Supervisor-Agent
Ein Supervisor-Agent ist der KI-Agent, der ein Multi-Agenten-System steuert. Er nimmt die Anfrage entgegen, zerlegt sie in Teilaufgaben, übergibt jede an einen spezialisierten Worker-Agenten (einen Subagenten) mit den passenden Tools, prüft die Rückgaben und fügt die Ergebnisse zu einer Antwort zusammen. Die Worker führen aus; der Supervisor entscheidet, wer was erledigt und wann die Aufgabe fertig ist.
Verstehen Supervisor-Agent
Da KI-Systeme zunehmend komplexere Aufgaben übernehmen, stoßen Single-Agent-Architekturen an ihre Grenzen. Ein einzelner Agent, der alle Aspekte eines komplexen Workflows – Planung, Tool-Ausführung, Qualitätskontrolle und Synthese – verwaltet, wird schwer nachvollziehbar und anfällig für Fehler. Multi-Agenten-Architekturen begegnen dem durch Spezialisierung.
In einer Supervisor-Worker-Architektur erhält der Supervisor-Agent eine übergeordnete Aufgabe und entscheidet, wie diese zerlegt wird. Er erkennt, welche spezialisierten Subagenten welche Komponenten bearbeiten sollen, weist ihnen Aufgaben zu, überwacht den Fortschritt, behandelt Fehler und führt die Ergebnisse zusammen. Der Supervisor konzentriert sich auf Koordination, die Worker auf Ausführung.
Das spiegelt wider, wie menschliche Organisationen arbeiten: Ein Projektmanager schreibt nicht gleichzeitig Code, entwirft Interfaces und testet Software. Er koordiniert Fachleute, die jeweils tiefes Fachwissen beisteuern. Supervisor-Agents wenden dieses Prinzip auf KI an.
LangGraph, das Framework hinter dem Agenten-System von GAIA, unterstützt Supervisor-Worker-Muster nativ. Jeder Knoten im Graphen kann einen spezialisierten Agenten darstellen und die Graphstruktur kodiert die Koordinationslogik.
So funktioniert das Supervisor-Muster Schritt für Schritt: Der Supervisor liest die Anfrage und plant die Teilaufgaben; er leitet jede Teilaufgabe an einen Worker weiter, meist indem er ihn wie ein Tool mit einer schriftlichen Aufgabe aufruft; die Worker arbeiten allein oder parallel, jeder mit eigenem Prompt, eigenen Tools und eigenem Kontextfenster; ihre Ergebnisse gehen an den Supervisor zurück, der entscheidet, ob er weitere Arbeit vergibt, es erneut versucht oder abschließt; zuletzt schreibt der Supervisor die Antwort. Weil jeder Worker nur seine eigene Aufgabe sieht, bleibt der Kontext des Supervisors klein, und lange Tool-Ausgaben eines Workers überfluten nie das Hauptgespräch.
Supervisor im Vergleich zu anderen Multi-Agenten-Mustern: In einer sequenziellen Pipeline reichen Agenten die Arbeit entlang einer festen Kette weiter, ohne zentrale Entscheidungsinstanz. In einem Netzwerk- oder Schwarm-Muster kann jeder Agent die Kontrolle direkt an einen anderen abgeben. In einem hierarchischen Muster führen Supervisoren andere Supervisoren, die jeweils ein Team leiten. Das Supervisor-Muster lässt sich am leichtesten debuggen, weil jede Entscheidung über eine Stelle läuft. Es kostet einen zusätzlichen Modellaufruf pro Routing-Entscheidung und schafft einen Single Point of Failure: Versteht der Supervisor die Aufgabe falsch, arbeiten alle Worker an der falschen Sache. LangGraph (über die Bibliothek langgraph-supervisor), der hierarchische Prozess von CrewAI und der Agents-as-Tools-Ansatz im OpenAI Agents SDK setzen es um.
