Als nächstesNächster Leitfaden
Langer Kontext vs. RAG
Sprach-KI
Sprach-KI-GUIDE
Subagenten und Kontextisolierung
Ein Subagent ist eine separate Modellinstanz, die ein Haupt-KI-Agent mit der Bearbeitung einer fokussierten Unteraufgabe beginnt.
Auf dieser Seite4 Minuten gelesen
Übersicht
Es erhält ein eigenes neues Kontextfenster und sendet nur ein komprimiertes Ergebnis zurück. Dadurch bleibt der Kontext des Hauptagenten kurz und themenbezogen und ermöglicht die parallele Ausführung unabhängiger Arbeiten, allerdings auf Kosten zusätzlicher Token und dem Risiko, dass wichtige Details bei der Übergabe verloren gehen.
Tiefer Einblick
Sprachmodelle funktionieren in einem begrenzten Kontextfenster, und die Qualität sinkt oft, wenn sich dieses Fenster mit Suchergebnissen, Dateiinhalten und alten Tool-Ausgaben füllt, noch bevor die harte Grenze erreicht ist. Subagenten bewältigen dieses Problem, indem sie die Arbeit aufteilen. Der Hauptagent, manchmal auch Orchestrator oder Lead genannt, schreibt eine Aufgabenbeschreibung und startet einen Subagenten mit einem sauberen Kontext, oft mit einem engeren Satz an Tools. Der Subagent untersucht, ruft Tools und Gründe auf und sendet dann eine Zusammenfassung zurück. Nur diese Zusammenfassung gelangt in den Kontext des Hauptagenten. Das Muster erscheint in echten Produkten. Mit Claude Code können Benutzer beispielsweise Subagenten mit ihren eigenen Anweisungen und Tool-Berechtigungen definieren, und mehrere Codierungs- und Forschungsagenten senden Erkundungsarbeiten an parallele Mitarbeiter. Anthropic hat über ein Multiagenten-Forschungssystem geschrieben, bei dem ein Hauptagent Subagenten parallel ausführt. Es wurden Fortschritte bei umfassenden Forschungsfragen und eine viel höhere Token-Nutzung als bei einem einzelnen Agenten gemeldet. Die Kompromisse sind real. Die Kosten steigen, da jeder Subagent Anweisungen neu lädt und einige Erkundungen wiederholt. Die Koordination wird schwieriger: Parallele Subagenten können die Arbeit der anderen nicht sehen, sodass sie möglicherweise doppelte Anstrengungen unternehmen oder inkompatible Entscheidungen treffen. Dies stellt insbesondere dann ein Problem dar, wenn Aufgaben eng miteinander verknüpft sind, beispielsweise beim Schreiben verschiedener Teile eines Codestücks. Informationen gehen verloren, weil in einer Zusammenfassung Details weggelassen werden, die der Hauptagent möglicherweise benötigt hat, und der Unteragent nur weiß, was ihm in der Aufgabenbeschreibung mitgeteilt wurde. Ein Missverständnis ist, dass mehr Wirkstoffe immer bessere Ergebnisse bedeuten. Einige Praktiker argumentieren, dass für eng verknüpfte Arbeiten ein einzelner Agent mit gut verwaltetem Kontext zuverlässiger ist. Subagenten eignen sich am besten für unabhängige, leseintensive und leicht zusammenzufassende Aufgaben: Suchen, Überwachen, Überprüfen und Sammeln.
Strategische Auswirkungen
Geschwindigkeit und Umfang
Sprachworkflows können schneller ablaufen, ohne dass die Konsistenz darunter leidet.
Zugang und Erreichbarkeit
Es erweitert den Zugang über Sprachen und Kommunikationsstile hinweg.
Klarere Entscheidungen
Teams können mehr Zeit für die Beurteilung aufwenden, während die Automatisierung die Wiederholungen bewältigt.
Die Zukunft von Subagenten und Kontextisolation
Subagenten werden zu einem Standardmerkmal von Codierungs- und Forschungsagenten, mit zunehmender Unterstützung für benutzerdefinierte Definitionen, Werkzeugberechtigungen pro Subagent und paralleler Ausführung. Offene Fragen umfassen die Frage, wie ein umfassenderer gemeinsamer Status zwischen Agenten weitergegeben werden kann, ohne dass der Kontext wieder aufgebläht wird, und wie automatisch entschieden werden kann, wann sich die Aufteilung einer Aufgabe lohnt. Größere Kontextfenster und eine bessere Kontextverwaltung, wie z. B. eine automatische Zusammenfassung, können in einigen Fällen den Bedarf an Subagenten verringern. Die Isolation hat auch ihre eigenen Vorteile, darunter eine neue Perspektive, paralleles Arbeiten und strengere Berechtigungen, sodass das Muster wahrscheinlich weiterhin nützlich sein wird.
