Die meisten Agenten-Frameworks liefern eine Bibliothek und überlassen den Rest dem Nutzer. Dieses kommt mit einer Methode: Die Startseite beschreibt es als Bau- und Laufzeitschicht für Unternehmensagenten, mit zwei Behauptungen nebeneinander — Fach- und Entwicklungsteams bauen beide, ein Plattformteam steuert zentral. Der Satz weiter unten ist noch nüchterner: Der Rückstau an Agentenideen in einem Unternehmen wird über eine Plattform abgearbeitet, die sich zentral steuern lässt.

Vier Stufen: erkennen, bauen, steuern, verbessern

Discover beantwortet, was automatisiert werden soll: Muster aus Milliarden von Agentenläufen werden gegen Tickets, Chats, Anwendungen und Prozesse abgeglichen und zu einer Liste von Gelegenheiten verdichtet, sortiert nach Aufwand, Wert und Reifegrad, dazu eine teilbare Demonstration, die ein Team auf dieselbe Reihenfolge bringt. Build beantwortet das Wie: ein visueller Editor ohne Code, der nach Python exportiert, eine codeorientierte Schnittstelle für volle Kontrolle, rollenbasierte Arbeitsteilung zwischen Agenten und deterministische Abläufe — die Anleitung stammt laut Hersteller aus 700.000 Agenten-Workflow-Mustern. Govern beantwortet, wie man es im Griff behält: eine Kontrollebene auf dem Ausführungspfad jedes Workflows, die jeden Modellaufruf, jeden Werkzeugaufruf und jeden Speicherzugriff in Echtzeit verfolgt und bepreist, dazu Rollenrechte und nur anhängbare Prüfprotokolle, Unternehmens-Identitätsverwaltung, Freigabepunkte für Menschen sowie Maskierung sensibler Daten und Regelprüfungen zur Laufzeit. Optimise beantwortet, wie es besser wird: Jeder Produktionslauf wird zu Trainingsdaten, mit automatischem und menschlich geführtem Training, Tests mehrerer Modelle im laufenden Betrieb und einer Auswertung, die an externe Bewertungsdienste angebunden ist.

Jede Fallstudie kommt mit einer Zahl

Der Kundenbereich ist als Szenario plus Messwert aufgebaut, was immerhin offenlegt, was gezählt wird. Eine Lieferplattform reichert damit Interessentendaten an, über dreitausend im Monat. Ein Bildungsanbieter nutzt es für Kursdesign und senkt den Entwicklungsaufwand um 90 Prozent. Ein Anbieter elektronischer Signaturen bündelt Lead-Daten aus mehreren internen Systemen und beschleunigt die Erstansprache um 75 Prozent. Ein Kundendienst-Einsatz erreicht 95 Prozent Treffsicherheit bei Antworten. Und ein Bestellservice der Gastronomie verkürzt Qualitätsprüfungen per automatisiertem Sprachtest von 74 Stunden auf 3 Stunden. Die Seite nennt außerdem eine Nutzung durch 65 Prozent der Fortune 500 — eine Quote, die meist davon abhängt, wie Kunden gezählt werden, also notierenswert und in der eigenen Umgebung prüfenswert.

Das eigentliche Skelett: Agenten, Flows, Aufgaben

Die Dokumentation, Stand Version 1.15.22, ordnet das Wesentliche in drei Blöcke. Ein Agent ist die Ausführungseinheit, die kombinierbare Werkzeuge, Gedächtnis, Wissen und strukturierte Ausgabe trägt. Ein Flow orchestriert die Schritte Starten, Lauschen und Weiterleiten, hält Zustand, macht Ausführung dauerhaft und lässt lange Aufträge an der Abbruchstelle weiterlaufen. Aufgaben und Prozesse definieren drei Arten des Ablaufs — sequenziell, hierarchisch und gemischt — mit Leitplanken, Rückrufen und Stellen, an denen ein Mensch eingreift. Einfach gesagt: Der Agent entscheidet, wer die Arbeit tut, Flows und Aufgaben entscheiden, in welcher Reihenfolge und was bei einem Fehler passiert. Ein eigener Abschnitt zu Auslösern vervollständigt die Ereignissteuerung: Anbindungen an Mail, Team-Chat und Kundenbeziehungssysteme, wobei die Nutzlast des Auslösers automatisch in eine Crew oder einen Flow wandert. Auf der Unternehmensseite kommen Deployment-Automatisierung, Umgebungsverwaltung, Einladungen von Kolleginnen und rollenbasierte Rechte dazu. Die Installation bleibt leicht: ein Kommandozeilenwerkzeug plus ein Schnittstellenschlüssel genügen für den Start, und ein neues Projekt legt eine JSON-zentrierte Struktur an, die Agentendefinitionen und Crew-Einstellungen in getrennten Dateien hält, mit einer klassischen Variante für alle, die sie vorziehen.

Für wen es passt

Drei Arten von Team finden sich wieder. Entwicklungsteams, die mehrere Fachrollen über eine lange Kette zusammenarbeiten lassen müssen — Forscherin, Autor, Prüfer ist das naheliegende Beispiel, und die Crew-Abstraktion passt direkt darauf. Plattformteams, die Agenten konform ins Unternehmen bringen müssen, weil Governance, Audit, Freigaben und Maskierung Produktfunktionen sind und keine selbstgebauten Flicken. Und Entwickler, die erst lokal laufen lassen und später über eine Kontrollebene entscheiden wollen, denn das Framework selbst ist MIT, mit einem Repository bei rund 58,7k Sternen und 8,5k Forks und einer Readme, die mehr als hunderttausend zertifizierte Entwickler aus Community-Kursen nennt.

Zwei Dinge gehören offen gesagt. Erkennen und Verbessern arbeiten mit Daten, die in Plattformgröße anfallen, der Nutzen zeigt sich bei einem einzelnen Entwickler also nicht. Und Multi-Agenten-Arbeit verbraucht bauartbedingt mehr Token als ein einzelner Aufruf — bevor man ein Orchester verdrahtet, prüfen, welche Schritte wirklich eine eigene Rolle brauchen.

Die eigentliche Prüfung eines Multi-Agenten-Frameworks ist nicht, ob fünf Agenten alle sprechen können. Sondern ob es, wenn sie zum siebten Mal aufeinander warten, einen Ort gibt, an dem man sieht, wo die Schlange steht.