Multi-Agent Systems

team-builder ist ein interaktiver Agenten-Picker zum Zusammenstellen und Auslösen paralleler Teams aus Markdown-Persona-Dateien. Die team-builder-Skill hilft dir, verfügbare Agenten zu durchsuchen, Spezialisten nach Fachgebiet zu gruppieren und Ad-hoc-Teams für Workflow-Automatisierung zu bauen. Am besten geeignet für Repos mit flachen oder in Unterordnern organisierten Agentenbibliotheken und klarer Persona-Struktur.

santa-method ist ein Multi-Agenten-Verifizierungsworkflow für Ergebnisse, die vor der Auslieferung korrekt sein müssen. Er nutzt unabhängige Prüfung, um blinde Flecken in Inhalten, code-nahen Deliverables, compliance-sensiblem Text und Aufgaben der Workflow-Automatisierung aufzudecken. Installieren Sie das santa-method Skill, wenn Sie eine wiederholbare Generate-Verify-Converge-Schleife benötigen.

ralphinho-rfc-pipeline ist ein RFC-gesteuertes Multi-Agent-Workflow-Skill, das große Features in überprüfbare Einheiten zerlegt, jeden Schritt validiert und mit Integrationschecks zusammenführt. Es eignet sich besonders für ralphinho-rfc-pipeline für Multi-Agent Systems sowie für Refactors, Schema-Änderungen, Auth, Performance- und Security-Arbeiten.

iterative-retrieval ist ein Workflow-Muster zur schrittweisen Verfeinerung der Kontextrecherche in agentischen Arbeitsabläufen. Es hilft Subagenten, zu viel oder zu wenig Kontext zu vermeiden, und ist damit nützlich für iterative-retrieval-Einsatzszenarien, Installationsentscheidungen und iterative-retrieval für Workflow-Automatisierung.

dmux-workflows ist ein Leitfaden für die Orchestrierung paralleler KI-Agenten-Sitzungen mit dmux in tmux-Panes. Er hilft dabei, Recherche, Implementierung, Tests und Dokumentation über Claude Code, Codex, OpenCode und ähnliche Harnesses aufzuteilen, damit Sie Multi-Agent-Entwicklung mit weniger Kontextengpässen steuern können.

continuous-agent-loop unterstützt Agents dabei, wiederholbare autonome Schleifen mit Qualitäts-Gates, Evals, Recovery-Schritten und klaren Stop-Regeln auszuführen, damit Aufgaben verlässlich abgeschlossen werden.

claude-devfleet ist ein Multi-Agenten-Orchestrierungs-Skill für Claude DevFleet. Er hilft dir, Projekte zu planen, parallele Agenten in isolierten Worktrees zu starten, den Fortschritt zu überwachen und strukturierte Berichte zu lesen. Am besten geeignet für größere Coding-Aufgaben, die von abhängigkeitssensiblen Abläufen profitieren, nicht für schnelle Einzeldatei-Änderungen.

autonomous-loops ist ein Skill zum Entwerfen autonomer Claude Code-Workflows – von einfachen sequenziellen Pipelines bis zur Multi-Agent-DAG-Orchestrierung mit Quality Gates und Übergaben.

autonomous-agent-harness macht aus Claude Code ein dauerhaft laufendes, selbststeuerndes Agentensystem mit Speicher, geplanten Ausführungen, Task-Dispatch und Computernutzung. Es eignet sich für Agent-Orchestrierung, wiederkehrende Prüfungen und langlebige Workflows, wenn ein einmaliger Prompt nicht ausreicht.

Lernen Sie die agentic-engineering Skill für eval-first Ausführung, Aufgabenzerlegung, Model-Routing und sicherere Workflow-Automation mit Regression-Checks.

agent-payment-x402 hilft AI Agents dabei, x402-Zahlungen mit MCP-Tools, Ausgabenlimits, Empfänger-Allowlists und non-custodial Wallets für kostenpflichtige APIs und Agent-Orchestrierung zu handhaben.

dispatching-parallel-agents ist ein Skill für Agent-Orchestrierung, der wirklich unabhängige Aufgaben auf separate Agents mit isoliertem Kontext und koordinierten Ergebnissen verteilt.

langchain-architecture ist ein Leitfaden für den Entwurf von Anwendungen mit LangChain 1.x und LangGraph. Er hilft dabei, schon vor der Implementierung zwischen Chains, Agents, Retrieval, Memory und zustandsbehafteten Orchestrierungsmustern zu wählen.

