Beobachtetes Signal · 20. Juni 2026 · Technical Release · Quelle: DEV Community · Relevanz: 1/5 · Sentiment: Neutral
Zustellfahrer entwickelt Multi-Expert-KI-Agenten-MVP
Ein autodidaktischer Entwickler und Nachtschicht-Zustellfahrer hat einen detaillierten Bericht über den Aufbau eines MVP-KI-Systems veröffentlicht, das parallele Experten-Agenten ausführt und deren Antworten aggregiert. Der Autor begann am 24. Mai 2026 mit dem Programmieren und implementierte eine parallele Multi-Experten-Ausführung für Medizin, Recht, Strategie und einen allgemeinen Fallback über LLM-APIs von Zhipu, Aliyun und OpenRouter. Zu den Kernkomponenten gehören ein persistentes Gedächtnismodul für die letzten 20 Turns, ein Sicherheitsfilter mit Protokollen sowie ein Director Brain zur Aggregation der Ausgaben. Das System unterstützt eine mehrungsrundige Debatte, bei der jeder Experte den vollständigen Verlauf sieht; als aktuelle Einschränkungen werden hoher Token-Verbrauch und langsame Antwortzeiten genannt. Quellcode und Designdokumente stehen auf GitHub bereit, während der Autor Feedback zur Architektur und zum Lernfortschritt erbittet.
Das MVP eines Einzelentwicklers zeigt einen pragmatischen technischen Ansatz für Multi-Experten-LLM-Agenten. Es bietet zwar primär technisches Interesse, hat jedoch vorerst nur begrenzten direkten Einfluss auf die breitere AdTech- und MarTech-Industrie.
Marktsignale zu GitHub in Echtzeit verfolgen
Polaris7 erfasst behördliche Registrierungen, Primärquellen, Führungswechsel und Deal-Aktivitäten rund um die Uhr. Erstellen Sie Ihren kostenlosen Explorer-Workspace, um automatisierte Executive Briefings zu erhalten.
Wichtigste Kernpunkte & Evidenz
- Der Autor begann am 24.05.2026 mit dem Programmieren und erstellte innerhalb von rund zwei Wochen ein funktionierendes MVP.
- Das MVP führt mehrere Experten-Agenten (Medizin, Recht, Strategie, Allgemein) parallel über LLM-APIs (Zhipu, Aliyun, OpenRouter) aus.
- Zu den Kernkomponenten zählen ein Gedächtnismodul, ein Sicherheitsfilter (JSON-basiert) und ein Director Brain zur Aggregation.
- Das System implementiert eine mehrungsrundige Debatte mittels ThreadPoolExecutor, bei der Experten den gemeinsamen Gesprächsverlauf einsehen.
- Der Projektcode und die Repositories für das 'Museum of Ideas' werden auf GitHub gehostet.
Verknüpfte Unternehmen
2 verknüpfte UnternehmenOntologie & Marktkonzepte
Verwandte Marktsignale & Trends
Aktuelle verifizierte Unternehmensentwicklungen und Deal-Aktivitäten in diesem Marktsegment.
Entwickler veröffentlicht autonomes Multi-Agenten-LLM-System
Ein Entwickler unter dem Pseudonym PINGx hat ein Open-Source-Multi-Agenten-System vorgestellt, das innerhalb von rund zwölf Stunden entwickelt wurde. Das System läuft auf einer kostengünstigen Google Cloud e2-small VM und nutzt CrewAI, Google Gemini sowie ChromaDB und SQLite für Speicher und Metriken. Zu den Kernkomponenten gehören ein KPI-getriebener CEO-Agent, ein Auditor-System zur Selbstverbesserung über YAML-Konfigurationsänderungen sowie ein Git-basierter Revisionsworkflow. Autonome Änderungen werden als isolierte Commits protokolliert, um die Reproduzierbarkeit und Umkehrbarkeit zu gewährleisten. Der Quellcode ist unter MIT-Lizenz auf GitHub verfügbar. Bei ersten Testläufen analysierte der CEO-Agent erfolgreich historische Betriebsdaten und lieferte präzise Handlungsempfehlungen zur Fehlerbehebung. Das Projekt verdeutlicht das praktische Potenzial leichtgewichtiger, agentischer Architekturen für automatisierte Optimierungsprozesse.
Autodidakt entwickelt KI-Rezeptionistin durch partnerschaftliche KI-Zusammenarbeit
Ein autodidaktischer Entwickler lernte innerhalb von vier Monaten produktionsreife Software zu entwickeln, indem er generative KI nicht als Werkzeug, sondern als Partner einsetzte. Um ein Frontier Model implementierte er ein sicherheitsfokussiertes Harness-Framework, das Validität durch automatisierte Prüfungen erzwingt: die Blockierung unbewiesener Behauptungen, 89 Enforcement-Hooks, Gegenprüfungen durch konkurrierende Modelle sowie ein unveränderliches Memory mit 286 Self-Modification-Commits. Das Ergebnis ist Neverclosed, eine aktive 24/7-KI-Rezeptionistin für Telefonate, Website-Chats und Terminbuchungen. Zudem erhielt der Entwickler 100 US-Dollar aus einem AI Red-Teaming-Wettbewerb. In seinem Beitrag teilt er den technischen Ansatz und zentrale Erkenntnisse aus dem Public-Building-Prozess.
Lehren aus der Entwicklung eines Multi-Agenten-KI-Systems
Der Entwickler Arnav Gupta schildert in einem Praxisbericht über das Projekt Wizard Ecosystem die Herausforderungen und Lösungsansätze beim Aufbau einer umfassenden Multi-Agenten-KI-Plattform. Das System umfasst spezialisierte Agenten für Coding, Content, Review, Research und Optimierung, ergänzt durch Orchestrierung, RAG und Speicher. Der Autor beschreibt konkrete Hürden wie mangelnde Kooperation, Rollendrift, Endlosschleifen, veraltete Speicherkontexte und Latenzprobleme bei der Nutzung von Groq und Llama-Modellen. Um diese Instabilitäten zu beheben, wurde die Architektur grundlegend überarbeitet: Eine zentralisierte Orchestrierung, strikte, schema-basierte Ein- und Ausgaben, validierungsschritte, verkürzte Agentenketten sowie eine kontextbezogene Reduzierung des Speichers sorgen nun für ein deutlich verlässlicheres und steuerbareres System.
Marktsignale & Strategische Shifts in Echtzeit verfolgen
Erstellen Sie benutzerdefinierte Watchlists, um automatisierte, evidenzbasierte Executive Briefings zu erhalten, sobald wesentliche Signale oder Marktverschiebungen auftreten.