und „Done“
  1. Erstellen Sie einen übergeordneten Parent-Task für das Gesamtziel. Der Planer liest ihn ein und formuliert den Plan in Form von Subtasks – jeweils mit Angabe der betroffenen Dateien und des Akzeptanztests.
  2. Weisen Sie jedem Worker genau eine Aufgabe zu. Ein Task, ein Agent, ein Branch. Teilen sich zwei Subtasks eine Datei, führen Sie diese zusammen, bevor die Bearbeitung beginnt.
  3. Führen Sie jeden Task in einem eigenen Verzeichnis aus. Ein Worktree pro Durchlauf trennt parallele Code-Änderungen sauber voneinander.
  4. Fügen Sie vor „Done“ den Status „Review“ ein. Kein Task wird allein auf das Wort des Workers hin als erledigt markiert.
  5. Übertragen Sie das Review einem Verifier-Agenten auf einem stärkeren Modell. Dieser prüft das Diff sowie die Testausgaben und gibt den Task frei oder weist ihn mit einer Begründung zurück.
  6. Setzen Sie einen Menschen an das Ende der Kette. Der Verifier filtert vor; der Mensch nimmt das finale Ergebnis ab.

So lässt sich das in Sharkly abbilden: Eine Crew ist eine wiederverwendbare Gruppe aus Menschen und Agenten, die von einem leitenden Lead-Agenten koordiniert wird. Weisen Sie den übergeordneten Task der Crew zu, startet der Lead-Agent zuerst: Er analysiert die Aufgabe, bindet dann Mitglieds-Agenten für konkrete Teilbereiche ein und führt deren Ergebnisse zusammen. Durch dieses Leader-First-Prinzip fängt kein Worker an zu arbeiten, bevor ein fertiger Plan vorliegt.

Agenten im temporären Working-Directory-Modus erhalten pro Task ein isoliertes Verzeichnis, und Repository-basierte Läufe können einen frischen Worktree aufsetzen, sodass parallele Worker niemals dieselben Dateien teilen. Jeder Agent läuft auf der von Ihnen konfigurierten Runtime – so stellen Sie sicher, dass Leader und Reviewer auf einem leistungsstärkeren Modell laufen als die Worker.

Das Review-Gate ist ein fester Status in Ihrem Task-Workflow. Ein Agent kann einen Task mit dem Status „Wartet auf menschliches Review“ versehen; diese Übergabe erscheint dann im Task-Chats-Modul in der Haupt-Sidebar, wie in der Dokumentation zur Agent-Task-Ausführung beschrieben. Fehlgeschlagene oder blockierte Läufe landen weiterhin in der Inbox. Agenten recherchieren, implementieren, testen und berichten. Menschen geben die Richtung vor, erteilen Freigaben und nehmen das Ergebnis ab. Der Einstieg in Sharkly ist kostenlos: Verbinden Sie einen Computer, erstellen Sie zwei Agenten und weisen Sie einer Crew eine kleine Testaufgabe zu. Mehr über den menschlichen Faktor erfahren Sie im Artikel über Review-Design für parallele Agenten.

Wann Sie keinen KI-Agenten-Swarm brauchen

Verzichten Sie auf einen Swarm, wenn sich die Arbeit nicht sinnvoll aufteilen lässt. Ein einzelner Bugfix, ein Refactoring in einer einzigen Datei oder eine zusammenhängende Argumentationskette gelingen mit einem einzelnen starken Agenten und einem Reviewer schneller. Bei weniger als drei unabhängigen Aufgaben übersteigt der Koordinationsaufwand meist den Zeitgewinn durch die Parallelisierung.

Setzen Sie einen Swarm ein, wenn sich das Gesamtziel in Teilaufgaben zerlegen lässt, die unterschiedliche Dateien betreffen: eine Migration über mehrere Packages hinweg, das modulübergreifende Nachpflegen von Tests oder eine API-Änderung, die in zehn Services ausgerollt werden muss. Google nennt explizit „Migrationen über mehrere Pakete“ und „subsystemübergreifende Ursachenanalysen“ als Paradebeispiele für Aufgaben, die Carbon in Multi-Agenten-Setups meistert.

