Selbstrekrutierende Agenten-Teams

Einen Agenten zu haben, der Code für dich schreiben kann, ist großartig. Einen Agenten zu haben, der sein eigenes Team aus Agenten anheuern kann, um komplexe, lang laufende Ziele anzugehen, ist einfach genial.

Genau das habe ich gestern gemacht, indem ich 20 Agenten eingesetzt habe, die parallel an 4 verschiedenen Wachstumszielen arbeiten, von denen jedes ein paar Wochen dauern dürfte (viele Wetten zum Ausprobieren x sich langsam verändernde Kennzahlen).

Das Coole daran ist, dass ich nur 4 Manager-Agenten erstellen musste, um alle 20 zu bekommen. Tability hat ein Self-Hiring-System, bei dem ein Agent ein Ziel übernehmen, es in einen Ausführungsplan zerlegen und ein Team von Agenten „anheuern“ kann, das daran arbeitet.

Dieser Manager-Agent erledigt die ganze Schwerstarbeit für mich, und alles, was ich tun muss, ist, den Fortschritt zu beobachten, Feedback zu geben und das Team von Zeit zu Zeit zu steuern. Alles wird über die UI verwaltet, und es fühlt sich an, als würde man mit einem Remote-Team interagieren.

Ich könnte problemlos weitere 50 Agenten einsetzen, wenn ich 10 weitere Ziele im Kopf hätte. Aber an diesem Punkt wird meine Fähigkeit, die Ergebnisse dieses neuen 20-köpfigen Teams zu verarbeiten, zum Engpass. Sie brauchen mich größtenteils nicht, produzieren aber auch jede Menge Arbeit, und ich versuche, mit ihren Berichten, Analysen, Code-Updates, Spezifikationen usw. Schritt zu halten.

Ich habe das Gefühl, dass das Verhältnis 1:20 meine persönliche Grenze ist, aber wir werden das bald im Rest unseres Teams ausrollen und sollten schnell auf 100+ Agenten skalieren können (auch wenn ich die zukünftige KI-Rechnung noch durchrechnen muss…)..

Was dieses System besonders macht:

Die Agenten organisieren sich selbst (du entwirfst einen Manager-Agenten, und der heuert sein eigenes Team an)
Die Ziele können KPI-getrieben und langlebig sein („KI-Zitationen von <Produkt> um XX % erhöhen“, „<Konkurrent> im SEO überholen“, „Lead-Conversion um XX % steigern“)
Die Agenten schreiben Statusberichte und Updates wie ein echtes Team
Du und andere Personen in deinem Team könnt mit den Agenten interagieren, Feedback geben und sie wieder in die richtige Richtung lenken.
Agenten-Teams können sich selbst automatisch abschalten, sobald sie fertig sind.

Alle Agenten nutzen deine vorhandene KI-Infrastruktur (bring your own Claude/Codex mit deinen Tools, Connectors, Skills).

Es dauert ungefähr ~5 Minuten, ein neues Team von Anfang bis Ende aufzusetzen, sobald Tability und deine KI-Clients über MCP verbunden sind.

Für wen ist das gedacht?

Wir haben dieses System für KI-begeisterte Teams entwickelt. Das bedeutet:

Ihr seid eine Gruppe von Leuten, die an schwierigen Herausforderungen arbeiten
Ihr wollt euer Team mit Agenten erweitern
Ihr wollt, dass diese Agenten arbeiten, während ihr schlaft, mit minimalem Eingriffsbedarf
Ihr wollt diese Agenten wie ein Team behandeln (Statusberichte bekommen, Feedback geben, steuern)
Ihr bevorzugt eine UI-basierte Erfahrung und Dashboards, statt in einem Terminal zu leben

Wenn sich das nach dir anhört, denke ich, dass dir dieses System gefallen wird.

Warum wir Claude/Codex/ChatGPT nicht direkt nutzen

Kurz gesagt: Claude/Codex können Geschäftsziele nicht autonom verwalten. Unser System kann das.

