Von Boids zu Agenten: Schwarmregeln für KI-Systeme
Im Jahr 1986 stellte Craig Reynolds eine Frage, die trivial klingt: Wie bilden Vögel einen Schwarm? Keine philosophische Frage, sondern eine technische. Er wollte in der Computergrafik überzeugende Schwärme darstellen, ohne die Flugbahn jedes einzelnen Vogels zu skripten.
Craig Reynolds’ Boids-Algorithmus von 1986 beweist, dass drei einfache lokale Regeln (Trennung, Ausrichtung, Zusammenhalt) ohne zentrale Steuerung ein kohärentes globales Verhalten erzeugen, und dieselbe Dynamik bestimmt Multi-Agenten-KI-Systeme. Agenten, die lokalen Anweisungen folgen, erzeugen emergente Koordination, wenn die Regeln gut gewählt sind, und emergentes Chaos, wenn sie es nicht sind. Wer weitere Regeln hinzufügt, um Grenzfälle zu beheben, macht Agenten schlechter, nicht besser.
Seine Antwort kam mit drei Regeln aus. Trennung: ausweichen, damit es bei den Nachbarn nicht zu eng wird. Ausrichtung: in Richtung des durchschnittlichen Kurses der Nachbarn steuern. Zusammenhalt: auf die durchschnittliche Position der Nachbarn zusteuern. Kein Anführer, kein Flugplan, keine zentrale Steuerung. Nur drei Regeln, lokal auf jeden Vogel angewendet, und daraus entsteht eine globale Koordination, die sich von echtem Schwarmverhalten nicht unterscheiden lässt.1
Vierzig Jahre später betreibe ich ein Multi-Agenten-KI-System, das um zehn spezialisierte Agentenrollen herum gebaut ist, die recherchieren, debattieren und über Entscheidungen abstimmen. In der Nacht, in der ein einziger Prompt dynamisch 23 Agenten hervorbrachte (jeder davon startete in einer unkontrollierten Kaskade weitere) und alle einen vollkommenen Konsens über die falsche Frage erzielten, wurde mir klar, dass ich genau die Dynamik beobachtete, die Reynolds beschrieben hatte: emergente Koordination aus einfachen Regeln und emergentes Scheitern aus demselben Mechanismus.
TL;DR
Reynolds’ Boids-Algorithmus zeigt, dass drei einfache lokale Regeln ohne zentrale Steuerung ein kohärentes globales Verhalten erzeugen. Agenten, die lokalen Anweisungen folgen (diesen Code bewerten, jene Angriffsfläche prüfen, diese Architektur begutachten), erzeugen emergente Koordination, wenn die Regeln gut gewählt sind, und emergentes Chaos, wenn sie es nicht sind. Wer weitere Regeln hinzufügt, um Grenzfälle zu beheben, macht Agenten schlechter, nicht besser. Mein Vorfall mit 23 außer Kontrolle geratenen Agenten hat das bewiesen: Ein Spawn-Budget, das die Breite und nicht nur die Tiefe begrenzt, ist das Agenten-Gegenstück zu Reynolds’ Trennungsregel.
Drei Regeln, unendlich viele Schwärme
Schalten Sie die Regeln oben ein und aus, um zu sehen, was passiert. Sind alle drei aktiv, bilden die Boids ganz natürlich einen Schwarm. Entfernen Sie die Trennung, und sie fallen zu einer einzigen Masse zusammen. Entfernen Sie die Ausrichtung, und sie zerstreuen sich in zufälliger Bewegung. Entfernen Sie den Zusammenhalt, und sie driften auseinander, während sie ihren lokalen Kurs beibehalten. Jede Regel ist notwendig. Keine reicht für sich allein aus.