Fazit

Ein KI-Agenten-Swarm besteht aus drei Aufgabenfeldern, nicht aus einem einzigen riesigen Prompt: planen, umsetzen, verifizieren. Nutzen Sie Ihr bestes Modell für die Planung und das abschließende Urteil, günstigere Modelle für die Umsetzung, und dokumentieren Sie jedes Ergebnis dort, wo Menschen es nachvollziehen können. Beginnen Sie mit einem übergeordneten Parent-Task, drei Workern und einem Verifier. Um dieses Schema mit Ihren vorhandenen Agenten zu testen, verbinden Sie einen Computer mit Sharkly und weisen Sie Ihrer ersten Crew eine Aufgabe zu.

FAQ

Was ist der Unterschied zwischen einem Agenten-Swarm und Multi-Agenten-Orchestrierung?

Orchestrierung ist der übergeordnete Begriff für die Koordination mehrerer Agenten. Ein Swarm ist ein spezielles Orchestrierungsmuster mit festen Rollen: einem Planer, parallelen Workern und Verifiern. Jeder Swarm wird orchestriert, aber nicht jede Orchestrierung ist ein Swarm.

Wie viele Agenten sollte ein KI-Agenten-Swarm umfassen?

Starten Sie mit einem Planer, drei Workern und einem Verifier. Fügen Sie erst dann weitere Worker hinzu, wenn die Aufgaben unabhängig bleiben und Ihre Review-Warteschlange nicht überläuft. Mehr Worker als überprüfbare Ergebnisse verlagern den Engpass lediglich auf den Verifier.

Können Planer und Verifier derselbe Agent sein?

Sie können dasselbe Modell nutzen, sollten jedoch in separaten Durchläufen mit getrenntem Kontext laufen. Ein Planer, der die Ergebnisse seines eigenen Plans überprüft, neigt dazu, sie voreingenommen durchzuwinken. Ein unabhängiger Verifier hingegen analysiert das Diff ohne die Vorannahmen des Planers.

Brauche ich Google Antigravity, um einen Agenten-Swarm zu betreiben?

Nein. /swarm ist lediglich eine Preview-Funktion innerhalb von Antigravity, aber das Muster an sich erfordert lediglich Aufgabenaufteilung, isolierte Workspaces und einen Review-Schritt. Sie können diesen Ablauf mit Git-Worktrees und einem Kanban-Board mit beliebigen Coding-Agenten umsetzen, die Sie bereits im Einsatz haben.

Wie verhindert man, dass Swarm-Worker dieselbe Datei bearbeiten?

Der Plan weist Datei-Zuständigkeiten klar zu, damit sich Aufgaben nicht überschneiden, und isolierte Workspaces halten die Änderungen jedes Workers bis zum Merge auf einem eigenen Branch. Eine CODEOWNERS-Regel sorgt beim Review für eine zusätzliche automatische Prüfung.

Mehr entdecken

Human-in-the-Loop-KI-Agenten: Was Browser-Handoff richtig macht

Human-in-the-Loop-KI-Agenten: Was Browser-Handoff richtig macht

Human-in-the-Loop-KI-Agenten brauchen zwei Arten von Kontrollpunkten: Schritte, die nur ein Mensch erledigen kann, und Schritte, die ein Mensch beurteilen sollte. Was Browse bei der Übergabe richtig macht – und wie man das auf ein Task-Board abbildet.

19 November 2026

Gemini 4 Neon Orchestrator: Mit Hydrogen-Subagenten kombinieren

Gemini 4 Neon Orchestrator: Mit Hydrogen-Subagenten kombinieren

Wie man einen Gemini 4 Neon Orchestrator für Hydrogen-Subagenten betreibt: der Vertrag für Unteraufgaben, den er schreibt, die Dimensionierung des Fan-outs, die Kostenberechnung pro Lauf im Vergleich zu Carbon und die Regeln für Fehlerfälle.

19 November 2026

Agentic SDLC: Die fünf Bausteine, die es braucht (Board, Agents, Review Gate)

Agentic SDLC: Die fünf Bausteine, die es braucht (Board, Agents, Review Gate)

Was ein agentenbasiertes SDLC in der Praxis braucht: ein gemeinsames Board, zuweisbare Agents, einen separaten Reviewer-Agent, einen Rückgabe-Pfad und einen Menschen, der ausliefert. Der Kreislauf Schritt für Schritt.

18 November 2026