Ich nutze Codex und Claude täglich für bestimmte Projekte, und das ist großartig, aber:

Es ist meist synchrone Arbeit. Ich kann Sub-Agenten starten, aber es bleibt auf das eine Problem fokussiert, das ich gerade im Kopf habe. Ich kann zwar mehrere Dinge gleichzeitig tun, aber es ist schwer, Agenten asynchron arbeiten zu lassen.
Es ist schwer, die Wirkung zu verfolgen und zu iterieren. Ja, ich kann ein einzelnes Feature ausliefern, aber an einer sich langsam verändernden Kennzahl zu arbeiten, die mehrere Versuche erfordert, ist schwierig.
Es ist nicht kollaborativ. Es gibt nur mich und meine Sitzung, und ich kann keine anderen Personen in die Arbeit einbeziehen.

Das Problem, das wir lösen wollten, ist also dieses: Wie können wir Agenten einfach für komplexe Dinge einsetzen, die (1) Zeit brauchen, um Ergebnisse zu zeigen, und (2) die Koordination mehrerer Rollen erfordern. Ich möchte ein Ziel wie „unsere KI-Zitationen verzehnfachen“ festlegen, es meinen Agenten geben und zusehen, wie Fortschritte gemacht werden, während ich an etwas anderem arbeite.

Ich möchte auch Ansichten wie die unten, in denen ich visuell sehen kann, wie ein großes Ziel (mehr KI-Zitationen) in kleinere Teile zerlegt wird und wie die Umsetzung voranschreitet.

Wir wollen unser Team skalieren, indem wir Agenten wie Remote-Teams behandeln.

Ein Bring-your-own-KI-Modell nutzen (Fähigkeiten maximieren)

Das fühlt sich an wie eine Rückkehr zur Zeit vor der Cloud, als jeder seine eigenen Maschinen betrieben hat. Aber im Fall von KI ist es (im Moment) der einfachste Weg, die Leistung von Agenten zu nutzen, sie auf einer lokalen Maschine laufen zu lassen, die sich mit deinen Tools verbinden, auf den Browser zugreifen und tiefe Integrationen in dein System haben kann. Die Cloud könnte irgendwann aufholen, aber aktuell ist es schwer, die Flexibilität und Tiefe eines lokalen Setups zu schlagen.

Wenn du also einen Laptop oder einen Mac mini mit Claude oder Codex hast, kannst du das in wenigen Minuten einrichten.

So funktioniert es:

Tability fungiert als Business-Kontext- und Orchestrierungsschicht
Das menschliche Team legt Ziele fest und verfolgt den Fortschritt in Tability über die UI
Das Agenten-Team arbeitet an den Zielen und aktualisiert den Fortschritt über MCP

Dieser Ansatz ist auch der Weg, wie mehrere Personen mit denselben Agenten interagieren können. Statt zu versuchen, Prompts oder den Zugriff auf deinen Laptop zu teilen, kannst du Ziele, Aufgaben und Aufwand in einer UI verwalten, die für Zusammenarbeit gebaut ist.

Workflow zur Zielzuweisung

So sieht der Prozess aus:

Du erstellst ein Ziel in Tability
Du weist es einem Manager-Agenten zu
Der Manager-Agent liest dein Ziel und erstellt dafür einen Ausführungsplan
Der Manager-Agent ermittelt das beste dafür nötige Team und legt es dir vor
Nach der Freigabe wird das Team erstellt, und der Manager verteilt Ziele und Aufgaben
Das Agenten-Team arbeitet den Plan ab, bis alles erledigt ist
Der Manager-Agent informiert dich laufend über den Fortschritt und kann bei einer Blockade um dein Eingreifen bitten

Einrichtung per 1-Klick + Prompt

Um einen Manager-Agenten einzurichten, musst du dafür einen Heartbeat in deinem LLM-Client erstellen.

