KI Agenten im Multi-Agent-System: Orchestrator und Worker erklärt
MarkdownMulti-Agent-Systeme einfach erklärt: wie sich mehrere KI-Agenten von einem einzelnen unterscheiden, wie Orchestrator und Worker zusammenarbeiten und wann sich diese Kombination lohnt.
Vollständigen Artikel lesen
Vor einem Jahr folgte die Arbeit mit KI noch dem Muster „ein Chat, ein Agent, eine Aufgabe nach der anderen“. Bei komplexen Projekten begann der Agent dann, Helfer hinzuzuziehen: Einer durchforstet die Dokumentation, ein anderer prüft die Zahlen, und ein dritter fasst alles zu einer Antwort zusammen. Das ist ein Multi-Agent-System, und der Begriff klingt viel einschüchternder als das, was dahintersteckt.
Im Folgenden erkläre ich in Alltagssprache, was das ist, wie sich mehrere Agenten von einem einzelnen unterscheiden, wie sie eine Aufgabe untereinander aufteilen und wann sich diese Kombination wirklich lohnt. Ohne Formeln, mit Beispielen aus dem Alltag und anhand von Engineering-Artikeln von Anthropic und der Claude-Code-Dokumentation.
Ailoot-Dokumentation — Referenzmaterialien zur Nutzung des Dienstes.
Was ist ein Multi-Agent-System, einfach erklärt?
Das Wichtigste
Ein Multi-Agent-System besteht aus mehreren KI-Agenten, die gemeinsam an einer Aufgabe arbeiten. Einer übernimmt die leitende Rolle: Er zerlegt die Aufgabe in Teilaufgaben und weist sie den anderen zu. Jeder Helfer bearbeitet seinen Teil separat und liefert das Ergebnis zurück. Der leitende Agent fügt die Teile zu einer einzigen Antwort zusammen. Im Grunde ist es ein Team aus mehreren KIs statt eines einzelnen Arbeiters.
Stell dir eine Wohnungsrenovierung vor. Du kannst einen Handwerker beauftragen, der Schlitze in die Wände fräst, Fliesen verlegt, streicht und Steckdosen montiert — eine Arbeit nach der anderen. Oder du holst ein Team: Der Vorarbeiter teilt die Arbeit ein, der Elektriker verlegt die Kabel, der Fliesenleger verlegt die Fliesen, und all das geschieht gleichzeitig. Ein Multi-Agent-System funktioniert wie ein Team, nur dass anstelle von Menschen KI-Agenten dabei sind.
Ein Agent ist hier nicht einfach ein Chat, der eine Antwort schreibt. Es ist eine KI, die selbstständig Werkzeuge nutzen kann: im Internet suchen, Dateien lesen und bearbeiten sowie Befehle ausführen. Wenn mehrere solcher Agenten an einer gemeinsamen Aufgabe arbeiten, entsteht ein Multi-Agent-System. Anthropics Formulierung in einem Engineering-Artikel lautet genau so:
Ein Multi-Agent-System besteht aus mehreren Agenten — Sprachmodellen, die in einer Schleife autonom Werkzeuge nutzen —, die zusammenarbeiten.
Der Begriff ist weder neu noch Marketingjargon; dahinter steckt eine klare technische Idee: Die Arbeit wird auf mehrere Arbeitskräfte verteilt.
Worin unterscheidet sich ein Multi-Agent-System von einem einzelnen KI-Agenten?
Das Wichtigste
Ein einzelner Agent behält die gesamte Aufgabe im Kopf und arbeitet die Schritte nacheinander ab. Ein Multi-Agent-System übergibt Teile der Aufgabe an mehrere Helfer, die gleichzeitig und jeweils in ihrem eigenen Arbeitsbereich arbeiten. Der Vorteil: mehr Tempo und eine größere thematische Breite bei umfangreichen Aufgaben. Der Nachteil: höhere Kosten und mehr Aufwand, alles zusammenzuführen. Für eine einfache Frage reicht ein Agent; eine ganze Gruppe steht nur im Weg.
Der wichtigste Unterschied liegt darin, wie Arbeit und Gedächtnis verteilt sind. Ein einzelner Agent bearbeitet die gesamte Aufgabe in einem Gespräch: Jeder neue Schritt kommt in denselben Kontext, und am Ende einer großen Aufgabe ist dieser bereits ein Durcheinander aus Protokollen, Dateiausschnitten und Zwischenergebnissen. Ein Multi-Agent-System verteilt die Arbeit auf verschiedene Agenten, die jeweils mit einem leeren Blatt beginnen.