Reynolds stellte dies 1987 auf der SIGGRAPH unter dem Titel „Flocks, Herds, and Schools: A Distributed Behavioral Model“ vor.1 Der Aufsatz veränderte die Computergrafik. Vor den Boids brauchten animierte Schwärme von Hand geskriptete Flugbahnen. Nach den Boids entstanden Schwärme aus Regeln. Über ein Jahrzehnt später, 1998, erhielt Reynolds für diese Arbeit den Scientific and Engineering Award der Academy of Motion Picture Arts and Sciences.2
Der tiefere Beitrag lag nicht in den konkreten Regeln. Er lag im Nachweis, dass globale Koordination kein globales Wissen erfordert. Jeder Boid kennt nur seine unmittelbaren Nachbarn. Kein Boid hat eine Karte des Schwarms. Kein Boid kennt das Ziel des Schwarms. Der Schwarm hat gar kein Ziel. Was wie koordinierte Bewegung aussieht, sind lokale Entscheidungen, die ein globales Muster erzeugen.
Von Pixeln zu Prozessen
Die Übertragung von Boids auf KI-Agenten ist keine Metapher. Ein Workshop-Paper der NeurIPS 2025, „Revisiting Boids for Emergent Intelligence via Multi-Agent Collaboration“, wendet die Boids-Prinzipien ausdrücklich auf Multi-Agenten-Systeme an.3 Das Paper nutzt Reynolds’ Regeln als natürlichsprachliche Anleitung für Agenten in einer kollaborativen Umgebung zum Bau von Werkzeugen: Ausrichtung und Trennung leiten sich aus den Werkzeug-Metadaten der Nachbarn ab, während der Zusammenhalt die globale Zusammenfassung der vorherigen Runde einspeist.
Meine Zuordnung ist einfacher und entstand beim Bau des Systems, bevor ich das Paper gelesen hatte:
| Boids-Regel | Entsprechung bei Agenten | Was sie verhindert |
|---|---|---|
| Trennung | Spawn-Budget: aktive Agenten pro Elternagent begrenzen | Agenten, die sich auf demselben Teilproblem stapeln |
| Ausrichtung | Gemeinsame Bewertungskriterien: Alle Agenten verwenden denselben Evidenzstandard | Agenten, die auf unvereinbare Qualitätsdefinitionen hinarbeiten |
| Zusammenhalt | Konsensprotokoll: Agenten konvergieren zu den Ergebnissen der Gruppe | Agenten, die in sachfremde Nebenschauplätze abdriften |
Die Parallele ist nicht perfekt. Boids-Regeln sind kontinuierlich (in Richtung des durchschnittlichen Kurses steuern). Agentenregeln sind diskret (höchstens 12 Kindagenten starten). Boids bewegen sich in räumlichen Koordinaten, Agenten im Problemraum. Die strukturelle Einsicht trägt dennoch: Lokale Regeln, von jedem Agenten unabhängig angewendet, erzeugen kohärentes Gruppenverhalten. Und die Fehlermodi sind dieselben.
Die Nacht, in der sich 23 Agenten über die falsche Frage einig waren
Februar 2026. Ich bat meinen Agenten, „eine Verbesserung des Hook-Dispatch-Systems zu untersuchen“. Der Agent schätzte seine eigene Zuversicht auf 0,58, was das Deliberationssystem auslöste. Drei Recherche-Agenten wurden gestartet. Jeder fand Teilprobleme und startete eigene Recherche-Agenten. Diese starteten weitere.
Sieben Minuten später: 23 aktive Agentenprozesse. 4,80 $ an API-Guthaben. Der Token-Verbrauch stieg mit 0,70 $ pro Minute.
Der Rekursionswächter verfolgte die Tiefe (Elternagent startet Kind, Kind startet Enkel), aber nicht die Breite (Elternagent startet 12 Kinder, die jeweils 12 weitere starten). Das Tiefenlimit von 3 griff nie, weil sich die Agenten in die Breite ausdehnten. Ich beendete die Prozesse von Hand.
Alle Agenten waren sich einig, dass das Hook-Dispatch-System verbessert werden musste. Jeder Agent schlug vernünftige Änderungen vor. Kein einziger Agent stellte infrage, ob die Untersuchung selbst den richtigen Zuschnitt hatte.
Das Ergebnis zeigt, was geschieht, wenn Zusammenhalt und Ausrichtung vorhanden sind, aber keine Trennung. Die Agenten konvergierten zur selben Schlussfolgerung (Zusammenhalt) und richteten sich an denselben Bewertungskriterien aus (Ausrichtung). Nichts aber hinderte sie daran, sich auf demselben Teilproblem zu drängen. In Reynolds’ Begriffen besetzten 23 Boids denselben Punkt im Raum, ein Verhalten, das seine Trennungsregel ausdrücklich verhindert.
