agentUniverse: Multi-Agent-Muster als Konfiguration, nicht als Code

Rollenteilung statt eines großen Prompts

Ein einzelner Agent mit einem langen Systemprompt stößt bei mehrstufigen Aufgaben schnell an eine Grenze: Analyse, Ausführung und Prüfung landen im selben Kontextfenster und beeinflussen sich gegenseitig. agentUniverse setzt dagegen auf mehrere Agenten mit getrennten Zuständigkeiten. Das README beschreibt den PEER-Pattern als Aufteilung in Plan, Execute, Express und Review. Die vier Rollen zerlegen ein Problem, arbeiten die Schritte nacheinander ab und verbessern das Ergebnis anhand von Rückmeldungen. Als typische Fälle nennt die Dokumentation Ereignisinterpretation und Branchenanalyse. Der zweite mitgelieferte Pattern, DOE, arbeitet mit den drei Rollen Data-fining, Opinion-inject und Express und zielt auf datenintensive Aufgaben mit hohem Genauigkeitsanspruch, in denen Expertenmeinungen einfließen sollen. Das README nennt hier die Erstellung von Finanzberichten. Der Adressat ist damit klar umrissen: Entwicklungsteams, die Aufgaben mit mehreren Bearbeitungsschritten haben und die Rollenlogik nicht bei jedem Projekt neu erfinden wollen.

Was der Pattern-Factory-Gedanke praktisch bedeutet

agentUniverse beschreibt sich selbst als Sammlung von Komponenten für Multi-Agent-Kollaboration, das README nennt es eine collaborative pattern factory. Der Nutzen dieser Formulierung liegt weniger im Bild als in der Konsequenz: Ein Muster ist eine feste Abfolge von Rollen mit definierten Übergaben. Wer PEER einsetzt, bekommt vier Agenten, deren Zusammenspiel vorgegeben ist, und konfiguriert im Wesentlichen, welche Modelle und welches Domänenwissen die einzelnen Rollen erhalten. Das unterscheidet sich von Frameworks, in denen man einen Graphen aus Knoten und Kanten selbst zeichnet. Der Preis für diese Vorgabe ist Beweglichkeit: Ein Ablauf, der nicht in vier Rollen passt, lässt sich nicht ohne Weiteres auf PEER abbilden. Das README formuliert es als offene Baustelle, weitere Patterns seien in Arbeit. Wer heute ein Muster braucht, das weder PEER noch DOE entspricht, muss es also selbst bauen oder abwarten.

Modellwahl über custom_key.toml und Agentenkonfiguration

Die Anbindung eines LLM läuft laut README über zwei Stellen. Zuerst wird der API-Schlüssel in der Datei custom_key.toml hinterlegt, für Deepseek etwa der Wert DEEPSEEK_API_KEY. Danach wird in der Agentenkonfiguration der Name des Modells gesetzt, im Deepseek-Beispiel default_deepseek_llm. Das README fasst den Vorgang mit den Worten zusammen, man sei damit all set. Die Liste der unterstützten Anbieter ist lang und deckt Qwen, Deepseek, OpenAI, Claude, Gemini, Llama, KIMI, WenXin, chatglm, BaiChuan und Doubao ab. Für Teams, die aus regulatorischen oder Kostengründen zwischen Anbietern wechseln müssen, ist das ein realer Vorteil, weil der Wechsel an der Konfigurationsdatei hängt und nicht am Anwendungscode. Einschränkend gilt: Das Material zeigt nur, dass ein Modellname in der Agentenkonfiguration referenziert wird. Ob jeder Anbieter dieselben Funktionsaufrufe und Werkzeuge unterstützt, geht daraus nicht hervor. Vor einem Wechsel lohnt deshalb ein Blick in die Konfigurationsbeispiele des jeweiligen Anbieters im Repository.

Installation und der erste Lauf

Die Installation ist einzeilig: pip install agentUniverse. Das Paket liegt auf PyPI, die aktuelle Version ist v0.0.19 vom 17. November 2025. Python 3.10 oder neuer wird vorausgesetzt, das zeigt das Badge im README. Nach der Installation verweist das README auf das Tutorial Run the first example unter docs/guidebook/en/Get_Start/2.Run_Your_First_Tutorial_Example.md, in dem der Ablauf Schritt für Schritt beschrieben ist. Dort findet sich auch der Abschnitt switch-the-llm, der den Modellwechsel erklärt. Wer das Framework evaluieren will, sollte diesen Pfad zuerst gehen, weil er die beiden Konfigurationsdateien und die Ordnerstruktur eines Agenten konkret zeigt. Eine visuelle Plattform für agentische Workflows wird im README als eigener Abschnitt erwähnt, Setup the visual agentic workflow platform. Ohne weitere Angaben im vorliegenden Material lässt sich nicht sagen, ob diese Plattform im selben Paket steckt oder separat installiert wird. Das ist eine der Stellen, an denen die Dokumentation an der Oberfläche bleibt.

