Claude multi-agent: hvad det er og hvornår det giver mening

Multi-agent workflows er en avanceret arkitektur, hvor flere Claude-instanser arbejder parallelt mod et fælles mål. I stedet for ét langt, lineært samtaleforløb fordeles arbejdet på specialiserede agenter — og en orchestrator koordinerer det hele. Resultatet er systemer der kan løse opgaver, som er for komplekse til én enkelt AI-instans.

Hvad er multi-agent?

I et multi-agent system er der typisk to typer agenter:

• Orchestrator: Den overordnede agent der modtager målet, bryder det ned i deltasks og tildeler dem til subagents.
• Subagents: Specialiserede agenter der hver udfører én veldefineret del af arbejdet og returnerer resultater til orchestratoren.

Kommunikationen sker via strukturerede beskeder — subagenten modtager en opgave, arbejder selvstændigt og afleverer et svar. Orchestratoren samler brikkerne og beslutter næste skridt.

Fordele ved multi-agent

• Parallelisering: Uafhængige deltasks køres samtidigt, hvilket reducerer den samlede køretid markant.
• Specialisering: Hver agent kan have sin egen systemprompt og sine egne tools, optimeret til netop dens opgave.
• Kontekstgrænser omgås: Har du et projekt der er for stort til én kontekstvindue, kan du fordele det på agenter der hver håndterer en del.

Hvornår giver multi-agent mening?

Multi-agent er ikke svaret på alle problemer — overheadet ved koordination er reelt. Men det giver mening, når:

• Komplekse pipelines: Opgaven har mange trin med klare snitflader imellem dem.
• Uafhængige deltasks: Dele af arbejdet kan løses parallelt uden at vente på hinanden.
• Lange workflows: Projekter der overskrider én instans’ kontekstvindue.

Arkitekturmønstre

Sekventiel kæde

Agent A behandler input og sender output til Agent B, der behandler og sender videre til Agent C. Simpelt og forudsigeligt, men ingen parallelisering.

Parallel fan-out

Orchestratoren sender det samme (eller varierede) input til flere subagents samtidigt og samler resultater bagefter. Ideel til vurderinger fra mange vinkler — fx “analyser dette dokument fra et juridisk, et finansielt og et operationelt perspektiv”.

Hierarkisk

En top-level orchestrator koordinerer mid-level orchestrators, der selv koordinerer specialiserede leaf-agenter. Bruges til meget store og komplekse workflows.

Eksempel: simpel multi-agent pipeline i Python

import anthropic

client = anthropic.Anthropic()

def run_agent(system: str, user: str) -> str:
    r = client.messages.create(
        model="claude-haiku-4-5",
        max_tokens=1024,
        system=system,
        messages=[{"role": "user", "content": user}]
    )
    return r.content[0].text

# Subagent 1: resumé
resume = run_agent(
    "Du skriver præcise resumeer på maks 3 sætninger.",
    f"Resumér denne tekst: {lang_tekst}"
)

# Subagent 2: nøgleord
keywords = run_agent(
    "Du udtrækker 5 SEO-nøgleord fra tekster.",
    f"Find nøgleord i: {lang_tekst}"
)

# Orchestrator: kombiner
final = run_agent(
    "Du kombinerer resumé og nøgleord til et meta-tag.",
    f"Resumé: {resume}
Nøgleord: {keywords}"
)
print(final)

Risici og begrænsninger

• Fejlpropagering: En subagents fejl kan forplante sig til resten af pipelinen. Byg valideringstrin ind.
• Koordinationskompleksitet: Jo flere agenter, jo sværere er det at debugge, når noget går galt.
• Omkostninger: Parallelle API-kald multiplicerer token-forbruget. Estimer prisen, inden du skalerer.
• Kontekst-tab: Agenter deler ikke kontekst automatisk — al relevant information skal eksplicit overføres i beskeder.

Multi-agent workflows er ikke hverdagskost for de fleste brugere, men for dem der bygger komplekse AI-systemer, er de et uundværligt redskab. Start simpelt, forstå dataflowet grundigt, og tilføj agenter kun når det løser et konkret problem.