Am 19. Oktober 2026 veröffentlichte Metas Engineering-Team in seinem offiziellen Engineering-Blog einen Rückblick auf den Umbau seiner Agenten für Datenpipelines: Die Steuerungsschicht wurde zu einem dünnen Orchestrator mit rund 1.300 Codezeilen, der nur Routen vergibt und Zuverlässigkeitsprüfungen durchsetzt, selbst aber keinerlei Fachschlussfolgerung vornimmt, während er mehr als 20 Arbeitsabläufe an 14 spezialisierte Teilagenten mit isolierten Kontexten verteilt. Nach dem Umbau sank die Vorbereitungszeit für eine neue Datenspalte von drei bis vier Tagen Handarbeit beziehungsweise rund einem Tag im früheren System auf unter eine Stunde.
Warum der allwissende Agent zuerst scheiterte
Meta begann wie die meisten Teams: ein Agent, beladen mit dem gesamten Fachwissen, mit Konfigurationsschemata, Regeln zur Codeerzeugung, Validierungsanforderungen und Einspielmustern für mehr als 10 Datenquellen in einem einzigen Kontext. In Demos funktionierte das, im Produktivbetrieb begann er zu halluzinieren: Ab einer gewissen Kontextschwelle verschlechterte zusätzliches Wissen die Leistung, und Namenskonventionen sowie Erzeugungsmuster verschiedener Teilsysteme vermischten sich. Das Team maß für den Einzelagenten eine Erfolgsquote von 70 bis 80 Prozent, wenn Ingenieure für jede Aufgabe einen maßgeschneiderten Prompt schrieben; ohne diese Betreuung fiel sie auf 10 bis 20 Prozent. Eine zitierte Vorabstudie zeigt dasselbe Bild: Orchestrierte Multi-Agenten-Systeme hielten bei Stapeln von 80 Aufgaben eine Genauigkeit von 65,3 Prozent, wo Einzelagenten auf 16,6 Prozent fielen, bei bis zu 65-mal geringerem Token-Verbrauch.
Nur einer von sieben Schritten nutzt das große Modell
Der dünne Orchestrator führt für jede Anfrage ein festes Sieben-Schritte-Protokoll aus: die Anweisungsdatei des passenden Teilagenten lesen, prüfen, ob das Ziel bereits existiert, Pflichtfelder beim Nutzer einsammeln, Erschließbares automatisch entdecken, eine Zuverlässigkeitsschranke passieren, mit vollständigen Kontext an den Teilagenten übergeben und Ergebnisse sowie Fehler behandeln. Die Schritte eins bis fünf und Schritt sieben sind deterministisch; nur in Schritt sechs kommt Modellschlussfolgerung zum Einsatz, und zwar in einem isolierten Teilagenten, der nur sein eigenes Fachwissen geladen hat. Jeder Teilagent folgt derselben Struktur: Wissensquellen, Checkliste zum Vorsammeln, Ausführungsschritte, Muster zur Codefindung und Fehlerbehebungstabellen. Mehr als 25 Wissensdateien werden bei Bedarf geladen, sodass eine Aktualisierung ab der nächsten Sitzung wirkt, ohne den Orchestrator zu ändern. Scheitert ein Teilagent, wiederholt der Orchestrator den Versuch oder eskaliert; der Fehler kann die Kontexte anderer Teilagenten nicht beschädigen.
Neue Szenarien entstehen durch Vorlagen, nicht durch neue Agenten
Spalten-Onboarding, Ereignis-Onboarding und Pipeline-Migration nutzen denselben Pool von 14 Teilagenten in unterschiedlicher Reihenfolge. Die Pipeline-Migration war ein völlig neuer Anwendungsfall, doch das Team schrieb dafür keinen neuen Agentencode: Eine neue Ablaufvorlage, die vorhandene Agenten anders anordnete, lieferte die volle Produktionsfähigkeit. Rund zwei Drittel der Änderungen des Systems gehen inzwischen ohne wesentliche menschliche Nacharbeit live. Metas Rat an andere Teams ist unverblümt: Routing ist eine deterministische Entscheidung und gehört nicht an ein großes Modell; sämtliche Fachschlussfolgerung gehört in isolierte Spezialisten. Das weist in dieselbe Richtung wie die hier bereits berichtete Beratung von Anthropic durch Anwälte zu Agentenregeln: Ob Agenten im Produktivbetrieb bestehen, entscheidet nicht ein einzelnes klügeres Modell, sondern ob Grenzen und Regeln vorher festgelegt wurden.