Das Spawn-Budget als Trennung
Die Korrektur dauerte 20 Minuten. Ein Spawn-Budget, das die Gesamtzahl aktiver Kinder pro Elternagent zählt und bei 12 deckelt.4 Eine Begrenzung der Breite, nicht nur der Tiefe.
Die Umsetzung ist ein Zähler, keine Regel:
# Simplified spawn budget (actual implementation uses hooks)
active_children = count_active_agents(parent_id=self.id)
if active_children >= MAX_CHILDREN: # MAX_CHILDREN = 12
return "Budget exhausted. Synthesize existing findings instead."
# else: allow spawn
Der Hook setzt das deterministisch durch. Über einen Zähler kann sich der Agent nicht hinwegargumentieren, so wie er es bei einer Prompt-Anweisung wie „möglichst nicht zu viele Agenten starten“ kann. Der Zähler erlaubt oder blockiert. Keine Diskussion, keine Auslegung.
In der Sprache der Boids ist das Spawn-Budget die Trennungsregel: die Nachbarn nicht bedrängen. In der Sprache der Agenten: nicht mehr als N Agenten auf ein Teilproblem ansetzen, denn der (N+1)-te Agent erhöht die Kosten, ohne eine neue Perspektive beizutragen. Der Vorfall mit 23 Agenten hat mich gelehrt, dass die Trennungsregel die wichtigste der drei ist. Ohne sie werden Ausrichtung und Zusammenhalt pathologisch: Agenten konvergieren begeistert auf dieselbe falsche Antwort.
Gängige Implementierungen von Reynolds’ Algorithmus gewichten die Trennungskraft aus genau diesem Grund 1,5- bis 2-mal stärker als Ausrichtung oder Zusammenhalt. Diese Konvention ist in Reynolds’ eigenem Folgeaufsatz „Steering Behaviors for Autonomous Characters“ (GDC 1999) dokumentiert, in dem er die prioritätsbasierte Kombination von Kräften erörtert und festhält, dass die Kollisionsvermeidung (Trennung) in der Regel die höchste Priorität erhält.8 In meinem System setzen Hooks das Spawn-Budget durch (deterministisch, immun gegen die Rationalisierungen der Agenten), während Prompts und Kontext Ausrichtung und Zusammenhalt formen (weicher, biegsam). Die härteste Einschränkung bekommt die härteste Durchsetzung.
Warum mehr Regeln Agenten schlechter machen
Schalten Sie die Boids-Simulation oben ein und aus. Stellen Sie sich nun vor, Sie fügen eine vierte Regel hinzu: „die Mitte der Zeichenfläche meiden“. Eine fünfte: „die obere Hälfte bevorzugen“. Eine sechste: „alle 100 Frames den Kurs umkehren“.
Jede Regel ist für sich genommen vernünftig. Zusammen zerstören sie den Schwarm. Die Boids zittern zwischen konkurrierenden Kräften hin und her und können nicht alle Vorgaben gleichzeitig erfüllen. Das elegante Schwarmverhalten zerfällt in Rauschen, denn jede Regel erzeugt einen Kraftvektor, und wenn sechs Kraftvektoren in verschiedene Richtungen ziehen, ist die resultierende Bewegung praktisch zufällig.
Dasselbe Muster habe ich bei der Orchestrierung von Agenten beobachtet. Frühe Versionen meines Deliberationssystems hatten ausgefeilte Regeln: Mindesttiefe der Recherche, vorgeschriebene Anzahl von Quellenangaben, verpflichtende Gegenargumente, erzwungene Durchgänge als Advocatus Diaboli. Jede Regel verbesserte einen bestimmten Fehlerfall. Zusammen brachten sie Agenten hervor, die mehr Tokens darauf verwendeten, Regeln zu erfüllen, als Probleme zu lösen. Ein konkretes Beispiel: Die Regel „verpflichtendes Gegenargument“ verlangte von jedem Agenten, gegen sein eigenes Ergebnis zu argumentieren. Die Regel „Mindestanzahl an Quellen“ verlangte drei Quellen pro Behauptung. Wenn ein Agent ein echtes Gegenargument formulierte, zwang ihn die Quellenregel, drei Quellen für die Gegenposition zu finden, und das brachte mitunter stärkere Belege für die falsche Antwort hervor als für die richtige. Im Zusammenspiel belohnten die beiden Regeln gut belegtes Widersprechen statt korrekter Analyse.