Ich habe die Unterschiede in einer Tabelle zusammengestellt, damit sie leicht zu erkennen sind:
| Merkmal | Ein Agent | Multi-Agent-System |
|---|---|---|
| Ablauf der Arbeit | Schritt für Schritt, nacheinander | Teile der Aufgabe laufen gleichzeitig |
| Gedächtnis und Kontext | Alles in einem Gespräch | Jeder Agent hat seinen eigenen, unbelasteten Kontext |
| Tempo bei einer großen Aufgabe | Geringer; alles läuft nacheinander | Höher dank paralleler Arbeit |
| Kosten | Grundniveau | Deutlich höher (mehr dazu weiter unten) |
| Wann es besser ist | Einfache Frage, kurze Aufgabe | Großes Rechercheprojekt, viele Quellen |
| Risiko | Verliert sich im eigenen Kontext | Schwieriger, die Teile zu einer Antwort zusammenzuführen |
Die Aussage der Tabelle ist einfach: Ein Multi-Agent-System ist kein Upgrade für einen gewöhnlichen Agenten in jeder Situation. Es ist ein eigenes Werkzeug für große Aufgaben. Bei einer kurzen Frage ist es übertrieben und verbrennt nur Geld. Bei einer umfassenden, weit verzweigten Aufgabe mit einem Dutzend Quellen kann es leisten, woran ein einzelner Agent scheitern würde.
Wie funktioniert das Modell „Orchestrator und Worker“?
Das Wichtigste
Das ist das häufigste Modell eines Multi-Agent-Systems. Es gibt einen leitenden Agenten — den Orchestrator. Er erhält eine Aufgabe, erstellt einen Plan, zerlegt die Aufgabe in Teilaufgaben und weist sie den Worker-Helfern zu. Jeder Worker bearbeitet seinen Teil in einem separaten Arbeitsbereich und schickt das Ergebnis zurück. Der Orchestrator fügt alles zu einer einzigen Antwort zusammen. Das ist wie bei einem Vorarbeiter und seinem Team: Einer plant und teilt die Arbeit ein, die anderen erledigen sie.
Dieses Modell hat einen technischen Namen: Orchestrator und Worker. Anthropic beschreibt es so:
Im Orchestrator-Worker-Modell zerlegt ein zentrales Sprachmodell eine Aufgabe während der Ausführung in Teilaufgaben, weist sie Worker-Modellen zu und führt ihre Ergebnisse zusammen.
So sieht das in einem konkreten Beispiel aus. Für seine Recherchefunktion nutzt Anthropic einen leitenden Agenten, der die Anfrage des Nutzers erhält, eine Strategie entwickelt und mehrere Helfer-Agenten startet. Jeder untersucht einen eigenen Teil des Themas, während der leitende Agent wartet und anschließend die Ergebnisse zusammenführt. So beschreibt Anthropic den Prozess selbst:
Wenn ein Nutzer eine Anfrage stellt, analysiert der leitende Agent sie, entwickelt eine Strategie und startet Subagents, die gleichzeitig verschiedene Aspekte der Frage untersuchen.
Entscheidend ist, dass die Helfer parallel arbeiten; genau das ist der Zweck dieses Modells. Im selben System ruft der leitende Agent jeweils drei bis fünf Helfer hinzu, und jeder von ihnen nutzt ebenfalls mehrere Werkzeuge gleichzeitig. Dadurch lässt sich eine große Aufgabe, die für einen einzelnen Agenten zu einer langen Abfolge von Schritten würde, für das Team in mehrere parallele Stränge aufteilen.
Neben dem Modell „Orchestrator und Worker“ gibt es zwei verwandte Konzepte, die häufig mit Multi-Agent-Systemen verwechselt werden:
- Routing. Das System prüft eine eingehende Anfrage und leitet sie auf den passenden Weg: Eine Frage zu Zahlungen geht in die eine Richtung, eine technische Frage in eine andere. Das ist noch kein Agententeam, sondern eine Sortierung am Eingang.