Herkunft aus dem Finanzbereich als Designentscheidung

Das README ist an dieser Stelle ungewöhnlich direkt: agentUniverse stammt aus der Finanzarbeit von AntGroup und ist darauf ausgelegt, Agenten auf Domänenexpertenniveau zu bauen. Diese Herkunft erklärt die Auswahl der mitgelieferten Muster. PEER für Ereignisinterpretation und Branchenanalyse, DOE für Finanzberichte. Beide Aufgaben haben gemeinsam, dass eine falsche Zahl oder eine ungeprüfte Aussage teuer wird, weshalb eine Review- beziehungsweise Opinion-Rolle fest eingeplant ist. Für Teams außerhalb dieses Umfelds ist das kein Ausschlusskriterium, aber ein Hinweis darauf, wo die Beispiele und die getesteten Pfade liegen. Ein Support-Chatbot oder ein Code-Assistent hat andere Anforderungen an Latenz und Werkzeugaufrufe als die Erstellung eines Berichts. Wer agentUniverse für solche Fälle wählt, nutzt die Muster nicht, sondern nur die Agenten- und Modellkonfiguration, und trägt die Orchestrierung selbst.

Reifegrad und Versionsrhythmus

Die Versionsnummern sind ein ehrlicher Indikator. v0.0.17 erschien am 22. Mai 2025, v0.0.18 am 10. Juli 2025, v0.0.19 am 17. November 2025. Der Abstand zwischen den letzten beiden liegt bei rund vier Monaten, und die führende Null bleibt bestehen. Das bedeutet nicht, dass der Code unbrauchbar ist, denn das README spricht von Komponenten, die in realen Geschäftsszenarien getestet wurden. Es bedeutet aber, dass Schnittstellen sich zwischen Minor-Versionen ändern können und dass man die Release Notes vor einem Upgrade lesen sollte. Wer agentUniverse in einer langlebigen Anwendung einsetzt, plant am besten eine feste Version in den Abhängigkeiten ein und aktualisiert bewusst, nicht automatisch. Zur Wartungslast jenseits der Bibliothek selbst, etwa für die Modellanbieter oder die visuelle Plattform, macht das vorliegende Material keine Angaben.

Apache-2.0 und die Frage der Domänendaten

Die Lizenz ist Apache-2.0, das Repository ist nicht archiviert. Für die meisten kommerziellen Einsätze ist das eine unkomplizierte Ausgangslage, weil diese Lizenz Nutzung, Änderung und Weitergabe erlaubt und eine ausdrückliche Patentgewährung enthält. Wer das Framework verändert und weitergibt, muss die Lizenzbedingungen einhalten, also unter anderem den Lizenztext beilegen und Änderungen kennzeichnen. Das ist eine allgemeine Beobachtung zur Lizenz, keine Rechtsberatung. Der interessante Punkt liegt woanders: agentUniverse wirbt damit, Domänenerfahrung in Agenten zu integrieren. Diese Erfahrung steckt in Prompts, Konfigurationsdateien und möglicherweise in Beispieldaten, die man selbst hinzufügt. Die Lizenz des Frameworks sagt nichts darüber aus, ob man die Inhalte, mit denen man es füttert, überhaupt verwenden darf. Diese Prüfung bleibt beim Anwender.

Wann ein anderes Werkzeug die bessere Wahl ist

Der Vergleich mit LangGraph liegt nahe, weil beide auf Python aufbauen und Agentenabläufe beschreiben. Der Unterschied liegt im Ausgangspunkt. LangGraph gibt einen Graphen mit Knoten, Kanten und explizitem Zustand vor, in den man Agenten als Knoten einhängt. Man beschreibt also den Ablauf selbst und entscheidet, wo Verzweigungen und Schleifen sitzen. agentUniverse dreht das um: Der Ablauf ist durch das Muster bereits festgelegt, und man füllt die Rollen. Für Aufgaben, die genau einem der Muster entsprechen, ist das weniger Arbeit. Für alles andere ist es mehr Arbeit, weil man gegen die vorgegebene Struktur arbeitet oder sie verlässt. Ein zweiter Unterschied betrifft die Modellkonfiguration. agentUniverse bündelt viele Anbieter hinter einer Konfigurationsdatei, was den Wechsel erleichtert. Ob ein Graph-Framework diesen Komfort in gleichem Umfang bietet, hängt von den dortigen Integrationspaketen ab und ist nicht Teil dieses Materials. Wer bereits einen Orchestrierungsgraphen im Einsatz hat, findet in agentUniverse keinen Grund zu wechseln, es sei denn, PEER oder DOE passt exakt auf die eigene Aufgabe.

Redaktionelles Fazit

Wer mehrere Agenten mit klar getrennten Rollen und austauschbarem Modell-Backend braucht, findet in agentUniverse ein Gerüst, das Konfiguration statt Orchestrierungscode verlangt. Wer einen einzelnen Agenten mit Werkzeugen baut oder eine breite Community mit vielen Integrationsbeispielen sucht, ist hier falsch. Vor dem Einsatz sollte man prüfen, ob der eigene Anwendungsfall einem der beiden Muster PEER oder DOE entspricht, denn für alles andere liefert das Repository nach derzeitigem Stand kein fertiges Muster.

Offizielle Quellen

1. agentuniverse-ai/agentUniverse on GitHub
2. Issues
3. License: Apache-2.0
4. README
5. Releases