Die von mir dokumentierte Philosophie des Compounding Engineering erklärt, warum das auf Systemebene geschieht: Jede neue Regel wechselwirkt mit jeder bestehenden Regel und erzeugt kombinatorische Komplexität. Zehn Regeln ergeben nicht zehn Einschränkungen. Sie ergeben potenziell 45 paarweise Wechselwirkungen. Das Verhalten des Systems wird schwerer vorherzusagen, schwerer zu debuggen und neigt eher zu emergentem Scheitern.
Reynolds’ ursprünglicher Aufsatz hat das implizit verstanden. Er stellte drei Regeln vor. Reynolds untersuchte zusätzliche Verhaltensweisen (Hindernisvermeidung, Zielsuche), hielt das Kernmodell des Schwarmverhaltens aber minimal. Eine vierte Kernregel hätte verlangt, die Gewichte aller vier neu auszubalancieren, ein Problem, das mit jeder Ergänzung kombinatorisch wächst.
Die Lektion für Agenten: Beginnen Sie mit den wenigsten Regeln, die das gewünschte Verhalten hervorbringen. Fügen Sie Regeln nur hinzu, wenn Sie einen konkreten Fehler beobachten, den keine bestehende Regel abdeckt. Und wenn Sie eine Regel hinzufügen, prüfen Sie, ob sie die anderen stört.
Dezentralisierung als Architektur
Das Fehlen einer zentralen Steuerung ist keine Schwäche der Boids. Es ist die Architektur. Der Schwarm koordiniert sich, weil kein einzelner Vogel Autorität über die anderen hat. Würde ein Vogel zum Anführer, würde das System brüchig: abhängig vom Urteil dieses Vogels und verwundbar durch sein Versagen. Das Muster spiegelt das Prinzip der verteilten Resilienz, das strukturelle Leere auch in anderen Bereichen schafft.5
Dasselbe Muster findet sich in Multi-Agenten-KI-Systemen. Microsofts AutoGen (v0.4+, 2025) koordiniert Agenten über Gesprächsprotokolle statt über zentrale Orchestrierung: Jeder Agent entscheidet anhand des lokalen Kontexts, wann er spricht, und das Framework verzichtet ausdrücklich darauf, einen „Lead“-Agenten zu bestimmen.6 CrewAI (v0.28+, 2025) legt Agentenrollen und Übergaberegeln über seine „Crew“-Abstraktion fest, gibt aber keinem einzelnen Agenten Weisungsbefugnis über die anderen.7 In meinem Deliberationssystem hat kein einzelner Agent ein Vetorecht. Jeder bewertet unabhängig. Das Konsensprotokoll fasst die Ergebnisse zusammen. Liefert ein Agent Unsinn, überstimmen ihn die anderen. Eine zentrale Steuerung würde den Single Point of Failure wieder einführen, den die dezentrale Koordination beseitigt.
Als die drei Regeln funktionierten: ein leiser Erfolg
Der Vorfall mit 23 Agenten bleibt im Gedächtnis, weil er spektakulär scheiterte. Erfolge sind leiser und zahlreicher.
Eine Woche nach Einführung des Spawn-Budgets bat ich das System, „zu bewerten, ob die A/B-Test-Infrastruktur des Blogs die Varianten serverseitig oder clientseitig zuweisen sollte“. Das Deliberationssystem startete drei Recherche-Agenten. Agent 1 untersuchte serverseitige Ansätze (cookiebasiert, sitzungsbasiert). Agent 2 untersuchte clientseitige Ansätze (localStorage, URL-Parameter). Agent 3 bewertete hybride Muster. Jeder Agent arbeitete unabhängig (Zusammenhalt: Konvergenz auf dieselbe Bewertungsfrage). Jeder verwendete dieselben Evidenzstandards (Ausrichtung: gemeinsame Qualitätskriterien). Das Spawn-Budget verhinderte, dass ein Agent für diese Aufgabe eigene Unteragenten startete (Trennung: kein Gedränge).