- Prompt-Chaining. Die Aufgabe wird in Schritte unterteilt, und jeder nächste Schritt arbeitet mit dem Ergebnis des vorherigen. Das ist eine Pipeline mit einem Agenten; mehrere Agenten arbeiten dabei nicht gleichzeitig nebeneinander.
Ein Multi-Agent-System unterscheidet sich dadurch, dass es tatsächlich mehrere Worker gibt, die gleichzeitig und jeweils in ihrem eigenen Arbeitsbereich arbeiten.
Die Kontextisolierung ist Teil dessen, was ich Kontext-Engineering nenne: die Steuerung, was wo im KI-Gedächtnis abgelegt wird.
Wo nutzt du bereits Multi-Agent-Systeme, ohne es zu wissen?
Das Wichtigste
Wenn du mit Claude Code arbeitest, steht dir bereits ein Multi-Agent-System zur Verfügung. Es bietet Subagents: Der leitende Agent übergibt einen Teil der Aufgabe an einen Helfer, der ihn in einem separaten Fenster erledigt und nur das Ergebnis zurückgibt. Auch die Recherchefunktion von Claude ist ein Multi-Agent-System. Anders gesagt: Das ist kein Laborexperiment mehr — dieselbe Technik steckt bereits in Werkzeugen, die Menschen täglich nutzen.
Das naheliegendste Beispiel sind Subagents in Claude Code. Die Claude-Dokumentation beschreibt sie knapp:
Subagents sind spezialisierte KI-Assistenten, die bestimmte Arten von Aufgaben übernehmen.
Das wichtigste Merkmal ist ein separater Arbeitsbereich. Ein Subagent sitzt nicht in deinem Hauptgespräch; er hat sein eigenes Kontextfenster, seine eigenen Anweisungen und seine eigenen Berechtigungen:
Jeder Subagent arbeitet in seinem eigenen Kontextfenster, mit seinem eigenen System-Prompt, eigenem Werkzeugzugriff und separaten Berechtigungen.
In der Praxis sieht das so aus: Du bittest einen Agenten beispielsweise, einen umfangreichen Fehlerbericht zu analysieren. Er überflutet deinen Chat nicht mit hundert Zeilen Protokollen, sondern übergibt diese mühsame Arbeit einem Subagenten. Der Subagent arbeitet die Protokolle in seinem eigenen Arbeitsbereich durch und liefert dann eine kurze Schlussfolgerung zurück: Das ist die Ursache, hier muss sie behoben werden. Dein Hauptgespräch bleibt übersichtlich, und die KI kommt nicht durcheinander und verliert den Faden.
So wird auch klar, warum das für Unternehmen wichtig ist. Ich nutze Claude Code und andere Agenten gemeinsam und zerlege große Aufgaben genau aus diesem Grund in Subagents: Jeder kann sich in seinem eigenen Bereich vertiefen, ohne den anderen in die Quere zu kommen. Wenn du verstehen möchtest, welche Aufgaben sich für einen Agenten eignen, findest du dazu einen separaten Artikel über Aufgaben für einen KI-Agenten. Und dazu, wie viele Helfer gleichzeitig laufen sollten, ohne den Agenten zu überlasten, habe ich über Subagents und Claude-Code-Erweiterungen geschrieben.
Warum eine Aufgabe auf mehrere Agenten aufteilen?
Das Wichtigste
Dafür gibt es zwei Gründe. Der erste ist ein aufgeräumtes Gedächtnis: Jeder Agent hat seinen eigenen Kontext, sodass keiner im Durcheinander eines anderen untergeht. Der zweite ist das Tempo: Die Helfer arbeiten gleichzeitig statt nacheinander. Bei einem großen Rechercheprojekt macht das einen deutlichen Unterschied. Anthropics Multi-Agent-System übertraf bei einer internen Evaluation einen einzelnen Agenten um 90 Prozent. Dieser Vorteil zeigt sich aber nur bei Aufgaben, die sich tatsächlich in Teilaufgaben zerlegen lassen.
Der erste Grund ist das Gedächtnis. Wenn ein Agent eine große Aufgabe bearbeitet, füllt sich sein Kontext schnell: Suchergebnisse landen hier, Dateiausschnitte dort und Zwischenschlüsse weiter oben. Am Ende weiß er nicht mehr genau, wo er angefangen hat. Wenn die Arbeit auf mehrere Agenten verteilt wird, beginnt jeder mit einem leeren Blatt. Anthropic beschreibt den Vorteil so: Jeder Subagent ermöglicht Arbeitsteilung mit eigenen Werkzeugen und einer eigenen Suchstrategie, wodurch die Recherche umfassender wird.
