Role-Based Agents

Role-Based Agents sind ein Aufbau-Muster für Software-Agenten auf Basis großer Sprachmodelle (LLM, Large Language Model). Statt einen einzelnen Agenten alles machen zu lassen, wird die Aufgabe auf mehrere Rollen verteilt (etwa Recherche, Planung, Kritik, Schreiben). Jede Rolle bekommt eine eigene Grund-Anweisung (System-Prompt), klare Ziele und meist eigene Werkzeuge (Tools). Die Zusammenarbeit steuert ein Leit-Agent (Manager-Agent), eine gemeinsame Aufgaben-Liste (Task-Board) oder ein festgelegter Ablauf-Graph.

Was sind Role-Based Agents?

Ein Role-Based-Agents-Aufbau zerlegt eine Aufgabe in klar abgegrenzte Rollen, denen jeweils ein eigener Agent auf Basis eines großen Sprachmodells (LLM) zugeordnet ist. Jede Rolle bekommt eine eigene Grund-Anweisung (System-Prompt) mit Aufgaben-Beschreibung, Zielen und häufig einer knappen Rollen-Beschreibung. Sie hat einen abgegrenzten Werkzeug-Zugriff (Web-Suche für den Recherche-Agenten, Kalender-Schnittstelle für den Planungs-Agenten, Zugriff auf die interne Wissensbasis für den Fakten-Prüfer) und arbeitet auf einem gemeinsamen Zwischenergebnis, das im Verlauf der Aufgabe wächst.

Vier Bausteine tragen das Muster. Erstens das Rollen-Set: welche Rollen existieren, wie sie zugeschnitten sind und wo ihre Verantwortungsgrenzen liegen. Zweitens die Rollen-Konfiguration pro Agent: System-Prompt, Ziele, verfügbare Tools, Modell-Profil (der Klassifikator läuft oft auf einem günstigeren Modell als der Bearbeiter). Drittens die Koordinationsschicht, die Reihenfolge, Übergaben und Abbruch-Kriterien steuert (Manager-Agent, Task-Board, expliziter Graph). Viertens Übergabe-Formate, mit denen Zwischenergebnisse zwischen den Rollen strukturiert weitergereicht werden.

Der Begriff hat drei prägende Frameworks. [CrewAI](https://docs.crewai.com/) (2023) hat das Rollen-Vokabular als Framework-Primitive gesetzt: role, goal, backstory und tools sind Konfigurationsfelder pro Agent, mehrere Agenten bilden eine Crew. [AutoGen](https://arxiv.org/abs/2308.08155) (Wu et al., Microsoft Research 2023) hat parallel dazu Multi-Agent-Konversationen zwischen spezialisierten Sprachmodellen etabliert. [MetaGPT](https://arxiv.org/abs/2308.00352) (Hong et al. 2023) hat die „Software Company"-Metapher geprägt, in der Agenten die Rollen Product Manager, Architekt, Engineer und QA übernehmen und dabei standardisierte Artefakte (Spezifikation, Design, Code, Testreport) ineinander weitergeben. [Anthropic](https://www.anthropic.com/research/building-effective-agents) hat das Orchestrator-Worker-Pattern in „Building Effective Agents" (Dezember 2024) als produktiven Bauplan für rollen-basierte Setups beschrieben.

Der Begriff existiert, weil rollen-basierte Zerlegung der wichtigste stabile Grund für ein Multi-Agent-Setup ist. Sobald Werkzeug-Rechte, Modell-Wahl oder Kontext-Umfang sich pro Teil-Aufgabe deutlich unterscheiden, gewinnt eine explizite Rollen-Trennung gegenüber einem großen Agenten mit allen Tools und einem langen Prompt. Ohne diese Unterschiede reicht ein Single-Agent, und ein rollen-basiertes System wird zur unnötigen Komplexitäts-Quelle.

Abgrenzung zu Single-Agent, Agentic Workflow, Multi-Agent-System und ReAct

Der Begriff wird häufig mit angrenzenden Konzepten vermischt. Die relevanten Trennlinien:

Die begrifflich wichtigste Trennung liegt zwischen Single-Agent und rollen-basiertem Setup. Ein Single-Agent mit mehreren Tools bleibt ein Single-Agent, auch wenn er Recherche, Planung und Schreiben in einem Prompt-Kontext bearbeitet. Ein Role-Based-Team zerlegt die Aufgabe auf mehrere Agenten mit eigenen System-Prompts, eigenen Tool-Rechten und häufig eigenen Modell-Profilen. Der Bruchpunkt ist praktisch: sobald der System-Prompt eines Single-Agenten mehr als zwei Verantwortungs-Domänen abdeckt, kippt er in Rollen-Konflikt und Kontext-Überladung.

