TL;DR: Wenn Sie 10 KI-Coding-Agents gleichzeitig ausführen möchten, sollten Sie aufhören, jeden Agenten wie ein Terminal zu behandeln, das Sie ständig überwachen müssen. Machen Sie stattdessen aus jedem Arbeitsschritt eine Aufgabe (Task), weisen Sie jeder Aufgabe einen eigenen Agenten-Lauf in einem isolierten Git-Worktree auf einem angebundenen Computer zu, wickeln Sie Rückfragen über Aufgabenkommentare ab und überlassen Sie wiederkehrende Abläufe ereignisbasierten Triggern. So prüfen Sie Ergebnisse statt Sitzungen.
Sie können 10 KI-Coding-Agents gleichzeitig ausführen, ganz ohne 10 geöffnete Terminal-Tabs – und das Limit, an das Sie zuerst stoßen, ist nicht das Modell. In ihrem Essay „Exploring Super-agent Design“ bringt es das DeepSeek-Harness-Team auf den Punkt: Ein Mensch kann in der Regel nur 3 bis 5 aktive Sitzungen gleichzeitig im Auge behalten. Darüber hinaus werden Sie selbst zum Flaschenhals.
Ihre Lösung ist ein sogenannter „Super-Agent“: ein Koordinator, der mit Menschen kommuniziert und die Arbeit an viele isolierte Worker verteilt. Der Essay beschreibt eine Architektur, kein fertiges Produkt. Diese Anleitung zeigt die vereinfachte Version, die ein Team bereits heute auf einem Sharkly-Board einsetzen kann – basierend auf dem bestehenden Setup mit Claude Code oder Codex.
Ein wesentlicher Unterschied: Bei DeepSeek ist der Koordinator ein LLM, das entscheidet, wer was übernimmt. Auf einem Board trifft diese Entscheidung ein Mensch – und jede Entscheidung bleibt nachvollziehbar dokumentiert.
Warum 10 Terminals an ihre Grenzen stoßen
Manuell lassen sich zwei oder drei Agenten noch gut handhaben. Bei zehn treten gleich vier Probleme auf einmal auf.
- Sie werden zum Router. Jeder Prompt, jedes „Weiter“, jede Nachfrage läuft über Ihren Schreibtisch.
- Kontexte vermischen sich. Ein Fix für den Auth-Branch landet versehentlich in der Billing-Sitzung, oder zwei Agenten bearbeiten denselben Checkout und überschreiben gegenseitig ihre Änderungen.
- Ihr Laptop wird zum Server. Klappen Sie den Bildschirm zu, pausieren alle Sitzungen. Länger laufende Prozesse benötigen einen Host, der dauerhaft aktiv bleibt.
- Nichts wird dokumentiert. Läuft ein Durchlauf schief, befindet sich der Verlauf in einem Scrollback-Puffer, den Sie womöglich längst geschlossen haben.
Diesen Aufwand haben wir bereits in Too Many Terminals analysiert. Die Lösung: Verlagern Sie die Koordination aus Ihrem Kopf in ein System, das Zustände zuverlässig verwaltet.
DeepSeeks Super-Agent übertragen auf ein Board
Jede Komponente des DeepSeek-Designs lässt sich direkt auf ein Aufgaben-Board übertragen.
| DeepSeek-Komponente | Funktion im Essay | Auf einem Sharkly-Board |
|---|---|---|
| Router | Eine langlebige Sitzung; kommuniziert mit Menschen, verteilt Aufgaben, führt selbst nichts aus; ein einfacheres Modell genügt | Das Board zusammen mit der Person, die Aufgaben zuweist |
| Workers | Eine isolierte Sitzung pro Aufgabe, stärkstes Modell, keine direkte Interaktion mit Menschen | Ein Agenten-Lauf pro Aufgabe in einem eigenen Worktree |
| Threads | Rückfragen zum selben PR oder Chat-Thema gehen direkt an den zuständigen Worker | Kommentare zur Aufgabe wecken den zugewiesenen Agenten auf |
| Triggers | Ereignisse werden zuerst per Code gefiltert (Allowlists), anschließend vom Modell (Richtlinien als Prompts) | Automatisierungen basierend auf Status, Kommentar-Phrasen, Webhooks oder Zeitplänen |
| BYOM (Bring your own hardware) | Agenten-Schleife in der Cloud, Umgebungen auf eigener Hardware über einen schlanken Daemon | Computer, die über Sharkly Desktop oder das Sharkly CLI angebunden sind |
| Watchdog | Eine externe Überwachungssitzung, die festhängende oder abdriftende Worker abfängt | Ein zeitgesteuerter Check kombiniert mit Ausführungsverlauf und menschlicher Freigabe |
Die zweistufige Trigger-Filterung lohnt sich, exakt so zu übernehmen. Der Code filtert vorab alles aus, was möglich ist (falsches Repo, falscher Status), und erst danach liest ein Modell das Ereignis ein. Auf einem Board übernimmt der Trigger den Code-Filter, während die Anweisungen der Automatisierung als Richtlinien-Prompt dienen.
