Multi-agent-system

Multi-agent-system er flere specialiserede AI-agenter, som deler en større opgave mellem sig. Hver agent har en rolle, fx research, formulering, faktatjek eller opfølgning, og en koordinerende agent sender opgaver og samler svarene. Fordelen er mindre kontekst pr. agent og lettere fejlfinding; prisen er øget kompleksitet og flere integrationspunkter.

Når bureauer sælger 'AI-teams': hvad får du egentlig?

Bureauer og konsulenter kalder ofte et multi-agent-system for et 'AI-team' eller en 'digital afdeling'. I praksis er det en række prompts og roller, der kalder hinanden, ikke magi. Du får en opskrift: hvilke agenter der skal lave research, hvem der skriver udkastet, og hvem der kontrollerer kvalitet. Det betyder også, at I skal betale for flere beskeder til en model, orkestrere dataflowet mellem agenterne og have en plan for fejl og genkørsler.

Sådan virker Multi-agent-system i praksis

Forestil dig en opgave delt som på et fysisk kontor: en person indsamler dokumenter, en anden skriver et udkast, en tredje tjekker fakta og en fjerde leverer. Agents arbejder tilsvarende med tekststykker og svar; den koordinerende agent fordeler opgaver, samler delresultaterne og beslutter, om noget skal genbehandles. Fordelen er, at hver agent behøver mindre kontekst, så den kan fokusere skarpere. Den slags opdeling gør det også lettere at finde fejl: hvis kvalitetstjekket altid stopper, er fejlen sandsynligvis hos enten dataindsamleren eller koordinatoren.

Eksempel: ordremodtager på en lille webshop midt i sæsonen

En ordremodtager i en tøjwebshop åbner e-mail-indbakken en travl tirsdag morgen, tre uger før udsendelse af en kampagne. Der lå 320 nye ordre-mails og tre scannede indkøbsordrer i PDF. Virksomheden prøvede et multi-agent-setup med fire agenter: en intake-agent til at læse e-mails og vedhæftninger, en validerings-agent der tjekkede adresser og produktkoder, en skriv-agent der genererede ordrebekræftelser, og en undtagelses-agent som sendte problemer til en menneskelig medarbejder. Første uge var der store fejl: OCR misforstod adresser i to ud af ti scannede ordrer, validerings-agenten smed dem videre som 'ukendte', og koordineringen førte til dobbeltbehandling af 37 ordrer. Det kostede to dages ekstra manuelt arbejde at justere promptene og opbygge bedre regler for, hvilke felter der skulle medsendes som kontekst. Resultatet var en proces, der mindskede gentagne manuelle trin, men den krævede en uge med opmærksom opsætning og løbende overvågning.

Multi-agent-system er ikke det samme som et enkeltstående sprogmodel-svar

Et enkelt kald til en stor sprogmodel giver et samlet svar på én gang. Et multi-agent-system deler arbejdet, så flere mindre kald bliver koordineret. Det er tæt på, men ikke identisk med 'Kontekst'-styring: splitting hjælper med at holde hver agents kontekst kortere, men I skal planlægge, hvordan vigtig kontekst føres videre mellem agenter, så der ikke går viden tabt.

Hvordan du kommer i gang med et multi-agent-system

1. Identificer opgaven og del den op i klare roller: hvem researcher, hvem skriver, hvem tjekker.
2. Lav simple prompts for hver rolle og test manuelt på 10-20 eksempler.
3. Byg en koordinator, der sender input videre og samler svar; begynd med en simpel logik, ikke alt på én gang.
4. Overvåg fejl og undtagelser; log hvorfor en agent bad om menneskelig hjælp.
5. Iterer: juster prompts og de datafelter, der sendes mellem agenter, indtil flowet er stabilt.

Hvad du skal være opmærksom på

Opdelingen giver bedre fokus per agent, men øger antal fejlsteder og drift. Du får flere API-kald, større gennemløbstid og behov for robust fejlhåndtering. Orkestrering og logging bliver centrale; ellers mister I overblik over, hvorfor en sag stoppede. Endelig er integrationsarbejdet ofte det skjulte tidsforbrug, ikke selve prompt-udviklingen.

Når medarbejderne selv skal kunne bruge multi-agent-system og ikke bare kende ordet, sker det hurtigst på en AI-workshop.