Playbook · Veröffentlicht unter Adrian Verdan · Deutsch
KI-Agenten orchestrieren
Die deutsche Ausgabe von „Orchestrating AI Agents“.
Lernen Sie, wann ein Modell genügt und wann ein zusätzlicher Agent seinen Platz verdient. Ein praktisches, datiertes Playbook zum Entwerfen und Bewerten von Multi-Agenten-Workflows — mit Reviewer-Mustern, Routing-Methoden, Recherche-Verifikation, Kostenkontrolle und Copy-paste-Prompts.
10 Kapitel
Interaktiver Kostenrechner
2 XLSX-Workbooks
Prompt-Pack
HTML-Bundle + PDF
Datenstand September 2026
Sprache: Deutsch
12,90 € zzgl. USt.
Die Umsatzsteuer richtet sich nach Ihrem Land; den Endpreis zeigt der Gumroad-Checkout vor dem Kauf an. Verkäufer (Merchant of Record) ist Gumroad.
Kauf und Bezahlung laufen über Gumroad (Merchant of Record). Sofortiger Download nach dem Kauf.
Mit KI-Unterstützung erstellt und redaktionell überarbeitet. Redaktionelle Verantwortung: Adrian Verdan (Dargel Solutions). Transparenzhinweis und Einzelheiten im Produkt.
Das Motiv
Viele Agentenstimmen — eine menschliche Freigabe.
Vier Agentenspuren — planen, bauen, prüfen, recherchieren — laufen auf einer einzigen menschlichen Freigabe zusammen. Das ist die ganze Methode, und es ist das Partitur-Motiv, um das herum das Buch gestaltet ist.
Aus der Designsprache des Buchs: Noten sind Agenten-Einsätze, umrandete Noten sind Review-Durchgänge, und jeder Strang endet am bernsteinfarbenen menschlichen Freigabe-Ring.
Was drin ist
Zehn Kapitel von der Modellwahl bis zum Arbeitsablauf.
Warum mehr als ein Agent. Das Prinzip, eine Reifegrad-Leiter und eine ehrliche Einordnung, wann ein Modell reicht.
Die Modell-Landschaft 2026. Claude Fable 5.1, GPT-6 Astra, Gemini 3.8 Flash und Grok 4.6: datierte Modellquellen, Zugangsgrenzen und Migrationsprüfung. Keine pauschale Bestenliste.
Offene & selbst gehostete Modelle. Llama, Qwen, DeepSeek, Mistral, gpt-oss: ein Entscheidungsbaum, wann sich lokal wirklich lohnt (Tipp: meist Datenschutz, nicht Kosten).
Orchestrierungs-Muster. Reviewer, Planner-Executor, Router, Ensemble, Debate, Pipeline, Orchestrator-Worker: wofür jedes gut ist und was es kostet.
Das Reviewer-Muster in der Praxis. Ein Builder plus ein unabhängiger read-only Reviewer (Claude Code + Codex-Stil) Schritt für Schritt reproduzieren, inklusive Konfliktauflösung.
Tooling & Orchestrierungs-Stack. Framework-Wahl, ausstehende Tool-Aufrufe, Abbruch und Wiederaufnahme. Mit einer kleinen Prüfsuite bestimmen Sie, wie viel Orchestrierung die Aufgabe braucht.
Deep Research im Workflow. Wie agentische Recherche funktioniert, welche Tools passen und wie Sie sie verifizieren, bevor Sie darauf bauen.
Kosten & Qualität. Ein Kostenmodell, ein interaktiver Rechner und evaluationsgeführte Rezepte je Aufgabentyp.
Sicherheit & Governance. Prompt Injection zwischen Agenten, Least Privilege und Human-in-the-Loop-Gates.
Sofort starten. Sechs Prompt-Vorlagen für fünf Workflows: Sicherheits-Triage, Planung, Setup, Review und zweistufige Recherche.
Echte Auszüge
So sieht das Produkt innen aus.
KI-Agenten orchestrierenAus Kapitel 1
Wann sich Orchestrierung nicht lohnt
Prüfen Sie zunächst die Ein-Agenten-Baseline. In diesen drei Situationen kann zusätzliche Koordination den Nutzen aufzehren:
Die Aufgabe hat viele Abhängigkeiten. Wenn Teilaufgaben ständig gemeinsame Informationen benötigen, können Übergaben mehr Aufwand als Nutzen erzeugen. Testen Sie Ihre Aufgabe gegen eine Ein-Agenten-Baseline, statt Coding pauschal als ungeeignet zu behandeln.
Übergaben verlieren Kontext. In der Praxis „litten Agenten bei jeder Übergabe unter verlorenem Kontext und gaben mehr Tokens für die Koordination aus als für die Ausführung“ (Anthropic, „When to use multi-agent systems“, Januar 2026). Mehr Agenten heißt mehr Stellen, an denen Information verloren geht.
