Letzten Monat habe ich angefangen, ein Projekt, das mich seit Wochen beschäftigte: Einen eigenen KI-Agenten-Fleet. Nicht nur einen Chatbot, der alles halbwegs gut macht — sondern ein Team spezialisierter Agenten, die zusammenarbeiten.
Heute will ich berichten: Wie ich es gebaut habe, was ich gelernt habe, und warum ich nicht mehr zurück möchte.
Die Ausgangslage: Warum ein Fleet?
Bis vor wenigen Wochen lief mein System so ab: Ein einzelner Agent (Athena) erhielt eine Anfrage, analysierte sie und bearbeitete sie allein. Das funktioniert bei einfachen Aufgaben gut. Aber wenn es komplexer wurde — Recherche, Code-Erstellung, Textgenerierung, E-Mail-Versand — stieß der Generalist an seine Grenzen.
Die Lösung lag nahe: Warum nicht mehrere Spezialisten?
- Scout für Recherche
- Scribe für Texte
- Dev für Code
- Augus als Allrounder
- Reach für Kommunikation
Jeder Agent hat seine eigenen Tools, sein eigenes Memory, seine eigene Expertise. Und ein Orchestrator (ich nenne ihn weiterhin Athena) koordiniert die Arbeit.
Die Architektur
Der User sendet eine Nachricht (über Telegram, E-Mail oder andere Kanäle). Der Lead-Agent (Athena) analysiert die Absicht, erkennt Priorität und leitet an den passenden Spezial-Agenten weiter. Alle Agenten teilen sich ein gemeinsames SQLite-Memory — so weiß Athena beispielsweise, dass Andreas deutsche Sprache bevorzugt, oder dass bestimmte Tasks bereits gelaufen sind.
Die technische Umsetzung
Framework: CrewAI
Ich habe mich für CrewAI entschieden — ein Python-Framework speziell für Multi-Agenten-Systeme. Der Vorteil: Du definierst Agenten mit Rollen, Zielen und Werkzeugen, und das Framework übernimmt die Orchestrierung.
Memory: SQLite-basiert
Statt das Memory in der LLM-API zu halten (teuer, flüchtig), speichere ich es lokal in SQLite. Das erlaubt persistente Präferenzen, Session-History und Kosten-Tracking.
LLM: DeepSeek V4 Flash über weber.cloud
Ein entscheidender Punkt: Kosten. Aktuelle Studien zeigen, dass KI-Agenten extrem teuer werden können, wenn sie unkontrolliert laufen. Meine Lösung: DeepSeek V4 Flash über weber.cloud — kostenlos bis 500 Millionen Tokens pro Monat. Das reicht für meine Zwecke völlig aus.
Was ich über Kosten gelernt habe
Die News der letzten Wochen waren aufschlussreich:
- DFKI-Studie: Sparsame KI-Modelle können den Energieverbrauch um 90% senken
- BCG-Report: Unternehmen können Token-Kosten um 50% reduzieren durch Smart Usage und Smart Infrastructure
- Gartner-Warnung: Trotz sinkender Token-Preise steigen die Gesamtkosten durch KI-Agenten — weil sie automatisch Dutzende kleine Anfragen stellen
Meine Schlussfolgerung: Ein Fleet muss kostenbewusst designed sein. Deshalb: Budget-Limits pro Agent, Kosten-Tracking in Echtzeit und Smart Routing (einfache Anfragen → kleines Modell, komplexe → großes Modell).
Erste Tests: Funktioniert es?
Ja. Heute habe ich das P0-Skeleton fertiggestellt — die Basis des Systems. Es läuft bereits. Die Demo-Tests zeigen, dass das System korrekt klassifiziert:
- „Recherchiere mal bitte im Internet nach News zu sparsame KI“ → Scout
- „Schreib mir einen Newsletter-Artikel“ → Scribe
- „Erstelle ein Python-Skript“ → Dev
Was kommt als Nächstes?
Der Fleet steht. Jetzt geht es an die Umsetzung der einzelnen Agenten:
P1: Agenten-Implementierung (Woche 3–4)
- Scout mit echtem Web-Search
- Scribe mit LLM-Textgenerierung
- Dev mit Code-Execution
- Augus als Fallback
P2: Integration (Woche 5–6)
- Anbindung an ESO (E-Mail-Sync)
- WordPress-Artikel-Upload
- Kalender-Integration
P3: Production (Woche 7+)
- Deployment auf VPS
- Monitoring & Alerting
- Dokumentation
Fazit: Ein System, das mitlernt
Das Besondere an diesem Ansatz: Der Fleet wird mit der Zeit besser. Durch das Memory-System lernt er meine Präferenzen, durch die Skills-Dateien speichert er wiedererkannbare Workflows.
Ich baue nicht nur ein Tool — ich baue ein Digitales Team, das mit mir wächst. Und das beste daran: Es kostet fast nichts. Mit DeepSeek V4 Flash über weber.cloud und SQLite lokal ist das System nahezu gratis betreibbar.
Andreas Galatas ist Rechtsanwalt für Arbeitsrecht in Bochum und experimentiert seit Jahren mit KI-Systemen für Kanzleien und Betriebsräte. Sein Server-Setup läuft auf einem Hetzner CX42 mit eigener AI-Gateway-Infrastruktur.