Reale Umsetzung
Ein Coding-Agent, der einen Fehler beheben soll, startet einen Subagenten, der ein großes Repository nach jedem Aufrufer einer Funktion durchsucht. Der Subagent liest Dutzende Dateien und gibt eine zehnzeilige Liste mit Speicherorten zurück, sodass der Kontext des Hauptagenten nie mit Dateiinhalten gefüllt wird.
Ein wissenschaftlicher Mitarbeiter startet drei Unteragenten gleichzeitig, einen pro Unterfrage, und jeder durchsucht das Internet für sich. Der Hauptagent fasst dann seine kurzen Zusammenfassungen in einem Bericht zusammen.
Ein Code-Review-Setup stellt einem Subagenten nur den Unterschied und eine Review-Checkliste zur Verfügung. Da er die früheren Überlegungen des Hauptagenten nicht gesehen hat, ist es weniger wahrscheinlich, dass er die Annahmen dieses Agenten darüber teilt, warum der Code korrekt ist.
Ein Team stellt fest, dass ein Subagent, der nur „Tests überprüfen“ sagte, die gesamte Suite erneut ausgeführt und nicht zusammenhängende Fehler gemeldet hat. Sie beheben das Problem, indem sie dem Subagenten die genaue Testdatei, das Ziel und das Format geben, das sie zurückhaben möchten.
Risiken und Leitplanken
Halluzinierte Fakten können still und leise in Berichte, Support-Flows oder Forschungsergebnisse einfließen.
Eine schnelle Sensibilität kann bei ähnlichen Anfragen zu inkonsistenten Ergebnissen führen.
Sensible Textdaten können offengelegt werden, wenn die Zugriffskontrollen schwach sind.
Implementierungs-Roadmap
Definieren Sie vor dem Rollout Ausgabeformat, Ton und Qualitätsstandards.
Bodenantworten mit vertrauenswürdigen Quellen, wann immer es auf Genauigkeit ankommt.
Halten Sie einen Kontrollpunkt für die menschliche Überprüfung für Ergebnisse mit hohem Risiko ein.
Verfolgen Sie Fehlermuster und trainieren Sie Eingabeaufforderungen oder Arbeitsabläufe regelmäßig neu.
Entdecken Sie weiter
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Subagents and Context Isolation quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Häufig gestellte Fragen
Was sind Subagenten und Kontextisolation?
Ein Subagent ist eine separate Modellinstanz, die ein Haupt-KI-Agent mit der Bearbeitung einer fokussierten Unteraufgabe beginnt. Es erhält ein eigenes neues Kontextfenster und sendet nur ein komprimiertes Ergebnis zurück. Dadurch bleibt der Kontext des Hauptagenten kurz und themenbezogen und ermöglicht die parallele Ausführung unabhängiger Arbeiten, allerdings auf Kosten zusätzlicher Token und dem Risiko, dass wichtige Details bei der Übergabe verloren gehen.
Was unterscheidet einen Subagenten hauptsächlich vom Hauptagenten?
Die Kontextisolation ist das bestimmende Merkmal. Die Arbeitsdetails des Subagenten bleiben aus dem Hauptkontext heraus und nur seine Zusammenfassung kommt zurück.
Warum kann ein füllendes Kontextfenster bereits vor seiner harten Grenze ein Problem darstellen?
Große Mengen alter Suchergebnisse und Dateiinhalte können die Aufmerksamkeit des Modells auf das Wesentliche schwächen.
Welche Aufgabe passt am besten zu einem Subagenten?
Die Suche ist unabhängig, leselastig und leicht zusammenzufassen. Hier funktionieren Subagenten am besten.
Was ist eine Hauptquelle für Informationsverluste bei Subagenten?
Informationen gehen in beide Richtungen verloren: Die Übergabe begrenzt, was der Subagent weiß, und die Zusammenfassung begrenzt, was zurückkommt.
Warum kosten Multi-Agent-Setups normalerweise mehr Token?
Jeder Subagent beginnt neu, sodass die gemeinsame Einrichtung und überlappende Erkundung mehr als einmal bezahlt wird.
Lerne weiter
Verwandte Leitfäden
Weitere Leitfäden zu diesem Thema ausgewählt