Die Leistung
KI-Agenten & Multi-Agenten-Systeme
Für Aufgaben, die mehrere Datenquellen, Rechenschritte und Werkzeuge brauchen. Mit klaren Grenzen und menschlicher Freigabe.
Multi-Agenten-System für einen deutschen Automobilkonzern.
Ein internes KI-Tool, das Analysefragen über mehrere Datenquellen hinweg beantwortet. Spezialisierte Agenten holen die Daten, ein Orchestrator setzt die Antwort zusammen – live im Chat, mit Diagrammen.
- Kontext
- Deutscher Automobilkonzern
- Leistung
- KI-Agenten & Multi-Agenten-Systeme
- Rolle
- AI Engineer & Fullstack
- Zeitraum
- Seit 09/2025, laufend
- Setup
- Im bestehenden Team beim Kunden
01 — Ausgangslage
Die Daten waren da. Der Weg zur Antwort nicht.
Die Frage dahinter
„Warum müssen wir für jede Analysefrage erst Daten zusammensuchen?“
Die relevanten Daten lagen verteilt auf mehrere Quellen. Für eine einzige Analysefrage mussten Fachleute wissen, wo was liegt, Abfragen bauen, Ergebnisse verknüpfen und aufbereiten. Das kostete Zeit – und hing an den wenigen, die sich in allen Systemen auskannten.
02 — Lösung
Fragen stellen statt Daten suchen.
Vorn ein Chat, den jeder bedienen kann. Dahinter ein System spezialisierter Agenten.
- 01
Ein Chat statt vieler Abfragen
Fachleute stellen ihre Frage in natürlicher Sprache. Welche Daten dafür nötig sind, entscheidet das System – nicht der Mensch, der sie sonst zusammensuchen müsste.
- 02
Ein Orchestrator, der plant
Er zerlegt die Frage in Teilaufgaben und verteilt sie an die passenden Agenten.
- 03
Spezialisierte Agenten je Datenquelle
Jeder Agent kennt seine Quelle und hat nur die Werkzeuge, die er dafür braucht. Angebunden über ein eigenes Backend, unter anderem an die Datenplattform des Konzerns.
- 04
Antworten, die man sieht
Ergebnisse werden live gestreamt und direkt im Chat als Diagramm dargestellt.
03 — Architektur
Vom Chat bis zur Datenquelle.
Vereinfacht und anonymisiert. Interne Systeme und Datenquellen sind bewusst nicht benannt.
A · Oberfläche
Chat
Analysefrage in natürlicher Sprache. Antwort mit Live-Streaming und Diagrammen.
Next.js · TypeScript
B · Orchestrierung
Backend
Nimmt die Frage an, streamt die Antwort zurück.
Python · FastAPI
Orchestrator
Zerlegt die Frage und verteilt Teilaufgaben.
LangGraph · Azure OpenAI
C · Agenten
Agent · Quelle 1
ToolsAgent · Quelle 2
ToolsAgent · Quelle n
ToolsJe ein Spezialist pro Datenquelle, mit nur den Werkzeugen, die er braucht.
D · Daten
Datenplattform
Die bestehende Datenplattform des Konzerns.
Databricks
Weitere Quellen
Interne Systeme, anonymisiert.
← E · Antwort
Teilergebnisse werden zusammengeführt und live in den Chat gestreamt, mit Diagrammen.
04 — Meine Rolle
Das ganze System, nicht nur der Prompt.
AI Engineer und Fullstack-Entwickler im bestehenden Team des Kunden, seit 09/2025.
- 01
Agenten
Orchestrierung der spezialisierten Agenten: Aufgaben, Werkzeuge und ihr Zusammenspiel.
- 02
Backend & Daten
API für die Kommunikation der Agenten und die Anbindung der Datenquellen.
- 03
Oberfläche
Chat mit Echtzeit-Streaming und Datenvisualisierung.
- 04
Im Team
Nach den Prozessen, Plattformen und Freigaben des Konzerns.
05 — Ergebnis
Was sich verändert hat.
Konkrete Zahlen stehen unter NDA. Im Gespräch erzähle ich gern mehr, soweit ich darf.
- Ein Chat statt Abfragen
- Analysefragen werden direkt gestellt. Niemand muss vorher wissen, in welchem System die Daten liegen.
- Mehrere Quellen, eine Antwort
- Die Agenten verknüpfen Daten aus verschiedenen Systemen und liefern eine zusammenhängende Antwort mit Diagramm.
- Seit 09/2025 im Konzern
- Laufende Entwicklung im bestehenden Team, auf der Plattform und nach den Standards des Kunden.
06 — Technik
Der Stack.
Für technische Leser, Teams und Agenturen.
- KI & Agenten
- LangChain, LangGraph, Azure OpenAI, Azure AI Foundry
- Backend
- Python, FastAPI
- Daten
- Databricks
- Oberfläche
- Next.js, TypeScript, Echtzeit-Streaming
Technische Details
Was ich im Detail gebaut habe, soweit es öffentlich sein darf.
Agenten als gerichteter Graph
Die Agenten – etwa für Datenabfrage, Risikoanalyse und Empfehlungen – sind mit LangGraph als gerichteter Graph orchestriert. So bauen Agenten aufeinander auf oder arbeiten parallel.
Teilergebnisse per Streaming
Je nach Frage dauert die Verarbeitung mehrere Sekunden. Teilergebnisse der einzelnen Agenten gehen per Server-Sent Events direkt ans Frontend, Nutzer sehen den Fortschritt live.
Frontend-Leitung
Technische Verantwortung und Architekturentscheidungen für das Next.js-Frontend, in enger Abstimmung mit dem Backend zu Agenten-Logik und API-Schnittstellen. Dazu die Darstellung von Analyseergebnissen und Risikoindikatoren als interaktive Visualisierungen.
In der Infrastruktur des Konzerns
Das System läuft auf Azure, mit Azure OpenAI als Modell-Backend. Databricks und weitere interne Quellen sind über abgesicherte Schnittstellen nach den Sicherheitsanforderungen des Konzerns angebunden.
Interne Systeme, Datenquellen und Kennzahlen stehen unter NDA.
07 — Weiter
Mehr davon.
So baue ich KI-Agenten
Ähnliches Projekt
KI-Assistent für das Wissen einer Schule
Internes Wiki und ein juristisches Nachschlagewerk mit rund 1.400 Seiten als Chat mit Quellenangaben. Allein umgesetzt, bis in den Betrieb.
Projekt anfragen
Deine Daten, deine Fragen, ein Chat?
Schreib mir in zwei, drei Sätzen, worum es geht. Du bekommst innerhalb eines Werktags eine ehrliche Einschätzung – auch wenn sie lautet, dass du gar keine KI brauchst.