Das erste Team aus KI-Agenten: Rollen, Memory und Review-Schleifen

Machina beschreibt in dem X-Artikel "How to build your first team of agents" eine praktische Bauanleitung für ein kleines Agententeam: fünf Rollen, drei Agenten-Engines, ein gemeinsamer Arbeitsraum und eine Review-Schleife, in der kein Agent seine eigene Arbeit freigibt.

Der Text ist als gesponserter Raft-Beitrag markiert. Trotzdem steckt darin ein robuster Architekturgedanke, der über ein einzelnes Produkt hinausgeht.

Die Kernthese lautet: Ein einzelner Assistent skaliert nur so weit wie die Aufmerksamkeit des Menschen, der ihn kontrolliert. Mehr parallele Chats lösen das Problem nicht automatisch. Ohne gemeinsame Arbeitsumgebung, Rollen, Memory und Review entsteht nur verteiltes Durcheinander mit besserer Sprache.

Vom Assistenten zur Arbeitsorganisation

Ein einzelner KI-Assistent ist ein Werkzeug. Ein Agententeam ist eine Arbeitsorganisation.

Der Unterschied liegt nicht in der Modellgröße, sondern in der Struktur:

• Persistente Identität: Jeder Agent hat einen Namen und eine Zuständigkeit.
• Kompoundierendes Memory: Korrekturen, Quellen, Regeln und Playbooks bleiben erhalten.
• Getrennte Review: Ein anderer Agent prüft Ergebnisse gegen Fehlerannahmen.
• Gemeinsamer Raum: Arbeit landet in Channels oder Threads statt in isolierten Sessions.
• Menschliche Freigabe: Alles, was nach außen wirkt, bleibt ein menschlicher Entscheid.

Das ist die eigentliche Verschiebung. Agenten werden weniger wie einzelne Werkzeuge behandelt und mehr wie spezialisierte Mitarbeitende mit begrenztem Mandat.

Die fünf Rollen

Der Artikel schlägt fünf Agentenrollen vor, die sich an typischen Geschäftsfunktionen orientieren:

• Lead Acquisition: beobachtet Quellen, findet passende Prospects und erstellt erste Kontaktentwürfe.
• Content Creation: produziert Inhalte, Angebotsmaterial, Beiträge und Texte.
• Sales Pipeline: hält offene Gespräche in Bewegung und achtet auf Follow-ups.
• Service Delivery: unterstützt bei Kundenarbeit, Reports, Konzepten und Lieferobjekten.
• Finance: verfolgt Rechnungen, Kosten und Monatszahlen.

Diese Rollen sind interessant, weil sie nicht nach Tool-Kategorien geschnitten sind. Sie folgen dem Betriebssystem eines kleinen Unternehmens: Nachfrage erzeugen, Vertrauen aufbauen, verkaufen, liefern, Zahlen verstehen.

Drei Engines, ein Raum

Machina ordnet den Rollen drei Engines zu:

• Claude Code für Schreib-, Konzept- und Lieferarbeit.
• Codex für interne Tools, Skripte und Automatisierungen.
• Hermes für Always-on-Aufgaben wie Monitoring, Heartbeats und wiederkehrende Checks.

Raft wird als gemeinsamer Raum beschrieben, in dem Menschen und Agenten zusammenarbeiten: Channels, Threads, Tasks, DMs, persistente Agenten und geteilte Arbeitsspuren. Der wichtige Architekturpunkt ist nicht, dass genau diese Kombination zwingend ist. Wichtig ist, dass Agenten nicht in getrennten Fenstern nebeneinanderher arbeiten.

Ohne gemeinsamen Raum wird der Mensch zur Copy-Paste-Schicht. Mit gemeinsamem Raum kann Arbeit übergeben, geprüft und weitergeführt werden.

Der kleinste sinnvolle Agent

Ein Agent besteht laut Artikel aus fünf Teilen:

1. Name: damit Arbeit adressierbar und auditierbar wird.
2. Rolle oder Soul: Zuständigkeit, Grenzen, Ton, harte Regeln.
3. Memory: gelernte Korrekturen, Quellenqualität, Playbooks und Arbeitsnotizen.
4. Goals: was der Agent besitzt, was "fertig" heißt und wann er eskalieren muss.
5. Heartbeat: feste Wiederholungen, etwa tägliche Quellenläufe oder stündliche Reply-Checks.

Das ist ein nützliches Minimalmodell. Es verhindert, dass Agenten als magische Generalisten starten. Jeder Agent bekommt ein enges Mandat, eine klare Ausgabeform und eine Stelle, an der Lernen abgelegt wird.

Keine Selbstabnahme

Der stärkste Teil des Artikels ist die Review-Regel: Kein Agent bewertet seine eigene Arbeit abschließend.

Das klingt simpel, ist aber eine Grundregel für verantwortbare Agentensysteme. Ein Agent, der sein eigenes Ergebnis prüft, reproduziert oft dieselbe Perspektive, mit der er es erzeugt hat. Ein zweiter Agent mit expliziter Gegenrolle findet andere Fehler:

• falscher Fit
• schwache Begründung
• veraltete Quelle
• unbelegte Behauptung
• fehlender Kontext
• fehlende Freigabegrenze

Noch wichtiger: Jede Ablehnung trägt einen Grund. Dieser Grund kann in Memory, Soul oder Playbook zurückgeschrieben werden. Dadurch entsteht eine Lernschleife, die nicht nur einzelne Outputs verbessert, sondern die Arbeitsweise des Agenten verändert.

Der ag3nt.id Take

Das Agententeam ist kein Framework-Feature. Es ist ein Operating Model.

Wer Agenten produktiv einsetzen will, braucht nicht zuerst fünf neue Tools. Er braucht Rollen, Datenzugriff, Eskalationsregeln, Review-Verantwortung und eine gemeinsame Arbeitsoberfläche. Genau dort entscheidet sich, ob Agentic AI zu echter Entlastung wird oder nur zu mehr Koordinationsaufwand.

Der pragmatische Start ist klein: ein Agent für eine Funktion, ein Reviewer, ein Channel, ein täglicher Lauf. Erst wenn diese Schleife stabil ist, kommt der nächste Agent dazu.

Das ist weniger spektakulär als die Demo vom "autonomen Unternehmen". Aber es ist der Weg, auf dem Agenten tatsächlich arbeitsfähig werden.

Quelle: Machina, "How to build your first team of agents"

Weiterführend: Agentic AI führen: Vom Automatisierungsprojekt zur Agency-Organisation