Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
medium.com26. Oktober 2025 · Q010070

Multi-Agent with Swift Foundation Models: Agents as Tools + Turn Limits

medium.com · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Der Artikel zeigt, wie ein Orchestrator in Swift spezialisierte Agenten als Werkzeuge aufruft und wie ein gemeinsam genutzter Actor die Zahl der Modellaufrufe begrenzt, um Endlosschleifen einzudämmen. Vorteile wie geringerer Tokenverbrauch werden als abhängig vom Anwendungsfall dargestellt; die Fehlerfolgen beschreibt der Autor teilweise als unsichere Beobachtung.

Mittel

Der Bericht erklärt „Agents as Tools“ mit Swift Foundation Models: Ein Orchestrator-Agent nimmt Nutzerfragen entgegen und ruft spezialisierte Agenten als Werkzeuge auf. Der Autor nennt maßgeschneiderte Prompts, modulare Erweiterbarkeit und bei komplexen Aufgaben möglicherweise geringeren Tokenverbrauch als Vorteile. Für einfache Fälle könne der Verbrauch wegen ähnlicher Werkzeug- und Endausgaben dagegen steigen.

Der Beispielcode verpackt jeden Spezialisten in einen Agenten mit eigener `LanguageModelSession`; ein optionaler Prompt-Transformer passt Anfragen an. Ein Bildungsbeispiel leitet Mathefragen an einen Mathe-Agenten und Sprachfragen an einen Englisch-Agenten. Da verschachtelte Werkzeugaufrufe laut Autor in Endlosschleifen geraten können, ergänzt er einen gemeinsamen `MaxTurnMonitor`-Actor. Dieser zählt Modellaufrufe über die beteiligten Agenten hinweg und begrenzt sie. Bei Überschreitung gibt das Werkzeug den Fehler als Text zurück, damit der Orchestrator noch mit bereits vorliegenden Ergebnissen antworten kann.

Der Artikel berichtet keine systematischen Tests oder Messungen. Der Autor kennzeichnet das mögliche Löschen des Gesprächsverlaufs bei Fehlern als unsichere Beobachtung, möglicherweise aus einer Beta-Version; auch seine Kritik an der Modellqualität bleibt eine persönliche Einschätzung.

Ausführlich lesen

Der Bericht erläutert das Muster „Agents as Tools“ für Multi-Agent-Systeme mit Apples Swift Foundation Models. Dabei übernimmt ein übergeordneter Orchestrator die Kommunikation mit dem Nutzer und ruft spezialisierte Agenten als Werkzeuge auf. Diese bearbeiten Aufgaben in ihrem jeweiligen Fachgebiet. Der Autor nennt als mögliche Vorteile maßgeschneiderte Anweisungen und Werkzeuge sowie eine modulare, hierarchische Architektur. Bei komplexen Aufgaben könne die Aufteilung laut Autor außerdem den Tokenverbrauch in der Sitzung des Orchestrators senken, weil spezialisierte Agenten eigene Sitzungen nutzen. Bei einfachen Aufgaben könne der Verbrauch jedoch steigen, wenn Werkzeugausgabe und abschließende Antwort ähnliche Inhalte wiederholen.

Die erste Implementierung zeigt eine `Agent`-Klasse mit einer `LanguageModelSession` und ein `AgentTool`, das eine Texteingabe an einen Agenten weiterleitet. Ein optionaler `promptTransformer` ergänzt die Anfrage um auf das Fachgebiet zugeschnittene Hinweise. Die Sitzung wird beim Erzeugen des Agenten eingerichtet und bleibt bestehen, sodass sie laut Artikel vorherige Antworten behalten und Rückfragen unterstützen kann. Als Beispiel dient eine Bildungsanwendung: Ein Lehrer-Agent leitet mathematische Fragen an einen Mathe-Agenten und Fragen zu Sprache oder Literatur an einen Englisch-Agenten weiter.

Als mögliches Problem beschreibt der Autor verschachtelte Werkzeugaufrufe, die abhängig von der Anfrage in eine Endlosschleife geraten könnten. Er nennt Zeitlimits und eine maximale Zahl von Agentenaufrufen als Gegenmaßnahmen und setzt im Beispiel die zweite um. Ein `MaxTurnMonitor`-Actor zählt die Aufrufe gemeinsam über mehrere Agenten hinweg. Prüfung und Erhöhung des Zählers erfolgen in einer Funktion, damit konkurrierende Agenten nicht beide eine veraltete Prüfung bestehen. Wird beim Aufruf des Orchestrators ein Höchstwert festgelegt, erhalten die eingebundenen Werkzeug-Agenten dieselbe Monitor-Instanz. Jeder Agentenlauf prüft den Zähler vor der Modellantwort.

Erreicht ein Werkzeug-Agent das Limit, fängt sein Werkzeug den Fehler ab und gibt ihn als Text samt möglichem Wiederherstellungshinweis zurück. Der Autor begründet dies damit, dass ein geworfener Fehler nach seiner Beobachtung den Gesprächsverlauf der `LanguageModelSession` löschen könne und bereits gesammelte Teilergebnisse verloren gehen könnten. Im Beispiel wird ein Limit von zwei Aufrufen gesetzt; laut Artikel kann der Orchestrator trotz eines fehlgeschlagenen Werkzeugaufrufs noch anhand erfolgreicher Ergebnisse antworten.

