K2.6 Agent Swarm [Beta]

Am 27. Januar 2026 veröffentlichte Moonshot AI Kimi K2.5 und führte damit Agent Swarm [Beta] ein. Am 20. April 2026 veröffentlichte Moonshot AI Kimi K2.6 als Open Source und brachte umfassende Verbesserungen für die Agent-Swarm-Architektur:

• Bis zu 300 Sub-Agents, die gleichzeitig arbeiten
• Über 4.000 Tool-Aufrufe pro Aufgabe
• 4,5-mal schneller als die sequenzielle Ausführung mit einem einzelnen Agent

Die Geschichte dahinter

Im Jahr 2025 drehte sich das beherrschende Narrativ der KI-Branche um vertikale Skalierung — größere Modelle, mehr Parameter. Doch das stößt an eine strukturelle Grenze: den Engpass der einzelnen sequenziellen Ausführung.

Agent Swarm entstand aus einem realen Szenario: Als ein Teammitglied versuchte, die tägliche Sammlung von Aktieninformationen zu automatisieren und bei 100 Zeilen if-else-Code landete, wurde ihr klar: „Ich schreibe gerade von Hand ein Multi-Agenten-System.“ Wenn Modelle Tools nutzen können, warum sollten sie sich dann nicht selbst eine Architektur entwerfen?

Agent Swarm ist eine selbst entworfene Organisationsstruktur — gestaltet von der KI, nicht von Menschen. Der Haupt-Agent (Orchestrator) steuert eigenständig bis zu 300 Sub-Agents und führt bis zu 4.000 parallele Workflow-Schritte aus.

K2.6 Agent Swarm [Beta] nutzt die Trainingsmethode PARL (Parallel-Agent Reinforcement Learning). Im Vergleich zu Ansätzen mit einem einzelnen Agent reduziert sie die kritischen Schritte in großangelegten Suchszenarien um das 3- bis 4,5-Fache.

Wie verwendet man es?

Zugangspunkte:

• Web: kimi.com/agent-swarm
• Mobil: Kimi-App → Modus wechseln → K2.6 Agent Swarm [Beta] auswählen

Schritte:

1. Beschreibe deine Aufgabe und schicke sie ab (z. B. „Sammle über 200 Artikel von Paul Graham“)
2. Verfolge den Fortschritt in Echtzeit: Erstellung der Aufgabenliste, Erzeugung der Sub-Agents, parallele Ausführung
3. Erhalte Ergebnisse: Code-Projekte, Dateiordner, Datenanalysen, Office-Dokumente
4. Ergebnisse ansehen, herunterladen oder teilen
5. Wechsle in den folgenden Runden zum einzelnen K2.6 Agent, um fortzufahren

Anwendungsfälle

Entdeckung im großen Maßstab

Fall 1: Top 3 Creator in 100 YouTube-Nischen

K2.6 Agent Swarm [Beta] erzeugte 300 Sub-Agents für die parallele Suche und erstellte strukturierte Tabellen mit Kanalnamen, Abonnentenzahlen und Beschreibungen.

Ergebnis ansehen

Fall 2: Sammlung von über 200 Artikeln von Paul Graham

Agent Swarm setzte Sub-Agents ein, um über 200 Artikel zu suchen, herunterzuladen, zu kategorisieren und in thematische Ordner zusammenzufassen.

Ergebnis ansehen

Ergebnisse im großen Maßstab

Fall: 100-seitige Literaturübersicht aus 40 PDFs

K2.6 Agent Swarm [Beta] setzte mehrere auf das Schreiben spezialisierte Sub-Agents ein, von denen jeder für ein Kapitel zuständig war. Endergebnis: ein 100-seitiges wissenschaftliches Dokument mit Quellenangaben, Methodik-Diagrammen und einer Analyse des Zitationsnetzwerks.

Perspektiven im großen Maßstab

Fall: Expertenbewertung einer Produkteinführungsstrategie Agent Swarm setzte Experten-Sub-Agents mit unterschiedlichen Perspektiven ein (Product Manager, Investor, Customer Success), um eine Markteinführungsstrategie zu bewerten.

Ergebnis ansehen

Fall: Die drei Sonnen in 20 literarischen Stilen neu geschrieben 20 „Autoren“-Sub-Agents verfassten unabhängig voneinander Texte in unverwechselbaren Stilen — von Virginia Woolf über Borges bis Kafka.

Ergebnis ansehen

Technischer Tiefblick

Kernarchitektur: Commander + Spezialisten

• Orchestrator = Coach/Commander: behält den Überblick, legt die Strategie fest
• Sub-Agents = Spieler: jeder auf eine bestimmte Rolle fokussiert

Zentraler Entwurf: Die Spieler einfrieren, nur den Coach trainieren

Alle Sub-Agents behalten ihre vorhandenen Fähigkeiten; nur der Orchestrator verbessert sich durch Reinforcement Learning. Das sorgt für klare Verantwortlichkeit und Trainingsstabilität.

„Faulheit“ verhindern:

• Serieller Kollaps: Der Orchestrator übergibt alles an einen einzigen Sub-Agent
• Schein-Parallelität: bedeutungslose Teilaufgaben, um Kennzahlen zu manipulieren

Lösung: Dreidimensionaler Belohnungsmechanismus

1. Qualität des Endergebnisses
2. tatsächlich erreichte Parallelität
3. Abschlussrate der Teilaufgaben

Kennzahl „kritische Schritte“

Agent Swarm berechnet in jeder Phase die Zeit des langsamsten Sub-Agents. Das erzwingt eine echte Prozessoptimierung statt eines blinden Aufteilens von Aufgaben.

Context Sharding

Jeder Sub-Agent konzentriert sich auf sein eigenes „Notizbuch“ und hält relevante Details unabhängig fest. Nur die wesentlichen Schlussfolgerungen werden an den Orchestrator gemeldet — so bleibt die Argumentation erhalten, ohne den Speicher zu überlasten.

Ergebnisse aus der Praxis

Im BrowseComp-Benchmark:

• Genauigkeit: 15,9 % (einzelner Agent) → 33,3 %
• Kritische Schritte um ca. 40 % reduziert

Einsatzszenarien

K2.6 Agent Swarm [Beta] eignet sich besonders für:

1. Großangelegte Informationsbeschaffung: massive Sammlung von Internetdaten
2. Batch-Downloads: großangelegte Sammlung von Dateien und Ressourcen
3. Umfassendes Lesen: Verarbeitung von über 100 Dokumenten
4. Langform-Texte: Inhalte mit mehr als 100.000 Wörtern
5. Komplexe Programmierung: Frontend-Entwicklung, Code-Review, Refactoring
6. Office-Automatisierung: professionelle Dokumente, Tabellen, Präsentationen

Weiterführende Lektüre:

• Kimi Agent Swarm: 100 Sub-Agents im großen Maßstab
• Kimi K2.5: Visual Agentic Intelligence​
• Kimi K2.6: Open-Source-Coding vorangetrieben