Der zweite Grund sind Tempo und Breite. Fünf Helfer, die gleichzeitig recherchieren, decken ein Thema umfassender und schneller ab als ein einzelner Agent, der es nacheinander durcharbeitet. Anthropic erzielte dieses Ergebnis bei einer internen Evaluation der Recherchequalität:
Wir haben festgestellt, dass ein Multi-Agent-System mit Claude Opus 4 als leitendem Agenten und Claude-Sonnet-4-Subagents einen einzelnen Claude Opus 4 in unserer internen Evaluation der Recherchequalität um 90,2 % übertraf.
Das ist eine beeindruckende Zahl, doch sie hat ihren Preis. Ehrlich über diesen Preis zu sprechen, ist wichtiger als nur den Gewinn zu betrachten. Ich gehe darauf gesondert ein — hier gehen Erwartungen oft auseinander.
Warum verbraucht ein Multi-Agent-System 15-mal so viele Tokens?
Das Wichtigste
Jeder Helfer ist eine eigenständige KI, die ihren Teil der Aufgabe liest und eine eigene Antwort verfasst. Sie alle verbrauchen Tokens, und die Summe läppert sich. Nach den Messungen von Anthropic verbraucht ein Agent etwa viermal so viele Tokens wie ein gewöhnlicher Chat, ein Multi-Agent-System etwa fünfzehnmal so viele. Tempo und Breite kosten Geld. Dieses Modell lohnt sich daher nur bei Aufgaben mit hohem Wert.
Ein Token ist die Einheit, mit der die Nutzung von KI gemessen wird: grob gesagt ein Textbaustein, für den du bezahlst. Ein einzelner Agent verbraucht bereits mehr als ein gewöhnlicher Chat, weil er mehr tut als nur zu antworten: Er nutzt Werkzeuge, liest Dateien und recherchiert. Bei mehreren Agenten summiert sich ihr Verbrauch. Anthropics Messung beruht auf den eigenen Daten:
Unsere Daten zeigen, dass Agenten typischerweise etwa viermal so viele Tokens wie ein Chat verbrauchen, während Multi-Agent-Systeme etwa fünfzehnmal so viele Tokens wie ein Chat verbrauchen.
Daraus folgt unmittelbar eine Aussage über die Kosten: Ein fünfzehnfacher Verbrauch ist nur dann sinnvoll, wenn das Ergebnis diesen Aufwand wert ist. Anthropic sagt es deutlich: Ein Multi-Agent-System ist bei Aufgaben gerechtfertigt, deren Wert hoch genug ist, um den zusätzlichen Verbrauch zu bezahlen. Bei einer kurzen Frage, die ein einzelner Agent bewältigen könnte, bedeutet ein Team, für fünf Personen zu bezahlen, obwohl eine genügen würde.
Dieser Mechanismus hat auch einen Vorteil. Anthropic stellte fest, dass der Tokenverbrauch einen großen Teil des Qualitätsunterschieds erklärt: Je mehr ein System für eine Aufgabe aufwenden kann, desto besser das Ergebnis. Anders gesagt gewinnt ein Multi-Agent-System oft einfach deshalb, weil es mehr Rechenleistung für die Aufgabe einsetzen kann. Wenn dein Budget begrenzt ist, wirkt dieselbe Logik gegen dich. Dazu habe ich einen Artikel darüber, wie du in Claude Code dein Limit nicht aufbrauchst.
Wann ist ein Multi-Agent-System gerechtfertigt und wann nicht?
Das Wichtigste
Es lohnt sich, wenn eine Aufgabe umfangreich ist, sich in unabhängige Teile zerlegen lässt und ihr Ergebnis wertvoll ist: etwa bei breiter Recherche, dem Sammeln von Daten aus vielen Quellen oder der Analyse großer Materialmengen. Es lohnt sich nicht, wenn eine Aufgabe klein ist, streng Schritt für Schritt abläuft oder ihre Teile voneinander abhängen. Ein klassisches Beispiel für einen Bereich, in dem Multi-Agent-Systeme Schwierigkeiten haben, ist ein Großteil der Programmierarbeit: Die Schritte lassen sich nicht gut in parallele Aufgaben zerlegen.