Der Bericht belegt die Funktionsweise nicht durch systematische Tests oder Messwerte. Die Vorteile beim Tokenverbrauch werden als abhängig von der Aufgabenkomplexität beschrieben. Auch das Verhalten bei Sitzungsfehlern stellt der Autor selbst als unsicher dar und vermutet, es könne sich um ein Verhalten der verwendeten Beta-Version handeln. Abschließend äußert er die persönliche Einschätzung, die verwendeten Foundation Models seien qualitativ enttäuschend; konkrete Modellangaben oder Vergleichsdaten nennt er nicht.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Die Einordnung stützt sich nur auf den Bericht. Lunas Stufen für SF-T1-T05 (1) und SF-A3-T01 (1) sind zu niedrig; der Bericht enthält bei SF-A3-T01 einen zitierbaren Beleg für Kettenfehler zwischen Agenten. Bei Lunas Zusammenfassungen fehlen Teile zur Begründung des Actors und zur Turn-Definition.

Im Bericht, aber nicht in der Zusammenfassung

  • Begründung des gemeinsamen MaxTurnMonitor-Actors: Prüfung und Zählung müssen in einer Funktion liegen, um Wettlaufsituationen zwischen Agenten zu vermeiden
  • Definition eines Turns als ein KI-Aufruf inklusive Werkzeugaufrufe
  • Session pro Agent speichert den Verlauf, sodass Folgefragen möglich sind
  • Modulare Austauschbarkeit der Spezialisten als eigener Vorteil (im mittleren Text nicht genannt)

Automatische Gegenprüfung mit dem vollständigen Originaltext (Batch, 20.11.2026). Ungeprüft durch Menschen.

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 8 von 8
Angezeigte Modelle
Unabhängig prüfen
Tempo und Grenzen
  1. SF-T1 Welche messbaren Schwellen sollen eine Pause auslösen, und wer prüft sie?
    • clef 100 %kein Bezug
    • Luna 41 %einzelne zitierbare Belege
    • JEV 52 %beantwortet teilweise oder widerspricht
    • amos 25 %nur am Rande erwähnt
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung einzelne zitierbare Belege

Vertrauen in Modelle
  1. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 100 %kein Bezug
    • Luna 57 %Hintergrund, keine Belege
    • JEV 35 %beantwortet teilweise oder widerspricht
    • amos 26 %nur am Rande erwähnt
    • SubQ 38 %gleiches Oberthema, hilft nicht
    • drex 42 %gleiches Oberthema, hilft nicht
    • d3-ultra 51 %gleiches Oberthema, hilft nicht

Agenten und vernetzte Systeme
  1. SF-A1 Welche Befugnisse darf ein KI-Agent haben, also eine KI, die selbstständig mit Werkzeugen handelt? Wer entzieht sie ihm, und wie prüft man, dass er in seinem Auftrag bleibt?
    • clef 26 %Hintergrund, keine Belege
    • Luna 65 %einzelne zitierbare Belege
    • JEV 52 %beantwortet teilweise oder widerspricht
    • amos 25 %Hintergrund, keine Belege
    • SubQ 32 %gleiches Oberthema, hilft nicht
    • drex 28 %gleiches Oberthema, hilft nicht
    • d3-ultra 43 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung Hintergrund, keine Belege
  2. SF-A2 Lassen sich KI-Systeme sicher anhalten, zurücksetzen, abschotten oder drosseln, und wer darf das anordnen?
    • clef 24 %gleiches Oberthema, hilft nicht
    • Luna 54 %Hintergrund, keine Belege
    • JEV 44 %einzelne zitierbare Belege
    • amos 26 %nur am Rande erwähnt
    • SubQ 24 %gleiches Oberthema, hilft nicht
    • drex 29 %gleiches Oberthema, hilft nicht
    • d3-ultra 53 %gleiches Oberthema, hilft nicht

  3. SF-A3 Welche Gefahren entstehen, wenn viele KI-Systeme zusammenwirken oder dieselbe Infrastruktur teilen?
    • clef 22 %Hintergrund, keine Belege
    • Luna 61 %einzelne zitierbare Belege
    • JEV 60 %beantwortet teilweise oder widerspricht
    • amos 30 %einzelne zitierbare Belege
    • SubQ 26 %einzelne zitierbare Belege
    • drex 32 %nur am Rande erwähnt
    • d3-ultra 43 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung einzelne zitierbare Belege

    • SF-A3-T01 Welche Beobachtungen oder gemeinsamen Tests erkennen entstehende Abstimmung, Absprachen oder Kettenfehler zwischen Modellen in Arbeitsabläufen, Lieferketten und Gruppen vieler Agenten (Schwärmen), die kein einzelnes Labor steuert oder vorhersieht? Luna: Stufe 1 · 43 % · gleiches Oberthema, hilft nicht · Haiku-Prüfung: Stufe 4 · einzelne zitierbare Belege
Frieden und Sicherheit
Beteiligung und Gemeinwohl
  1. SF-E5 Welche Mitsprache haben die Menschen, die mit KI leben, bei Tempo und Grenzen, und welche Entscheidungen müssen bei ihnen bleiben?
    • clef 100 %kein Bezug
    • Luna 29 %Hintergrund, keine Belege
    • JEV 25 %einzelne zitierbare Belege
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →