KI-Agenten bauen: Anthropic rät zu einem statt vielen

Wer KI-Agenten baut, legt schnell für jede Aufgabe einen Spezialisten an: einen für Retouren, einen für Rechnungen, darüber ein Router. Anthropic sagt jetzt in einem Praxisleitfaden: Meistens fährst du besser mit einem einzigen Agenten, der sich sein Fachwissen erst holt, wenn er es braucht.

Was passiert ist

Am 22. Oktober 2026 hat Anthropic den Artikel „Building agents: When to fold subagents into your main agent loop“ veröffentlicht (Anthropic). Die Beobachtung stammt laut Text vom Applied-AI-Team aus Kundenprojekten in Unternehmen: Ein einzelner Agent mit Skills schneidet oft besser ab als ein riesiger Prompt für alles oder ein Multi-Agent-System mit vielen Subagenten. Besser heißt: höhere Qualität bei weniger Kosten und Latenz pro Aufgabe (Anthropic).

Ein Beispiel: Ein Unternehmen hatte rund ein Dutzend Spezialisten-Subagenten in seinem Kundenservice-Agenten. Ein einheitlicher Markenauftritt war schwer zu halten, die Wartezeiten stiegen. Bei einem anderen Kunden lief das Multi-Agent-System etwa doppelt so lange wie ein einzelner Agenten-Loop (Anthropic).

Dazu gehört ein Migrations-Kit auf GitHub, das „single-agent-loop-kit“ (GitHub).

Warum viele Subagenten Probleme machen

Der Leitfaden nennt typische Probleme (Anthropic):

• Kontextverlust bei Übergaben: Jeder Wechsel zu einem anderen Agenten verliert Informationen aus dem Gespräch.
• Wildwuchs: Die Zahl der Subagenten wächst, oft überlappen sie sich.
• „Frankenprompt“: Verschiedene Teams schreiben widersprüchliche Regeln in den System-Prompt.
• Organigramm statt Aufgabe: Die Architektur spiegelt die Abteilungen wider, nicht das, was der Kunde braucht. Anthropic verweist auf Conways Gesetz.
• Latenz: Jede zusätzliche Übergabe kostet Zeit.

Der Grund für den Kurswechsel: Laut Leitfaden können Modelle ab Opus 4.5 komplexere Pläne selbst in einem Loop abarbeiten. Deshalb lässt sich mehr Entscheidungslogik aus dem Gerüst ins Modell verlagern. Den System-Prompt von Claude Code hat Anthropic für neuere Modelle um mehr als 80 Prozent gekürzt (Anthropic).

Wie „Skills und Tools bei Bedarf laden“ funktioniert

Das Prinzip heißt Progressive Disclosure. Der Agent sieht zunächst nur kurze Beschreibungen seiner Skills und Tools und lädt den vollständigen Inhalt erst, wenn er ihn braucht. Für Tools gibt es eine Tool-Suche mit verzögertem Laden, so bleibt der Kontext schlank (Anthropic).

Der Leitfaden trennt dabei klar:

Baustein	Wofür
Skills	Abläufe, Regeln und Ermessensentscheidungen eines Fachbereichs
Tools	Aktionen, Live-Daten, feste Ausgabeformate, harte Prüfungen wie Berechtigungen
Wissensdatenbank	Referenzmaterial, das nur manchmal gebraucht wird

Zwei Faustregeln: Ein klarer System-Prompt, vier bis fünf schlanke Daten-Tools und feste Leitplanken für die Ausgabe decken laut Anthropic die meisten Anwendungsfälle ab. Ab etwa 30 bis 50 Tool-Definitionen lässt die Tool-Auswahl nach, deshalb sollten Tools gebündelt werden (Anthropic).

Was hinter Skills als offenem Format steckt, habe ich hier beschrieben: warum Agent Skills zur Linux Foundation wechseln.

Wann Subagenten trotzdem sinnvoll sind

Anthropic schafft Subagenten nicht ab. Sie bleiben sinnvoll, wenn (Anthropic):

• ein einzelner Loop messbar schlechter wird, weil sein Kontext überläuft,
• mehrere Aufgaben parallel laufen und von frischen, getrennten Kontextfenstern profitieren,
• ein Agent die Tools schlecht auswählt oder der System-Prompt widersprüchliche Anweisungen enthält.

Auch dann empfiehlt Anthropic, verbleibende Subagenten als Tool aufzurufen, damit der Hauptagent das Gespräch behält. Ganz übergeben soll man nur, wenn der Subagent direkt mit dem Nutzer sprechen muss (Anthropic).

Wichtig ist die Warnung vor blindem Zusammenlegen. In einem Test mit einem Beispiel-Support-Agenten sank durch das Falten eines Subagenten die Latenz, aber ein vorher funktionierender Ablauf ging kaputt: Der Hauptagent beantwortete eine Frage selbst, statt den Versand-Spezialisten nach dem Liefertermin zu fragen. Der Fehler trat nur in einem von zwei Durchläufen auf. Deshalb rät Anthropic, jede Aufgabe mehrfach laufen zu lassen (Anthropic).