Die Abgrenzung zu Agentic Workflows liegt in der Rolle als Primitive. Ein Workflow beschreibt einen Kontrollfluss über LLM-Aufrufe (Prompt-Chaining, Router, Parallelisierung), und dieser Fluss muss keine Rollen kennen. Ein rollen-basiertes System stellt die Rolle vor den Fluss: erst wird definiert, welche Rollen existieren und was sie können, dann wird die Koordination zwischen ihnen gebaut. Beide Formen können ineinander übergehen, wenn der Workflow Rollen als Knoten enthält.

Multi-Agent-System ist die Oberkategorie. Jedes rollen-basierte System ist ein Multi-Agent-System, aber nicht jedes Multi-Agent-System ist rollen-basiert. Ein Peer-to-Peer-Verband gleichrangiger Agenten ohne Rollen-Zuschnitt (etwa parallele Recherche-Agenten mit identischer Konfiguration für Multi-Perspektiven-Analyse) ist ein Multi-Agent-System, aber kein rollen-basiertes Setup im engeren Sinn. Der historische Begriff Multi-Agent-System aus der verteilten KI der 1990er-Jahre umfasste zudem auch nicht-LLM-basierte Agenten.

Das ReAct-Pattern arbeitet innerhalb eines einzelnen Agenten (Thought, Action, Observation im Loop) und trifft keine Aussage über die Rollen-Verteilung zwischen mehreren Agenten. Jede Rolle in einem Role-Based-Team kann ReAct als internes Kontroll-Muster nutzen. Die beiden Begriffe liegen auf unterschiedlichen Ebenen: ReAct ist ein Reasoning-Muster pro Agent, Role-Based Agents sind ein Team-Muster über mehrere Agenten.

Beispiel: Content-Team mit vier Rollen und Manager-Agent

Ein Redaktions-Team automatisiert die Erstellung technischer Fachartikel über einen Verband aus fünf Agenten. Der Aufbau zeigt die vier Bausteine in einem schmalen Zuschnitt.

Das Rollen-Set umfasst einen Manager-Agenten, einen Recherche-Agenten mit Websuche- und Volltext-Lese-Werkzeugen, einen Planungs-Agenten mit Zugriff auf ein Redaktions-Styleguide-Tool, einen Schreib-Agenten mit Zugriff auf einen Vorlagen-Speicher und einen Kritik-Agenten mit Retrieval-Zugriff auf die interne Wissensbasis. Die Rollen-Konfiguration pro Agent ist explizit: der Recherche-Agent hat den goal-Eintrag „belegte Faktenbasis mit Quellenpfaden liefern", der Kritik-Agent hat „Widersprüche und ungestützte Aussagen im Entwurf markieren, keine Umformulierung". Modell-Profile unterscheiden sich: der Manager-Agent läuft auf einem Reasoning-Modell, die Worker auf günstigeren Standard-Modellen.

Die Koordinationsschicht ist ein Manager-Agent nach Orchestrator-Worker-Muster. Der Manager bricht das Briefing in Teilaufgaben, ruft den Recherche-Agenten für die Faktenbasis auf, übergibt dessen Ergebnis an den Planungs-Agenten für die Gliederung, schickt Gliederung und Rechercheergebnisse an den Schreib-Agenten und leitet den Entwurf zum Kritik-Agenten. Die Übergabe-Formate sind strukturiert: der Recherche-Agent liefert JSON-Daten mit claims, sources, confidence, der Planungs-Agent liefert eine markierte Gliederung, der Kritik-Agent liefert eine Liste referenzierter Kritikpunkte. Das Abbruch-Modell ist explizit: maximal drei Schreib-Iterationen, harte Token-Kappe pro Lauf, Eskalation an eine menschliche Redaktion bei ungelöstem Kritik-Konflikt.

Ein Single-Agent mit denselben Werkzeugen würde die Aufgabe in einem Prompt-Kontext lösen. Der rollen-basierte Aufbau lohnt sich in diesem Fall, weil sich Werkzeug-Rechte und Modell-Wahl pro Rolle deutlich unterscheiden: der Recherche-Agent darf externe URLs abrufen, der Schreib-Agent nicht; der Kritik-Agent läuft mit strengen Guardrails auf einem anderen Modell als der Schreib-Agent. Beim Ausbau kommen Tracing pro Rolle (LangSmith, Langfuse, Arize Phoenix), Kostenzähler pro Agent und ein Eskalations-Pfad für unklare Fälle hinzu. Der Kern der Definition bleibt: die Rolle mit eigenem System-Prompt, eigenem Tool-Set und eigener Verantwortung trägt die Architektur.