Die drei Agenten lieferten ihre Ergebnisse. Agent 1 befürwortete die serverseitige Zuweisung wegen der SEO-Konsistenz. Agent 2 befürwortete die clientseitige wegen der einfacheren Umsetzung. Agent 3 fand einen hybriden Ansatz, der zu den bestehenden Mustern der Codebasis passte. Das Konsensprotokoll führte die Ergebnisse zusammen: serverseitige Zuweisung für den Blog (wo SEO zählt), mit clientseitiger Übersteuerung für die interaktiven Komponenten (wo JavaScript ohnehin läuft).
Die gesamte Deliberation dauerte vier Minuten und kostete 1,40 $. Kein Agent startete Unteragenten. Kein Agent schloss sich vorschnell den anderen an. Die Empfehlungen waren unabhängig und ergänzten sich tatsächlich. Die Architektur aus drei Regeln erzeugte genau das Verhalten, das Reynolds beschrieben hatte: lokale Entscheidungen, die ein koordiniertes globales Ergebnis hervorbringen.
Emergente Muster in anderen Bereichen
Das Muster „einfache Regeln, emergentes Verhalten“ ist weder auf Boids noch auf Agenten beschränkt. Es tritt überall dort auf, wo sich lokale Entscheidungen zu globaler Struktur verdichten:
Hamming-Codes zeigen eine verwandte Form der Emergenz. Die gezielte Platzierung von Paritätsbits an Positionen, die Zweierpotenzen sind, schafft ein System, in dem sich die Position des Fehlers aus der XOR-Verknüpfung der Positionen aller „1“-Bits ergibt. Kein Bit weiß, wo der Fehler liegt. Die Fehlerposition geht aus der Struktur hervor. Ein einzelnes Paritätsbit sagt für sich genommen fast nichts. Mehrere Paritätsbits an den richtigen Positionen sagen alles.
Conways Game of Life erzeugt Gleiter, Oszillatoren und Turing-vollständige Berechnung aus vier Regeln, die auf ein Gitter angewendet werden. Die Regeln sind einfacher als bei den Boids (eine Zelle lebt, wenn sie 2-3 Nachbarn hat, andernfalls stirbt sie). Die emergente Komplexität ist unbegrenzt.
In jedem Fall ist das Muster dasselbe: lokale Regeln, kein zentraler Koordinator, emergentes globales Verhalten. Und in jedem Fall gilt derselbe Fehlermodus: Fügt man zu viele Regeln hinzu, kippt das System von eleganter Emergenz in chaotische Interferenz.
Wichtige Erkenntnisse
Für Ingenieure, die Multi-Agenten-Systeme entwerfen:
-
Drei Regeln erzeugen einen Schwarm. Vier Regeln vielleicht nicht. Reynolds’ Einsicht war, dass drei gut gewählte Regeln für emergente Koordination ausreichen. Eine vierte erzeugt Interferenz, die das Verhalten zerstören kann, das die ersten drei hervorgebracht haben. Beginnen Sie mit den wenigsten Regeln, die das gewünschte Verhalten hervorbringen.
-
Trennung ist die wichtigste Regel. Ohne sie werden Ausrichtung und Zusammenhalt pathologisch, und die Agenten konvergieren auf dieselbe falsche Antwort. Das Spawn-Budget (Begrenzung der Breite) war die wirkungsvollste einzelne Änderung, die ich an meinem Multi-Agenten-System vorgenommen habe.
Für Architekten, die verteilte Systeme bauen:
-
Das Fehlen eines Anführers ist die Architektur. Zentrale Steuerung schafft einen Single Point of Failure. Dezentrale Koordination über lokale Regeln ist widerstandsfähiger. Entwerfen Sie Ihre Agentensysteme ohne „Lead-Agenten“, sofern Sie keinen konkreten Grund haben, einen hinzuzufügen.