Was das Migrations-Kit kann

Das Kit überführt ein System aus Router und Subagenten in einen einzelnen Loop, ohne davon auszugehen, dass der einzelne Loop immer gewinnt. Jede Änderung wird vorher und nachher mit demselben Eval gemessen, und ein Subagent fliegt nur raus, wenn sein Ersatz nachweislich genauso gut funktioniert (GitHub).

Der Ablauf hat drei Phasen (GitHub):

1. Messen: vorhandene Evals finden oder neu aufbauen und den Ist-Zustand bewerten. Gibt es noch keinen Eval, entwirft der Skill mit dir etwa zehn Aufgaben, und du legst fest, was „korrekt“ heißt.
2. Kombinieren: Subagenten zusammenlegen, die immer gemeinsam laufen.
3. Falten: jeden verbleibenden Subagenten einzeln in Skill plus Tools umwandeln und vergleichen.

Ein Python-Skript vergleicht zwei Eval-Läufe nach Aufgabenerfolg, Latenz, Modellaufrufen, Tokens und Kosten. Ein Beispiel-Support-Desk aus Router und sechs Subagenten liegt bei, ebenso ein kleiner Referenz-Loop. Ein Offline-Test läuft ohne API-Schlüssel und ohne Kosten, echte Eval-Läufe rufen die Claude-API auf und kosten Geld. Für den Start empfiehlt das Kit 10 Aufgaben mit 2 bis 3 Wiederholungen (GitHub).

Zwei Einschränkungen: Das Repository steht unter Apache-2.0, ist aber als Referenzimplementierung markiert, wird nicht gepflegt und nimmt keine Beiträge an. Außerdem sind laut README bisher nur zwei echte Läufe dokumentiert, von einer Person auf einem Modell. Den Merge-Schritt hat bisher niemand an einem echten Modell getestet, und andere Systeme als das Beispiel auch nicht (Stand: Oktober 2026, GitHub).

Was es für dich bedeutet

Wenn du als Selbstständige, Selbstständiger oder kleines Team einen eigenen Agenten baust, ist das eine gute Nachricht: Die einfachere Architektur ist laut Anthropic oft auch die bessere. Drei Folgerungen:

Fang mit einem Agenten an. Ein klarer System-Prompt, wenige gut beschriebene Tools und ein paar Skills für deine wiederkehrenden Abläufe reichen für die meisten Fälle. Auch das Kit sagt: Wer noch keine Subagenten hat, startet mit einem einzelnen Loop (GitHub). Wie du dabei vorgehst, zeige ich in der Anleitung KI-Agenten erstellen in 7 Schritten.

Bau zuerst einen kleinen Test. Der wichtigste Rat im Leitfaden betrifft das Messen: Etwa zehn typische Beispielaufgaben mit klarer richtiger Antwort reichen für den Anfang (Anthropic). Lass sie mehrfach laufen, bevor du etwas umbaust, sonst merkst du nicht, wenn eine Änderung etwas kaputt macht.

Spare dir Aufwand und Token. Jeder zusätzliche Subagent ist ein Prompt mehr, den du pflegen musst, und ein Modellaufruf mehr pro Anfrage. Weniger Übergaben heißen weniger Wartezeit und weniger Stellen, an denen Informationen verloren gehen.

Wenn dir noch nicht klar ist, wo ein Chatbot aufhört und ein Agent anfängt, lies zuerst, was ein KI-Agent ist. Das Migrations-Kit setzt Python, Git und Claude Code voraus und richtet sich an Teams, die bereits ein Multi-Agent-System betreiben, nicht an Einsteiger (GitHub).

Quellen

• Anthropic: Building agents: When to fold subagents into your main agent loop (22. Oktober 2026)
• Anthropic auf GitHub: single-agent-loop-kit

Häufige Fragen

Was ist ein Subagent bei KI-Agenten?

Ein Subagent ist ein eigener KI-Agent mit eigenem Prompt und eigenem Kontextfenster, den ein Hauptagent oder Router für eine Teilaufgabe aufruft, etwa für Retouren oder Diagnosen im Kundensupport.

Sind Multi-Agent-Systeme jetzt überholt?

Nein. Anthropic nennt Fälle, in denen Subagenten sinnvoll bleiben: wenn der Kontext eines einzelnen Agenten messbar überläuft, wenn Aufgaben parallel mit getrennten Kontextfenstern laufen sollen oder wenn ein Agent die passenden Tools schlecht auswählt.

Was kostet das Single-Agent-Loop-Kit?

Das Kit steht unter der Apache-2.0-Lizenz auf GitHub. Ein Offline-Test läuft ohne API-Schlüssel und ohne Kosten. Echte Eval-Läufe rufen die Claude-API auf und kosten deshalb Geld. Stand: Oktober 2026.

Brauche ich Programmierkenntnisse, um das Kit zu nutzen?

Ja, zumindest Grundkenntnisse. Das Kit setzt Python 3, Git und Claude Code voraus und richtet sich an Teams, die schon einen eigenen Agenten mit Subagenten betreiben.