Eine einfache Regel: Je größer und umfassender die Aufgabe, desto eher lohnt sich ein Team. Anthropic gibt eine klare Einteilung nach Umfang:
| Aufgabentyp | Anzahl der Agenten | Beispiel |
|---|---|---|
| Einfache Faktenabfrage | 1 Agent, 3-10 Werkzeugaufrufe | „Finde das Veröffentlichungsdatum eines bestimmten Modells“ |
| Direkter Vergleich | 2-4 Subagents, jeweils 10-15 Aufrufe | „Vergleiche drei Werkzeuge nach Preis und Funktionen“ |
| Komplexe Recherche | Mehr als 10 Subagents mit klar definierten Bereichen | „Erstelle einen vollständigen Überblick über einen Markt zu einem Thema“ |
Anthropic sagt auch direkt, wobei Multi-Agent-Systeme nicht helfen. Nicht jede Aufgabe lässt sich in parallele Teile zerlegen, und Agenten koordinieren sich noch nicht besonders gut selbstständig miteinander:
Zum Beispiel haben die meisten Programmieraufgaben weniger wirklich parallele Teile als Rechercheaufgaben, und KI-Agenten können ihre Arbeit noch nicht besonders gut in Echtzeit koordinieren und untereinander delegieren.
Die Aussage ist einfach: Wenn du Code schreibst und jeder Schritt auf dem vorherigen aufbaut, verwirrt eine Gruppe von Agenten eher, als dass sie hilft. Wenn du eine breit angelegte Recherche aus einem Dutzend Quellen zusammenstellst, kann ein Team bewältigen, woran ein einzelner Agent scheitern würde. Anthropics allgemeiner Rat lautet, zuerst mit der einfachsten Lösung zu beginnen und erst dann Komplexität hinzuzufügen, wenn du an eine Grenze stößt.
Wir empfehlen, die einfachstmögliche Lösung zu finden und nur dann Komplexität hinzuzufügen, wenn es nötig ist. Manchmal bedeutet das, überhaupt kein Agentensystem zu bauen.
KI Agenten erstellen: So stellst du dein erstes Multi-Agent-System zusammen
Das Wichtigste
Beginne mit einer Aufgabe, die sich wirklich in Teilaufgaben zerlegen lässt. Die Architektur ist hier ein Nebenaspekt. Gehe dann vom Einfachen zum Komplexen: erst ein Agent, dann ein Subagent für die mühsame Arbeit, danach mehrere parallel. In Claude Code musst du dafür nichts programmieren: Subagents werden über die Konfiguration eingerichtet. Die folgenden Schritte habe ich in der Reihenfolge zusammengestellt, in der ich ein System für ein neues Projekt einrichte.
Meiner Erfahrung nach ist die Reihenfolge:
- Wähle eine Aufgabe, die sich in Teilaufgaben zerlegen lässt. Etwa eine breite Recherche, das Sammeln von Daten aus vielen Quellen oder die Analyse großer Materialmengen. Wenn die Aufgabe streng Schritt für Schritt abläuft, brauchst du kein Multi-Agent-System; bleib bei einem Agenten.
- Beginne mit einem Agenten. Führe die Aufgabe wie gewohnt aus. Oft zeigt sich, dass einer genügt und kein Team aufgebaut werden muss.
- Übertrage die mühsame Arbeit an einen Subagenten. Wenn du bemerkst, dass ein Teil der Aufgabe den Kontext mit Protokollen oder Suchergebnissen überflutet, übergib ihn einem Subagenten. In Claude Code geschieht das über die Konfiguration und ohne Code: Der Subagent erhält ein eigenes Fenster und eigene Anweisungen.
- Füge Parallelität hinzu, wenn es viele Teilaufgaben gibt. Mehrere Subagents, die jeweils für einen eigenen Themenbereich zuständig sind, arbeiten gleichzeitig. Gib jedem einen klar abgegrenzten Bereich, damit sie sich nicht gegenseitig bei der Arbeit stören.
- Behalte den Verbrauch im Blick. Denk an den fünfzehnfachen Unterschied. Wenn die Aufgabe diese Kosten nicht wert ist, geh zurück zu einem Agenten.