Die Aufgabe ist nicht klar genug definiert, um sie zu zerlegen. Ein unscharfes Problem wird nicht schärfer, indem man es auf zwei Modelle aufteilt. Bringen Sie zuerst die Problemstellung in Ordnung.
Auszug aus dem Playbook, Kapitel 1 — im Produkt mit vollständigem Kontext.
KI-Agenten orchestrierenAus Kapitel 8 — Live-Demo
Multi-Agenten-Kostenrechner
Mit den dokumentierten Standardwerten des Playbooks vorbelegt. Ändern Sie jeden Wert auf Ihre eigene Last; Preise sind USD pro Million Token (MTok).
Bitte gültige, nicht-negative Werte eingeben. Token-Zahlen, Aufgaben und Durchgänge müssen ganze Zahlen ab 1 sein.
0,29 $
Multi-Agenten-Kosten / Aufgabe
9,00 $
Mehrkosten / Monat (Reviewer)
45,0 %
Reviewer-Aufschlag vs. einzeln
Einzel-Agenten-Kosten pro Aufgabe = (inTok × Builder-in + outTok × Builder-out) / 1.000.000. Reviewer-Kosten pro Aufgabe = Durchgänge × ((inTok + outTok) × Reviewer-in + 0,5 × outTok × Reviewer-out) / 1.000.000 — der Reviewer liest die Ausgabe plus Kontext und schreibt etwa die Hälfte der Ausgabe als Befund-Bericht. Multi-Agent = einzeln + Reviewer; Monatswerte multiplizieren mit Aufgaben pro Monat. Die Token-Eingaben sind Stückzahlen; Preise sind USD pro Million Token.
Der Rechner nutzt änderbare Beispielpreise und keinen Live-Preisfeed. Tragen Sie vor der Budgetierung die aktuellen Preise Ihrer Builder- und Reviewer-Modelle ein; Cache-, Tool- und Wiederholungskosten kommen gegebenenfalls hinzu. Modellspezifische Langkontext-Schwellen und Betriebsmodi müssen gesondert bepreist werden; der Rechner schätzt mit konstanten Tokenpreisen.
Auszug aus dem Playbook, Kapitel 8 — die Vollversion zeigt alle sieben Kennzahlen, die Formeln und die Hebel, die mehr zählen als die Modellwahl.
Bevor Sie kaufen
Ein ehrliches Versprechen.
Ein separater Review-Durchgang kann übersehene Fehler reduzieren, wenn die eingesetzte Builder-Reviewer-Paarung auf repräsentativen Evaluationen gut abschneidet; er kann Fehler auch übersehen oder Fehlalarme hinzufügen. Dieses Playbook gibt Ihnen eine Methode und einen datierten Snapshot, keine Garantie.
Prüfen Sie aktuelle Modellnamen, Fähigkeiten und Preise auf der offiziellen Seite des Anbieters, bevor Sie sich darauf verlassen. Das Update vom September 2026 datiert seine Modellquellen und trennt Zugang, API-Kompatibilität und Beispielkosten. Anbieterlimits und Preise können sich ändern.
Komplettes Prompt-Pack (.md): sechs Vorlagen für fünf Workflows — Sicherheits-Triage, Planung, Setup, Review und zweistufige Recherche
Häufige Fragen
Kurz beantwortet.
Was ist genau enthalten?
Zehn Kapitel als Offline-HTML-Bundle plus ein getaggtes PDF, ein interaktiver Multi-Agenten-Kostenrechner, eine Modell-Auswahl-Matrix (XLSX), eine Orchestrierungs-Setup-Checkliste (XLSX) und das komplette Prompt-Pack als Klartext-Datei. Alles läuft offline.
Brauche ich einen Machine-Learning-Hintergrund?
Nein. Das Playbook ist für Solo-Gründer und Indie-Entwickler geschrieben, die bereits mit einem Agenten wie Claude Code, Codex CLI oder Cursor arbeiten und ein abgestimmtes Setup wollen — ohne Machine-Learning-Hintergrund und ohne unnötige Komplexität.
Garantiert ein zweites Modell bessere Ergebnisse?
Nein. Ein separater Review-Durchgang kann übersehene Fehler reduzieren, wenn die eingesetzte Builder-Reviewer-Paarung auf repräsentativen Evaluationen gut abschneidet; er kann Fehler auch übersehen oder Fehlalarme hinzufügen. Das Playbook gibt Ihnen eine Methode und einen datierten Snapshot, keine Garantie — und es ist ehrlich dabei, wann ein Modell genügt.
12,90 € zzgl. USt.
Die Umsatzsteuer richtet sich nach Ihrem Land; den Endpreis zeigt der Gumroad-Checkout vor dem Kauf an. Verkäufer (Merchant of Record) ist Gumroad.
Das „KI-First-Betriebs-Playbook“ ist das betriebsweite Betriebssystem, in das diese Vertiefung einrastet: Automatisierungs-Blueprint, Playbooks nach Funktion, Governance und ROI. „KI-Agenten orchestrieren“ ist die praktische Multi-Agenten-Vertiefung hinter dessen Kapitel 5.