So betreiben Sie 10 KI-Coding-Agents auf einem Sharkly-Board
Fangen Sie nicht direkt mit zehn an. Starten Sie mit drei, etablieren Sie den Ablauf und erhöhen Sie die Zahl erst danach.
Schritt 1: Computer anbinden und Nebenläufigkeit niedrig ansetzen
Ein Computer ist der Host, auf dem Ihre Agenten laufen. Installieren Sie auf einem Laptop Sharkly Desktop. Verwenden Sie auf einem Remote-Host oder Linux-Server das Sharkly CLI und dessen lokalen Dienst:
# On the remote host, with an install token from the Computers page
sharkly computer register --install-token <install-token>
sharkly daemon status
Der lokale Dienst erkennt installierte Tools wie Claude Code oder Codex automatisch und meldet jedes davon als Runtime.
Jeder Computer hat ein Limit für gleichzeitig ausgeführte Aufgaben. Gemäß der Computers-Dokumentation sind Durchläufe in temporären Verzeichnissen standardmäßig auf 50 % dieses Limits begrenzt; weitere Aufgaben landen in einer Warteschlange, sobald die Kapazität erschöpft ist. Setzen Sie den Wert anfangs lieber etwas niedriger an: Drei parallele Durchläufe auf einem Computer sind ein solider erster Test.
Nutzen Sie für Programmierarbeiten den Modus für temporäre Verzeichnisse. Jeder Lauf erhält ein eigenes Verzeichnis, und Repository-Durchläufe können einen frischen Git-Worktree nutzen, sodass sich zwei Agenten niemals im selben Checkout in die Quere kommen. Wenn Worktrees für Sie neu sind, lesen Sie zuerst den Artikel darüber, wie man Git-Worktrees mit KI-Coding-Agents einsetzt.
Schritt 2: Zwei oder drei Agenten mit klar getrennten Aufgaben anlegen
Zehn Agenten bedeuten nicht zehn verschiedene Persönlichkeiten, sondern wenige klar definierte Rollen, die jeweils mehrere Aufgaben abarbeiten.
- Builder: schreibt den eigentlichen Code. Weisen Sie ihm Ihr stärkstes Modell zu – genau wie DeepSeek es bei den Workern handhabt.
- Reviewer: liest den Diff sowie die Abnahmekriterien der Aufgabe und verfasst Kommentare.
- Fixer: kümmert sich um fehlgeschlagene Tests und Feedback aus Reviews.
Agents, Crews und Computers belegen keine Lizenzen – neue Rollen verursachen also keine zusätzlichen Arbeitsplatzkosten.
Schritt 3: Aufgaben so formulieren, dass sie unabhängig lauffähig sind
Die meisten parallelen Setups scheitern an diesem Punkt. Eine Aufgabe, die von ungemergtem Code einer anderen Aufgabe abhängt, gerät ins Stocken oder verursacht Konflikte.
Jede Aufgabe sollte drei klare Kriterien erfüllen: ein konkretes Ergebnis, die betroffenen Dateien bzw. Module und eine Überprüfung, die jeder nachvollziehen kann. „Rate Limiting zu /api/upload hinzufügen; npm test -- upload läuft fehlerfrei durch“ funktioniert. „Die API verbessern“ hingegen nicht.
Sollten zwei Aufgaben dieselbe Datei bearbeiten, führen Sie diese hintereinander aus.
Schritt 4: Zuweisen und Rückfragen direkt an der Aufgabe bündeln
Weisen Sie jede Aufgabe einem Agenten zu. Befindet sich eine Aufgabe nicht im Backlog, kann der Lauf sofort starten; Backlog-Aufgaben warten, bis sie in einen bereiten Status verschoben werden.