Das ist der Punkt, an dem wir am meisten iteriert haben. Wir haben Bash-Skripte, ein CLI-Tool und Schritt-für-Schritt-Anleitungen ausprobiert. Am Ende haben wir uns von Cloudflare inspirieren lassen, das einen Installations-Prompt bereitstellt, den du in deinen Client kopieren kannst. Das ist heute mit Abstand der einfachste Ansatz.

Statt den Heartbeat manuell in Codex oder Claude zu erstellen, kannst du einen Prompt von Tability kopieren und in deinen Client einfügen. Danach kannst du dich zurücklehnen und zusehen, wie die Einrichtung abgeschlossen wird.

Das musst du nur einmal pro Team machen. Sobald der Manager-Agent eingerichtet ist, kann er Heartbeats für alle Agenten erstellen, die er verwaltet. Auch hier geht es darum, den Bedarf an menschlichem Eingreifen zu minimieren.

Fragen zur Skalierung

Aktuell haben wir eine feste Obergrenze dafür, wie viele Agenten ein Manager-Agent anheuern kann. Wir befinden uns noch in einer Lernphase und haben die Teamgröße auf 6 begrenzt (1 Manager + 5 verwaltete Agenten). Theoretisch gibt es keine Grenze dafür, wie groß ein Team werden könnte, aber ich gehe davon aus, dass ein riesiges Team, das an einem einzigen Ziel arbeitet, am Ende zu Koordinationsproblemen führen würde.

Bisher hat das ziemlich gut funktioniert, und hier unten siehst du das Team, das für das Zitationsziel erstellt wurde.

Du siehst den Manager oben und die 4 verschiedenen Rollen, die er angeheuert hat.

Was die Skalierung der UX angeht: Jedes übergeordnete Ziel bekommt einen Ausführungsplan, in dem die gesamte Arbeit stattfindet. Das ist weniger für die Agenten gedacht, sondern vor allem für die Menschen, die die Arbeit kontrollieren müssen. Unten siehst du also den Agent-Zielplan (in dem ich die übergeordneten Ziele festlege) und die KI-gesteuerten Unterpläne für die verschiedenen Ziele darunter.

Das hilft auch zu verstehen, warum Claude oder Codex dafür nicht geeignet sind, da sie keine einfache Möglichkeit haben, eine Reihe zusammenhängender Arbeiten zu organisieren und zu überwachen (auch wenn sie wirklich richtig gut darin sind, einzelne Arbeiten zu erledigen).

Claude vs. Codex? Welches System ist das beste?

Beachte, dass ChatGPT hier nicht aufgeführt ist, weil ich es noch nicht ausgiebig genutzt habe. Ich habe eine Mischung aus Claude mit Fable und Codex mit 5.6 Sol.

Bisher ist mein Favorit Codex mit 5.6 Sol:

Dieses System nutzt geplante Jobs/Routinen für den Heartbeat, und Codex ist deutlich besser darin, ununterbrochen zu laufen.
Im Gegensatz dazu scheint Claude (1) nicht in der Lage zu sein, geplante Jobs im Auto-Modus auszuführen, und (2) scheint Aktionen zu vergessen, die ich zuvor autorisiert hatte. Ich musste einige Zeit in der settings.json verbringen, um die zugelassenen Aktionen zu aktualisieren, aber sobald das erledigt ist, passt es.
Es fühlt sich so an, als wäre Fable bei seinen Vorschlägen klüger, deshalb habe ich es für die komplexeren Ziele genutzt, aber dir können dabei schnell die Tokens ausgehen
5.6 Sol scheint insgesamt den besseren ROI zu bieten, und ich war mit den Ergebnissen wirklich zufrieden

Wie du loslegst

Was du brauchst:

Einen Codex-, Claude- oder ChatGPT-Account.
Einen Tability-Workspace (du kannst eine 14-tägige Testversion machen).
Beantrage Zugang über dieses Formular.

Wenn du Fragen (oder Feedback) hast, schreib mir an [email protected].

‍