Deep Research Agent bauen

Kostenlose Spec für einen Deep Research Agent – Anthropics Multi-Agent-Research-Pattern mit Orchestrator, parallelen Sub-Agents, Verifier und Memory. Framework-unabhängig: Den Harness wählst du in STACK.md (Claude Agent SDK, LangGraph, OpenAI Agents oder CrewAI). Mit typisierten Contracts, bewusstem Context Engineering, Eval-Harness und Production-Härtung.

So nutzt du diese Spec

1. Klick auf eine Zeile oben, um die ganze Task zu öffnen – Titel, Beschreibung, Subtasks, KI-Anweisungen, alles drin. Dasselbe Layout, das das Produkt intern nutzt.
2. Klick auf Copy as Prompt in der rechten Seitenleiste einer Task. Du bekommst den in XML verpackten Prompt, den Tekk intern verwendet – füg ihn in Cursor, Claude Code, Codex, ChatGPT oder sonst wo ein, und der Agent hat den vollen Kontext der Task.
3. Open in schickt denselben Prompt mit einem Klick direkt nach v0, Lovable, Bolt, Magic Patterns, Replit oder Cursor.

Was du baust

Goal 1: Eine funktionierende Multi-Agent-Pipeline für Deep Research ausliefern: einen Orchestrator, der eine Recherchefrage in einen typisierten Plan zerlegt, N Sub-Agents mit isolierten Kontexten parallel losschickt, die Ergebnisse zusammenführt und Widersprüche offenlegt, das Ergebnis prüft und mit Retries, Traces und Circuit Breakern in Produktion durchhält.
Anthropics Deep-Research-Agent-Pattern als tool-unabhängiges Starter-Kanban. Du wählst deinen Stack einmal in STACK.md (Sprache / Harness / Library für typisierte Contracts / Async-Primitive / Memory-Substrat); jede spätere Karte bringt Snippets für jede Variante mit. Abnahmekriterium: Der Eval-Harness besteht auf 8 Seed-Fixtures mit p50-Latenz < 30 s, p50-Tokens < 80.000, ≥ 80 % Erfolgsquote der Sub-Agents pro Fixture, die Verifikation ist nie „fail“, und ein wiederholter 429-Fall zeigt retries=1 im Trace.

Architektur

flowchart LR
  User[User Request] --> Planner[Planner<br/>OrchestratorPlan]
  Planner --> Dispatcher{Parallel Dispatcher}
  Dispatcher -->|SubagentTask 1| W1[Sub-agent]
  Dispatcher -->|SubagentTask 2| W2[Sub-agent]
  Dispatcher -->|SubagentTask N| WN[Sub-agent]
  W1 --> Aggregator[Aggregator<br/>AggregatedReport]
  W2 --> Aggregator
  WN --> Aggregator
  Aggregator --> Verifier[Verification Agent<br/>VerificationResult]
  Verifier --> Memory[(Memory<br/>per-thread state)]
  Memory --> Planner
  Verifier --> Output[Final Report]

Die drei tragenden Entscheidungen: paralleles Verteilen (Promise.all über die Sub-Agents, nicht sequenziell), isolierte Kontexte für Sub-Agents (bewusstes Context Engineering – jeder Sub-Agent bekommt seine eigene Konversation) und Widersprüche bei der Aggregation offenlegen (wenn Sub-Agents uneins sind, werden beide Ausgaben mit Quelle gezeigt, nie stillschweigend zusammengeführt).

Wann Multi-Agent sinnvoll ist (und wann nicht)

Multi-Agent gibt es nicht umsonst. Anthropics eigene Zahlen: Ihr Research-System verbraucht rund 15-mal mehr Tokens als eine Single-Agent-Baseline. Greif dazu, wenn die Aufteilung die Kosten wert ist – sonst lieferst du einen einzelnen Agent aus.

Was die Community sagt

Woran du erkennst, dass es funktioniert

Setz die Spec um und miss sie dann an diesen Kriterien (die Task mit dem Eval-Harness bewertet sie):

• Der Eval-Harness erreicht ≥ 80 % Erfolgsquote der Sub-Agents pro Fixture über 8 Seed-Inputs (evals/fixtures.jsonl)
• p50-Latenz Ende-zu-Ende < 30 s auf den 8 Fixtures mit gesetztem ANTHROPIC_API_KEY
• p50-Token-Verbrauch < 80.000 Tokens pro Lauf (innerhalb von Anthropics Spielraum, dem 15-Fachen eines Chats, bei 8 Subtasks)
• Paralleler Fan-out ist innerhalb des 1,5-Fachen der Laufzeit des langsamsten Sub-Agents fertig (belegt echte Parallelität statt Reihenfolge)
• Verifikationsstatus ist bei 100 % der Fixtures „ok“ oder „warn“, nie „fail“
• Die Retry-Schicht hat bei einem erzwungenen 429-Testfall Erfolg, mit retries=1 im Trace-Event
• Der Circuit Breaker öffnet nach 3 aufeinanderfolgenden Sub-Agent-Timeouts in einem Lauf, und der Aggregator erstellt trotzdem einen Bericht aus der Teilmenge

Quellen

Jede Aussage, jedes Pattern und jede Abnahmeschwelle auf dieser Seite geht auf eine dieser Quellen zurück. Lies sie, bevor du von der Spec abweichst.

• ↗ How we built our multi-agent research system Anthropic Engineering
• ↗ Building effective agents Anthropic Engineering
• ↗ Multi-agent systems LangChain Docs
• ↗ Multi-agent handoffs LangChain Docs
• ↗ Workflows and agents LangGraph Docs
• ↗ Build AI agents on Cloudflare Cloudflare Blog
• ↗ financial_research_agent (Beispiel) openai/openai-agents-python · GitHub
• ↗ langgraph-supervisor-py langchain-ai · GitHub
• ↗ Orchestrator-Workers-Pattern (Notebook) anthropics/claude-cookbooks · GitHub
• ↗ CrewAI crewAIInc · GitHub
• ↗ Diskussion über Multi-Agent-Systeme (Sept. 2025) Hacker News
• ↗ Multi-Agent-Debatte (Juni 2025) Hacker News
• ↗ Don't build multi-agents Cognition Blog
• ↗ How and when to build multi-agent systems LangChain Blog
• ↗ Multi-agent context engineering @dexhorthy on X
• ↗ Anthropics Multi-Agent-System erklärt (Talk) YouTube
• ↗ I audited CrewAI's default patterns for token efficiency (43/100) DEV · @garybotlington
• ↗ LangGraph vs. CrewAI in Produktion markaicode.com

Bau das noch heute Abend in deine Codebase

Wähl deinen Stack anhand der fünf Entscheidungen in STACK.md und registrier dich: Diese Spec mit 10 Tasks landet auf deinem Board, dein Coding-Agent (Claude Code, Codex, Cursor) baut sie über den Tekk-MCP-Server, und der gemergte PR schließt sie. Nach dem Launch behält Tekks AI-Engineering-Loop den Agent weiter im Blick – Harness, Prompts, Tools, Kontext, Memory, Retrieval, Evals und Kosten – und bringt dir ein Proposal, sobald sich etwas ändern sollte. Lieber selbst machen? Öffne oben eine beliebige Task und klick auf Copy as Prompt – und füg den Prompt in Cursor, Claude Code oder Codex ein.

Verwandte Specs