Die Skill multi-agent-patterns hilft dir dabei, Agentensysteme mit Agent Orchestration, Kontextisolierung, paralleler Arbeit und strukturierten Übergaben zu entwerfen und umzusetzen. Nutze sie, wenn du zwischen einem einzelnen Agenten und einem Multi-Agenten-Setup wählen musst oder wenn Supervisor-Routing, Peer-Übergaben, Konsens oder Fehlerbehandlung gefragt sind. Sie eignet sich am besten für orchestration-lastige Aufgaben, bei denen klare Koordination wichtiger ist als möglichst viele Agenten.

agents-sdk hilft dir, Cloudflare Workers Agents mit zustandsbehafteten Unterhaltungen, dauerhafter Ausführung, WebSocket- oder Streaming-Chat, MCP-Integration, geplanten Aufgaben und Browser-Automatisierung zu bauen. Dieser agents-sdk Skill konzentriert sich auf Installationsentscheidungen, Konfiguration und den praktischen Einsatz für bestehende oder neue Workers-Apps – inklusive Hinweise zu Multi-Agent-Systemen nur dort, wo sie zu den Cloudflare-Runtime-Einschränkungen passen.

subagent-driven-development hilft dir dabei, Implementierungspläne in unabhängige Aufgaben aufzuteilen, für jede Aufgabe einen frischen Subagenten zu starten und die Ergebnisse zwischen den Schritten zu prüfen. Es ist für Agent-Orchestrierung gedacht, wenn du schneller liefern und trotzdem Qualitätsprüfungen einbauen musst – besonders bei 3+ unabhängigen Issues, Bugfixes, Feature-Slices oder Repo-Bereinigungen.

tree-of-thoughts ist ein Reasoning-Workflow-Skill, der Agenten dabei hilft, mehrere Ansätze zu erkunden, schwache Pfade zu verwerfen und eine bessere Antwort zu verdichten. Er ist nützlich für schwieriges Debugging, Planung, Architektur-Abwägungen und tree-of-thoughts für Agent Orchestration.

launch-sub-agent hilft dabei, für abgegrenzte Aufgaben in Multi-Agent-Systemen einen fokussierten Sub-Agenten zu starten. Es analysiert die Komplexität der Aufgabe, wählt eine passende Modellstufe aus, unterstützt spezialisiertes Agent-Matching und ergänzt eine Selbstkritik-Prüfung für verlässlichere Ergebnisse.

multi-agent-patterns ist ein praxisnaher Leitfaden für das Design von Multi-Agentensystemen in Claude Code, wenn ein einzelner Agent nicht ausreicht. Nutze ihn, um Arbeit aufzuteilen, Subagenten zu koordinieren und Orchestrierungsmuster zu vergleichen, ohne unnötigen Overhead einzuführen.

judge-with-debate bewertet Lösungen durch strukturiertes Multi-Agenten-Debattieren – mit gemeinsamer Spezifikation, evidenzbasierten Gegenargumenten und bis zu 3 Runden, um zu einem Konsens zu gelangen. Das eignet sich besonders für Code-Reviews, rubrikbasierte Bewertungen und judge-with-debate in Workflows für Multi-Agent Systems.

do-in-steps hilft einem Agenten dabei, komplexe Aufgaben zu bewältigen, indem Arbeit in geordnete Teilaufgaben zerlegt, Sub-Agenten orchestriert und jeder Schritt vor dem Weitergehen geprüft wird. Es eignet sich besonders für Repository-Änderungen, mehrstufige Refactorings, Migrationen und do-in-steps für Agent Orchestration, wenn kontrollierte Übergaben und weniger stille Fehler wichtig sind.

do-in-parallel ist ein Workflow-Skill für Agent Orchestration, der mehrere Sub-Agents parallel über Dateien oder Ziele hinweg startet, wiederholbare Arbeit intelligent bündelt und Ergebnisse mit Meta-Judges sowie LLM-as-a-judge-Prüfung verifiziert. Verwenden Sie den do-in-parallel-Skill, wenn Sie Batch-Ausführung mit weniger Rätselraten als bei einem generischen Prompt benötigen.

do-competitively hilft dir, wichtige Aufgaben mit paralleler Kandidatengenerierung, rubrikbasierter Bewertung und evidenzgestützter Synthese zu lösen. Es eignet sich besonders für Workflow-Automatisierung und andere risikoreiche Anfragen, bei denen Qualität, Robustheit und der Umgang mit Zielkonflikten wichtiger sind als Geschwindigkeit.

implement-task ist eine Workflow-Automatisierungs-Skill, die eine Aufgabenbeschreibung in umgesetzte Änderungen überführt und dabei kritische Schritte automatisch mit LLM-as-Judge verifiziert. Sie hilft Agents, eine Task-Datei zu lesen, die Arbeit schrittweise auszuführen, die Qualität zu prüfen und bei teilweiser Fertigstellung mit weniger Rätselraten weiterzumachen.