Wenn du nicht mit Claude Code arbeitest, gelten dieselben Prinzipien auch in anderen Werkzeugen. Ich habe eine allgemeine Übersicht zu Vibe-Coding-Werkzeugen dazu, was du 2026 zum Programmieren und Ausführen von Agenten nutzen kannst, sowie einen Artikel über verschachtelte Subagents, in dem es darum geht, eine große Aufgabe an verschachtelte Helfer zu delegieren.
Was wird sonst noch über Multi-Agent-Systeme gefragt?
Das Wichtigste
Kurzantworten auf häufige Fragen: Multi-Agent-Systeme sind einem einzelnen Agenten nicht immer überlegen, für ihre Nutzung muss man normalerweise nicht programmieren, ein „Orchestrator“ ist einfach der leitende Agent, und Multi-Agent-Systeme und One-Person-Unternehmen sind unterschiedlich, wenn auch ihrem Grundgedanken nach verwandt.
Häufig gestellte Fragen
Ist ein Multi-Agent-System immer besser als ein einzelner Agent?
Nein. Bei einer kleinen Aufgabe oder einer, deren Schritte streng nacheinander erfolgen müssen, arbeitet ein einzelner Agent besser und kostet weniger. Multi-Agent-Systeme sind nur bei großen Aufgaben im Vorteil, die sich in unabhängige Teile zerlegen lassen, und sie kosten deutlich mehr: Nach den Messungen von Anthropic verbrauchen sie etwa fünfzehnmal so viele Tokens wie ein gewöhnlicher Chat.
Muss man programmieren können, um ein Multi-Agent-System zusammenzustellen?
Normalerweise nicht. In Claude Code werden Subagents über die Konfiguration eingerichtet: Du beschreibst, was der Helfer tun soll, und der leitende Agent weist ihm passende Aufgaben zu. Der Helfer hat ein eigenes Kontextfenster und eigene Berechtigungen. Code ist nicht erforderlich.
Sind ein Orchestrator und ein leitender Agent dasselbe?
Ja, das sind unterschiedliche Bezeichnungen für dieselbe Rolle: den leitenden Agenten, der eine Aufgabe erhält, sie in Teilaufgaben zerlegt, diese Helfern zuweist und deren Antworten zu einem Ergebnis zusammenführt. Auf Englisch heißt dieses Modell „orchestrator-workers“.
Worin unterscheidet sich ein Multi-Agent-System von einem One-Person-Unternehmen?
Ein Multi-Agent-System ist ein technisches Modell: Mehrere KIs arbeiten an einer Aufgabe. Bei einem One-Person-Unternehmen geht es ums Geschäft: Eine Person führt mithilfe von KI ein ganzes Unternehmen. Multi-Agent-Systeme können ein Werkzeug innerhalb eines One-Person-Unternehmens sein, aber die Begriffe gehören zu unterschiedlichen Ebenen: Der eine beschreibt den Aufbau von KI, der andere den Aufbau eines Unternehmens.
Wo sollte ich anfangen, wenn ich Multi-Agent-Systeme ausprobieren möchte?
Beginne mit einer großen Aufgabe, die sich in Teilaufgaben zerlegen lässt, und einem Subagenten für die mühsame Arbeit. Hol nicht gleich fünf Helfer dazu. Prüfe zuerst, ob ein Agent die Aufgabe bewältigen kann, übergib dann den Teil, der den Kontext überflutet, an einen separaten Helfer und füge erst danach Parallelität hinzu.
Quellen
Weitere Materialien findest du auf Ailoot.
Weitere Details
Fragen und Antworten
Wann sollte eine Aufgabe bei einem Agenten bleiben?
Wenn sie kurz ist oder jeder Schritt vom vorherigen Ergebnis abhängt. Parallele Helfer lohnen sich bei sinnvoll aufteilbarer, unabhängiger Arbeit. Messe neben der gesparten Zeit auch ihren gesamten Verbrauch.
Was ist der kleinste sinnvolle Einstieg in mehrere Agenten?
Führe die echte Aufgabe zuerst mit einem Agenten aus. Überladen Logs oder Suchen den Hauptkontext, lagere diesen Teil an einen Helfer mit klarem Umfang und knappem Ergebnis aus. Ergänze weitere Helfer erst, wenn sich diese Aufteilung bewährt hat.