Rückfragen gehören in die Kommentare der Aufgabe – keinesfalls in separate Chats. Ein Kommentar eines Teammitglieds zu einer zugewiesenen Aufgabe kann einen Folge-Lauf auslösen. Sharkly fasst rasch aufeinanderfolgende Kommentare zusammen, um doppelte ausstehende Läufe zu vermeiden. Das entspricht DeepSeeks Thread-Konzept: Der Kontext bleibt fest mit der Arbeit verknüpft.
Eine feste Phrase wie /revise zusammen mit der gewünschten Änderung sorgt dafür, dass Anweisungen sofort erkennbar bleiben.
Schritt 5: Wiederkehrende Ereignisse in Automatisierungen überführen
Eine Automation verknüpft Anweisungen mit einem Agenten oder einer Crew sowie einem oder mehreren Triggern. Gemäß der Automations-Dokumentation stehen vier Trigger-Typen zur Verfügung, ergänzt durch die manuelle Option „Run now“:
- Zeitplan (Schedule): ein fünfteiliger Cron-Ausdruck und eine Zeitzone.
- Aufgabenstatus (Task status): wird ausgelöst, sobald eine Aufgabe einen bestimmten Status erreicht.
- Kommentar-Phrase (Comment phrase): reagiert auf bestimmte Phrasen in Kommentaren (ohne Berücksichtigung von Groß-/Kleinschreibung).
- Webhook: eine geschützte URL, die POST-Requests entgegennimmt (optional mit Request-Signierung).
Ein wichtiger Hinweis aus der Dokumentation: Der Abgleich von Status und Kommentaren erfolgt derzeit organisationsweit und ist nicht auf einen einzelnen Space beschränkt. Formulieren Sie die Anweisungen so, dass der Agent zunächst die auslösende Aufgabe überprüft (z. B. Titel-Präfix oder Space) und abbricht, falls diese nicht zutrifft. Das entspricht DeepSeeks zweiter Filterstufe, formuliert als Prompt.
Schritt 6: Watchdog und menschliche Freigabe einrichten
DeepSeek setzt einen separaten Watchdog ein, um Worker abzufangen, die in Endlosschleifen geraten oder vom Ziel abweichen. Dies lässt sich über eine zeitgesteuerte Automatisierung abbilden, die Läufe markiert, deren Dauer den üblichen Rahmen deutlich übersteigt – gestützt auf die von Sharkly erfassten Statuswerte: queued, running, completed, failed, canceled.
Schalten Sie am Ende stets einen Menschen ein: einen Review-Status, in dem ein Teammitglied den Diff vor dem Zusammenführen freigibt. Die Review-Kapazität bildet Ihre tatsächliche Obergrenze. Lesen Sie daher Human Review Is the Bottleneck, bevor Sie auf mehr als fünf parallele Prozesse aufstocken. Worauf Sie während aktiver Durchläufe achten sollten, erfahren Sie im Leitfaden How to Monitor Coding Agents Running in Parallel.
Was der parallele Betrieb von zehn Agenten kostet
Die Kosten setzen sich aus zwei separaten Bereichen zusammen: Modell-Tokens und Koordinationsebene.
Tokens. Sharkly verkauft keine Tokens. Durchläufe werden über den Claude-Code-, Codex- oder API-Plan abgerechnet, der in der jeweiligen Runtime hinterlegt ist. Die Gründe dafür erläutern wir in Why an Agent Platform Should Not Sell You Tokens.
Parallelität kostet Tokens. DeepSeeks eigene Tests liefern hierzu aufschlussreiche Werte. Getestet wurden rund 300 Nachrichten bei etwa 20 Arbeitsaufträgen (simuliertes Coding), jeweils 5 Durchläufe – die Ergebnisse dienen als Richtwerte.
| Setup (DeepSeeks Daten) | p50-Bearbeitungszeit | p95-Bearbeitungszeit | Cache-Read-Tokens pro Durchlauf |
|---|---|---|---|
| Super-Agent | 12,4 Min. | 15,7 Min. | 23,2 Mio. |
| Einzelsitzung + Sub-Agenten, neutraler Prompt | 20,4 Min. | 29,5 Min. | 6,1 Mio. |
| Einzelsitzung + Sub-Agenten, delegationsfokussierter Prompt | 13,8 Min. | 29,0 Min. | 10,8 Mio. |
Die Sitzung mit neutralem Prompt delegierte in fünf Durchläufen kein einziges Mal. Das Resultat: Höherer Token-Verbrauch führt zu kürzeren, stabileren Bearbeitungszeiten. Wir haben diese Tests nicht erneut durchgeführt.