Wann Sie darauf verzichten sollten: Wenn ein einzelner Agent mit wenigen Tools die Aufgabe schafft, bringt ein Supervisor nur Latenz und Kosten. Das Muster lohnt sich, wenn Aufgaben verschiedene Fachgebiete betreffen, unterschiedliche Tools oder Berechtigungen brauchen oder mehr Zwischenergebnisse erzeugen, als in ein Kontextfenster passen.
Nicht zu verwechseln mit Supervisor-KI im Contact Center: Dort sind Agenten und Supervisoren Menschen, und Supervisor-KI- oder Agent-Assist-Tools helfen einem menschlichen Supervisor, laufende Gespräche zu verfolgen, Mitarbeitende zu coachen und Eskalationen zu erkennen. Das ist eine andere Produktkategorie als ein Supervisor-Agent in einem KI-System.
Wie GAIA verwendet Supervisor-Agent
GAIA verteilt die Supervisor-Rolle auf zwei Ebenen. Der Comms-Agent ist der, mit dem Sie sprechen: Er versteht die Anfrage und übergibt alle echte Arbeit an den Executor-Agenten, der im Hintergrund läuft, damit das Gespräch flüssig bleibt. Der Executor ist der Supervisor im klassischen Sinn. Er plant die Aufgabe, lädt die benötigten Integrationen (Gmail, Google Kalender, Notion und weitere) und nutzt deren Tools direkt, und er startet Subagenten für umfangreiche, abgeschlossene Aufgaben oder übergibt Arbeit an einen Subagenten für jeden eigenen MCP-Server, den Sie verbunden haben. Subagenten melden ihre Ergebnisse an den Executor zurück, lassen sich während der Arbeit anschreiben oder abbrechen und können keine eigenen Worker starten, die Hierarchie bleibt also eine Ebene tief.
Verwandte Konzepte
Agentische KI
Agentische KI beschreibt Systeme der künstlichen Intelligenz, die darauf ausgelegt sind, autonom zu agieren, Entscheidungen zu treffen und mehrstufige Aufgaben mit minimaler menschlicher Aufsicht auszuführen.
Agenten-Loop
Ein Agenten-Loop ist der iterative Ausführungszyklus eines KI-Agenten, in dem er über den aktuellen Status nachdenkt, eine Aktion auswählt und ausführt (häufig einen Tool-Aufruf), das Ergebnis beobachtet und dies wiederholt, bis die Aufgabe abgeschlossen oder eine Abbruchbedingung erreicht ist.
Autonomer Agent
Ein autonomer Agent ist ein KI-System, das in der Lage ist, seine Umgebung eigenständig wahrzunehmen, Entscheidungen zu treffen und Maßnahmen zu ergreifen, um festgelegte Ziele zu erreichen, ohne bei jedem Schritt menschliche Eingaben zu benötigen.
KI-Orchestrierung
KI-Orchestrierung ist die Koordination mehrerer KI-Agenten, Modelle und Tools, die gemeinsam komplexe, mehrschrittige Aufgaben erledigen, welche keine einzelne Komponente alleine bewältigen könnte.
Subagent
Ein Subagent ist ein KI-Agent, den ein anderer Agent startet, um einen Teil einer größeren Aufgabe zu erledigen. Der übergeordnete Agent (oft Supervisor oder Orchestrator genannt) gibt ihm eine schriftliche Aufgabe, ausgewählte Tools und einen eigenen, frischen Kontext; der Subagent bearbeitet diesen Teil selbstständig und gibt nur sein Ergebnis zurück. So aufgeteilt, können mehrere Subagenten parallel laufen, und der Kontext des Hauptagenten bleibt übersichtlich.
Semantisches Routing
Semantisches Routing ist die Praxis, Benutzereingaben anhand ihrer semantischen Bedeutung und Absicht zu klassifizieren und sie so an den passenden Handler, Agenten oder die richtige Reaktionsstrategie weiterzuleiten – dies ermöglicht einer einzigen KI-Oberfläche, unterschiedlichste Anfragearten intelligent zu verwalten.
