Production Multi-Agent System

Theorie ist wichtig — aber jetzt bauen wir ein vollständiges Multi-Agent-System. In diesem Kapitel erstellen Sie eine Research-Analyze-Report-Pipeline mit Quality Gates, Human Review und allem, was für Production nötig ist.

Die Pipeline im Überblick

Trigger (Webhook/Schedule)
    │
    ▼
┌──────────────┐     ┌──────────────┐     ┌──────────────┐
│  Research     │────▶│  Analyze     │────▶│  Report      │
│  Agent        │     │  Agent       │     │  Agent       │
└──────────────┘     └──────────────┘     └──────────────┘
    │                     │                     │
    ▼                     ▼                     ▼
Quality Gate 1       Quality Gate 2       Quality Gate 3
(≥ 3 Quellen?)       (Confidence ≥ 80?)    (Score ≥ 85?)
    │                     │                     │
    ▼                     ▼                     ▼
  Pass/Retry           Pass/Retry         Pass/Human Review

Schritt 1: Research Agent

Der Research Agent sammelt Informationen aus mehreren Quellen.

n8n Workflow-Konfiguration

Node	Typ	Konfiguration
Trigger	Webhook	POST /pipeline/start
Research Prompt	Set Node	System-Prompt + Thema aus Trigger
LLM Call	OpenAI / Anthropic	model: gpt-4o, max_tokens: 2000
Parse Output	Function	JSON-Validierung + Schema-Check
Quality Gate	IF Node	findings.length ≥ 3 UND confidence ≥ 70
Save State	PostgreSQL	INSERT INTO agent_state

Quality Gate 1: Research Completeness

{
  "conditions": {
    "all": [
      { "field": "findings_count", "operator": "gte", "value": 3 },
      { "field": "confidence", "operator": "gte", "value": 70 },
      { "field": "knowledge_gaps", "operator": "lte_length", "value": 2 }
    ]
  },
  "on_fail": "retry_with_expanded_scope",
  "max_retries": 2
}

Schritt 2: Analyze Agent

Der Analyze Agent verarbeitet die Research-Ergebnisse und extrahiert Kernaussagen.

Prompt-Struktur

System: Du bist ein Analyse-Spezialist. Basierend auf den Research-Daten:
1. Identifiziere die 3-5 wichtigsten Erkenntnisse
2. Bewerte Trends und Muster
3. Erstelle eine SWOT-Analyse wenn anwendbar
4. Gib Handlungsempfehlungen mit Priorität (hoch/mittel/niedrig)

Input: {{ $json.research_findings }}
Output-Format: JSON mit { insights: [], trends: [], recommendations: [] }

Quality Gate 2: Analysis Depth

Kriterium	Schwellenwert	Aktion bei Fehler
Insights gefunden	≥ 3	Retry mit Hinweis
Confidence Score	≥ 80	Retry mit mehr Kontext
Recommendations	≥ 1 pro Insight	Retry mit expliziter Anweisung
JSON-Validierung	Gültiges Schema	Sofortiger Retry

Schritt 3: Report Agent

Der Report Agent erstellt den finalen Bericht aus Research und Analyse.

Template-Integration

# {{ topic }} — Analyse-Bericht

**Erstellt:** {{ date }}
**Confidence:** {{ overall_confidence }}%
**Quellen:** {{ sources_count }}

## Executive Summary
{{ executive_summary }}

## Kernerkenntnisse
{{ insights_formatted }}

## Handlungsempfehlungen
{{ recommendations_table }}

## Anhang: Quellenverzeichnis
{{ sources_list }}

Human Review Integration

Nicht jeder Bericht sollte automatisch veröffentlicht werden:

Report Agent Output
    │
    ▼
┌──────────────┐
│ Quality Gate  │
│ Score ≥ 85?   │
└──────┬───────┘
       │
  ┌────┴────┐
  ▼         ▼
 JA        NEIN
  │         │
  ▼         ▼
Auto-      Slack-Nachricht
Publish    an Reviewer
           │
           ▼
        Human Review
        (Approve/Edit/Reject)

Slack-Integration für Review

Aktion	Workflow
Approve	Bericht wird veröffentlicht
Edit	Bericht geht zurück an Report Agent mit Feedback
Reject	Pipeline wird gestoppt, DLQ-Eintrag

Production Checklist

Bevor Sie Ihre Multi-Agent-Pipeline live schalten:

Bereich	Checkliste
Error Handling	✅ Retries konfiguriert, ✅ Fallback Agents definiert, ✅ Circuit Breaker aktiv
Monitoring	✅ Execution Logging, ✅ Latenz-Metriken, ✅ Cost Tracking
Quality Gates	✅ Mindestens 1 Gate pro Agent, ✅ Human Review für finale Ausgabe
Security	✅ API Keys in Credentials (nicht im Workflow), ✅ Rate Limits gesetzt
Skalierung	✅ Concurrency Limits pro Agent, ✅ Queue für Lastspitzen
Dokumentation	✅ Agent-Rollen dokumentiert, ✅ Input/Output-Verträge definiert

Praxis-Tipp: Bauen Sie die Pipeline inkrementell auf: Erst nur den Research Agent mit Quality Gate. Dann den Analyze Agent hinzufügen. Dann den Report Agent. Jede Stufe wird einzeln getestet und verifiziert, bevor die nächste hinzukommt. Planen Sie 2 Wochen für einen robusten Production-Deploy ein.