-
Mehr Regeln erzeugen mehr Wechselwirkungen. N Regeln ergeben bis zu N(N-1)/2 paarweise Wechselwirkungen. Mit jeder Ergänzung wird das Verhalten schwerer vorherzusagen. Fügen Sie Regeln nur hinzu, wenn Sie einen konkreten Fehler beobachten, den keine bestehende Regel abdeckt.
Übung: Kartieren Sie Ihr eigenes System. Skizzieren Sie Ihr aktuelles Multi-Agenten-System (oder ein System, das Sie bauen wollen). Bestimmen Sie für jeden Agenten, welcher von Reynolds’ drei Regeln er folgt. Fehlt die Trennung, ergänzen Sie ein Spawn-Budget oder ein Nebenläufigkeitslimit. Fehlt die Ausrichtung, definieren Sie gemeinsame Bewertungskriterien. Fehlt der Zusammenhalt, ergänzen Sie einen Syntheseschritt. Die Skizze zeigt, für welchen Fehlermodus Ihr System am anfälligsten ist.
Häufige Fragen
Was sind Boids, und warum sind sie für das Design von KI-Agenten wichtig?
Boids sind simulierte Agenten (ursprünglich „bird-oid objects“), die drei lokalen Regeln folgen: Trennung (Gedränge mit Nachbarn vermeiden), Ausrichtung (in Richtung des durchschnittlichen Kurses der Nachbarn steuern) und Zusammenhalt (auf die durchschnittliche Position der Nachbarn zusteuern). Craig Reynolds stellte sie 1987 auf der SIGGRAPH vor. Sie sind wichtig, weil sie bewiesen haben, dass komplexes, koordiniertes globales Verhalten aus einfachen lokalen Regeln ohne jede zentrale Steuerung entstehen kann. Dieses Prinzip gilt unmittelbar für Multi-Agenten-KI-Systeme, Schwarmrobotik und verteiltes Rechnen.
Wie lassen sich die Boids-Regeln auf die Orchestrierung von KI-Agenten übertragen?
Jede Boids-Regel entspricht einer Designvorgabe für Agenten. Trennung wird zum Spawn-Budget (begrenzen, wie viele Agenten am selben Teilproblem arbeiten). Ausrichtung wird zu gemeinsamen Bewertungskriterien (alle Agenten verwenden denselben Qualitätsstandard). Zusammenhalt wird zum Konsensprotokoll (Agenten konvergieren zu den Ergebnissen der Gruppe). Die Zuordnung ist strukturell, nicht metaphorisch: Beide Systeme erzeugen emergente Koordination aus lokalen Regeln, die jeder Agent unabhängig anwendet.
Warum machen mehr Regeln Multi-Agenten-KI-Systeme schlechter statt besser?
Jede neue Regel wechselwirkt mit jeder bestehenden Regel und erzeugt kombinatorische Komplexität. Zehn Regeln ergeben bis zu 45 paarweise Wechselwirkungen. Agenten verbrauchen Tokens, um Regelvorgaben zu erfüllen, statt Probleme zu lösen. Dieselbe Dynamik zeigt sich bei Boids: Eine vierte Regel (etwa „die Mitte meiden“) erzwingt ein Neuausbalancieren mit den ursprünglichen drei, und das elegante Schwarmverhalten verkommt oft zu Zittern, weil die Agenten versuchen, konkurrierenden Kräften gleichzeitig gerecht zu werden.
Wann sollte ich zentrale Steuerung statt emergenter Koordination einsetzen?
Setzen Sie zentrale Steuerung ein, wenn Sie strikte Reihenfolgegarantien brauchen (sequenzielle Pipeline-Stufen), wenn Fehler deterministisch behandelt werden müssen (Finanztransaktionen) oder wenn das System eine einzige verbindliche Entscheidung statt eines Konsenses verlangt (Auflösung von Merge-Konflikten). Setzen Sie emergente Koordination ein, wenn Agenten unabhängig bewerten können, wenn Redundanz die Zuverlässigkeit erhöht und wenn kein einzelner Agent das Gesamtbild braucht, um seine Aufgabe gut zu erledigen.
