Anthropic zeigt, wie Multi-Agenten-Systeme komplexe Software-Projekte lösen
KI-generiert mit Sora
Anthropic hat auf dem Engineering-Blog einen Multi-Agenten-Harness beschrieben, der eigenständig komplexe Anwendungen baut. Der Ansatz kombiniert einen Planner, einen Generator und einen separaten Evaluator. Die Ergebnisse zeigen, warum abgestufte Agenten-Architekturen bei langen Aufgaben deutlich besser funktionieren als ein einzelner Agent.
Was ist Harness Engineering?
Ein Harness ist ein Steuerungsrahmen, der einen KI-Agenten bei der Arbeit führt. Dazu gehören Prompt-Konfigurationen, Übergabeprotokolle zwischen Agenten, Kontextmanagement und Qualitätsprüfungen. Der Artikel auf dem Engineering-Blog von Anthropic beschreibt einen solchen Harness für Frontend-Design und für autonome Softwareentwicklung über mehrere Stunden.
KI-Agenten verlieren bei langen Aufgaben die Orientierung. Das ist auch ein Sicherheitsthema, das wir bei OpenClaw bereits analysiert haben. Anthropic beschreibt zwei typische Fehlerquellen. Wenn das Kontextfenster voll wird, beginnen Modelle ungenau zu arbeiten oder wickeln Aufgaben vorzeitig ab. Das Kontextfenster ist der Textbereich, den ein KI-Modell bei einer Aufgabe gleichzeitig überblicken kann. Anthropic nennt dieses Verhalten „Context Anxiety“. Dazu kommt fehlende Selbstkritik: Agenten neigen dazu, ihre eigene Arbeit positiv zu bewerten, selbst wenn die Qualität offensichtlich mangelhaft ist.
AnzeigeWie arbeiten Generator und Evaluator zusammen?
Die Lösung orientiert sich an Generative Adversarial Networks, einem Konzept aus der Bildgenerierung. Ein Generator-Agent erstellt die Arbeit, ein separater Evaluator-Agent bewertet sie. Die Trennung ist entscheidend. Einen eigenständigen Evaluator auf kritisches Feedback zu trainieren ist laut Anthropic deutlich einfacher. Einen Generator dazu zu bringen, seine eigene Arbeit kritisch zu bewerten, funktioniert dagegen kaum.
Für Frontend-Design hat Anthropic vier Bewertungskriterien definiert. Die Designqualität prüft, ob das Design wie ein stimmiges Ganzes wirkt. Originalität bewertet kreative, eigenständige Entscheidungen. Das Handwerk umfasst Typografie, Abstände und Farbharmonie. Funktionalität prüft die Usability unabhängig von der Ästhetik.
Designqualität und Originalität wurden bewusst stärker gewichtet. Claude schneidet bei Handwerk und Funktionalität ohnehin gut ab, neigt aber bei der visuellen Gestaltung zu generischen Lösungen.
Der Evaluator nutzt Playwright, um die generierte Seite wie ein Nutzer zu bedienen, bevor diese bewertet wird. Nach 5 bis 15 Iterationen pro Aufgabe verbessert sich die Qualität deutlich. In einem Fall schlug der Generator nach neun Iterationen eine völlig neue Richtung ein. Statt einer generischen Museumswebsite entwickelte der Agent eine räumliche 3D-Erfahrung mit CSS-Perspektive.
Wie funktioniert das Drei-Agenten-System für Softwareprojekte?
Für die autonome Softwareentwicklung hat Anthropic das System auf drei Agenten erweitert.
Der Planner nimmt einen kurzen Prompt von ein bis vier Sätzen und erstellt daraus eine vollständige Produktspezifikation. Der Planner fokussiert sich auf Produktkontext und High-Level-Design, nicht auf technische Implementierungsdetails. Zu kleinteilige technische Vorgaben könnten eine Kette von Fehlern auslösen.
Der Generator implementiert die Spezifikation Feature für Feature. Vor jedem Sprint verhandeln Generator und Evaluator einen Sprint Contract. Das ist eine schriftliche Vereinbarung darüber, was genau gebaut und wie Erfolg gemessen wird.
Der Evaluator testet die laufende Anwendung über Playwright, klickt sich durch Funktionen, prüft API-Endpunkte und Datenbankzustände. Er bewertet jeden Sprint gegen die vereinbarten Kriterien und schickt konkretes Feedback an den Generator.
Was bringt das Multi-Agenten-System im Vergleich zum Solo-Agenten?
Anthropic vergleicht im Blogpost einen Solo-Agenten mit dem Multi-Agenten-System. Beide erhielten den gleichen Prompt: einen 2D-Retro-Game-Maker mit Level-Editor, Sprite-Editor und Testmodus bauen.
Der Solo-Agent benötigte 20 Minuten und kostete 9 US-Dollar. Die Oberfläche funktionierte technisch, aber das Spiel selbst war kaputt. Entitäten erschienen auf dem Bildschirm, reagierten aber nicht auf Eingaben.
Das Multi-Agenten-System lief sechs Stunden und kostete 200 US-Dollar. Der Planner hatte den Prompt zu einer 16-Feature-Spezifikation über zehn Sprints erweitert, inklusive Sprite-Animation, Sound-System und KI-gestütztem Level-Designer. Es entstand ein deutlich ausgereifteres Produkt mit funktionierendem Spielmodus.
Was OpenClaw-Nutzer daraus lernen können
Die Erkenntnisse aus dem Blogpost sind direkt auf die Arbeit mit OpenClaw und anderen KI-Agenten übertragbar.
Lange Aufgaben sollten in kleinere Einheiten aufgeteilt werden, mit klaren Übergabepunkten zwischen den Einheiten. Das entspricht dem Feature-Listen-Ansatz in der SOUL.md, der zentralen Konfigurationsdatei eines OpenClaw-Agenten.
Wer einen Agenten seine eigene Arbeit bewerten lässt, bekommt systematisch zu positive Ergebnisse. Ein separater Evaluierungsschritt verbessert die Qualität messbar.
Harness-Design ist nicht statisch. Anthropic betont, dass bei jedem neuen Modell geprüft werden sollte, welche Komponenten des Harness noch nötig sind. Mit Opus 4.6 konnte Anthropic die Sprint-Struktur entfernen, die bei Opus 4.5 noch zwingend war. Das Prinzip lautet: So wenig Komplexität wie möglich, so viel wie nötig. Das gleiche Prinzip beschreiben wir in unserem Artikel zu Prompt Engineering für KI-Agenten.
Die drei Prinzipien aus dem Blogpost lassen sich direkt auf OpenClaw übertragen. Aufgaben in Features zerlegen, Evaluation vom Generator trennen und den Harness bei jedem Modellwechsel hinterfragen. Die SOUL.md bietet den passenden Rahmen dafür.
Server, KI-Modelle und Recherche kosten Geld. ClawNews ist unabhängig — hilf mit, dass das so bleibt.