Die Plattform. Laut Sharkly-Preisseite (Stand: 4. November 2026) ist das Produkt für Organisationen mit bis zu 5 Personen derzeit kostenlos. Der Team-Plan kostet 7 $ pro Person bei jährlicher Abrechnung. Gezählt werden ausschließlich menschliche Benutzerkonten.
Typische Einsatzbereiche für dieses Muster
- Backlog-Abarbeitung: Zwanzig kleine, voneinander unabhängige Issues, jeweils als eigene Aufgabe angelegt, aufgeteilt auf Builder und Reviewer.
- Test-Reparaturen nach Upgrades: Eine Aufgabe pro fehlschlagendem Paket, jeweils in einem eigenen Worktree.
- Synchronisation von Dokumentation und Code: Ein Status-Trigger startet einen Docs-Agenten, sobald eine Feature-Aufgabe ins Review wandert.
- Nacht-Warteschlangen: Aufgaben laufen auf einem Remote-Computer durch, während Sie schlafen, und liegen morgens zur Überprüfung bereit.
Wenn Sie noch abwägen möchten, wo Agenten am besten ausgeführt werden sollten, hilft Ihnen der Vergleich Codex Cloud vs. your own Computers bei der Entscheidung.
Starten Sie mit drei
Zehn parallele Agenten sind das Ziel, nicht der Ausgangspunkt. Verbinden Sie einen Computer, erstellen Sie einen Builder und einen Reviewer, formulieren Sie drei Aufgaben mit überprüfbaren Ergebnissen und weisen Sie diese zu. Begleiten Sie einen vollständigen Durchlauf: Start, Kommentar, Nachbesserung, Review. Sobald dieser Ablauf reibungslos und routiniert funktioniert, erhöhen Sie die Nebenläufigkeit um zwei und richten eine erste Automatisierung ein.
Häufig gestellte Fragen (FAQ)
Wie viele KI-Coding-Agents kann eine Person verwalten?
Das Team von DeepSeek geht von 3 bis 5 aktiven Sitzungen aus, wenn man jede davon manuell verfolgt. Werden Aufgaben jedoch strukturiert mit schriftlich definierten Ergebnissen erfasst, lassen sich deutlich mehr Agenten koordinieren – da Sie lediglich Resultate prüfen, statt laufende Sitzungen zu überwachen.
Kann ich mehrere Claude-Code-Agenten im selben Repository ausführen?
Ja, sofern jeder Lauf in einem eigenen Verzeichnis arbeitet. Der Modus für temporäre Verzeichnisse stellt für jede Aufgabe eine isolierte Umgebung bereit, und bei Repository-Läufen kann ein frischer Git-Worktree verwendet werden, sodass sich parallele Agenten nicht gegenseitig überschreiben.
Was passiert, wenn ich mehr Aufgaben zuweise, als mein Computer ausführen kann?
Überschüssige Aufgaben werden in eine Warteschlange eingereiht. Jeder Computer verfügt über ein Limit für parallele Aufgaben; neue Läufe starten automatisch, sobald Kapazitäten frei werden. Eine wartende Aufgabe pausiert zudem, wenn der Computer offline ist oder die Runtime nicht zur Verfügung steht.
Wird ein Cloud-Server benötigt, um Agenten parallel zu betreiben?
Nein. Über Sharkly Desktop lässt sich auch ein gewöhnlicher Laptop als Computer einbinden. Für längere oder über Nacht laufende Prozesse empfiehlt sich jedoch ein per Sharkly CLI angebundener Remote- oder Linux-Host, da dieser aktiv bleibt, wenn Ihr Laptop in den Ruhezustand wechselt.
Entspricht ein Board exakt DeepSeeks Super-Agenten?
Nicht ganz. Bei DeepSeek agiert der Router als autonomes LLM, das eigenständig Aufgaben zuweist. Auf einem Board übernimmt diese Zuteilung ein Mensch, während Automatisierungen wiederkehrende Ereignisse abwickeln.