Teil der Reihe Interactive Explorations, in der Algorithmen auf visuelle Intuition treffen: von Hamming-Codes, die ihre eigenen Fehler finden, bis zu Boids, die ohne Anführer im Schwarm fliegen. Die Muster der Agenten-Orchestrierung werden ausführlich in The Ralph System und Multi-Agent Deliberation beschrieben. Die metakognitive Programmierschicht ergänzt die oben beschriebene Koordination zwischen Agenten um die Selbstüberwachung einzelner Agenten.
-
Reynolds, C. W. (1987). „Flocks, Herds, and Schools: A Distributed Behavioral Model.“ SIGGRAPH ‘87: Proceedings of the 14th annual conference on Computer graphics and interactive techniques, S. 25-34. red3d.com/cwr/boids/ ↩↩
-
Reynolds erhielt 1998 den Scientific and Engineering Award der Academy of Motion Picture Arts and Sciences für seine Beiträge zur Verhaltensanimation, die auf der Arbeit an den Boids aufbauen. Der Algorithmus wird seit Batman Returns (1992) in der Filmproduktion eingesetzt. oscars.org/sci-tech/ceremonies/1998. Siehe auch Reynolds’ Lebenslauf: red3d.com/cwr/resume.html. ↩
-
„Revisiting Boids for Emergent Intelligence via Multi-Agent Collaboration.“ NeurIPS 2025 Workshop: Scaling Environment. openreview.net/pdf?id=46LJ81Yqm2. Das Paper wendet Boids-Regeln als natürlichsprachliche Anleitung für Agenten an, die einer Schleife aus Beobachten, Reflektieren und Bauen (observe-reflect-build) folgen. ↩
-
Die Umsetzung des Spawn-Budgets ist in The Ralph System dokumentiert. Die entscheidende Architekturentscheidung: Breitenlimits über Hooks (deterministisch) statt über Prompts (beratend) durchsetzen. Ein Agent, der angewiesen wird, „das Starten weiterer Agenten zu begrenzen“, rationalisiert sich über das Limit hinweg. Ein Hook, der aktive Kinder zählt und den Aufruf der Spawn-API blockiert, kann das nicht. ↩
-
Lao Tzu, Tao Te Ching, Kapitel 11. Übersetzung: D.C. Lau, Penguin Classics, 1963. Die vollständige Passage behandelt die Nabe eines Rades, die Wände eines Raumes und den Ton eines Gefäßes: drei Beispiele, in denen der Nutzen aus der Leere entsteht, nicht aus dem Material. Die ausführliche Betrachtung finden Sie in Nothing is Structural. ↩
-
Microsoft AutoGen, github.com/microsoft/autogen. AutoGen v0.4 (veröffentlicht 2025) führte die Abstraktion
GroupChatein, in der Agenten ohne bestimmten Anführer an Gesprächen teilnehmen. Die Dokumentation des Frameworks hält ausdrücklich fest: „AutoGen enables a group of agents to collectively perform tasks that a single agent alone cannot.“ Das Gesprächsprotokoll bestimmt die Reihenfolge der Beiträge, nicht eine zentrale Steuerung. ↩ -
CrewAI, github.com/crewAIInc/crewAI. CrewAI v0.28+ (2025) definiert Crews mit rollenbasierten Agenten und Regeln für die Aufgabenübergabe. Der Parameter
processunterstützt die Modi „sequential“ (feste Reihenfolge) und „hierarchical“ (vom Manager delegiert), doch selbst im hierarchischen Modus koordiniert der Manager-Agent, statt zu übersteuern: Er kann die Ausgabe eines anderen Agenten nicht ändern, sondern nur Überarbeitungen anfordern. Dokumentation: docs.crewai.com. ↩ -
Reynolds, C. W. (1999). „Steering Behaviors for Autonomous Characters.“ Game Developers Conference 1999 Proceedings, S. 763-782. red3d.com/cwr/steer/. Reynolds erörtert die priorisierte Kombination von Kräften, bei der die Trennung (Kollisionsvermeidung) zuerst verarbeitet wird und die verfügbare Steuerkraft aufbraucht, bevor Ausrichtung oder Zusammenhalt angewendet werden. Das Prioritätsschema stellt sicher, dass die Vermeidung von Gedränge stets Vorrang hat. ↩