Agent Swarm

Am 27. Januar 2026 veröffentlichte Moonshot AI Kimi K2.5 und führte damit Agent Swarm 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

Agent Swarm wird derzeit von Kimi K3 (K3 Swarm) angetrieben, was die groß angelegte parallele Suche und Stapelverarbeitung weiter verbessert.

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.

Agent Swarm 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: Öffnen Sie die Kimi-App und wählen Sie in der Modellauswahl-Schaltfläche das Modell K3 Swarm

Agent Swarm steht Mitgliedern der Tarife Moderato, Allegretto, Allegro und Vivace zur Verfügung. Aufgaben verbrauchen deutlich mehr Credits als reguläre Agent-Aufgaben.

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. In den folgenden Runden plant Kimi je nach Aufgabe automatisch zwischen Chat und Agent – ein manuelles Wechseln ist nicht erforderlich

Anwendungsfälle

Entdeckung im großen Maßstab

Fall 1: Top 3 Creator in 100 YouTube-Nischen

Agent Swarm 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

Agent Swarm 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

Agent Swarm 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
• Kimi K3