# Kompetenzbewusste Orchestrierung passt die Kommunikation von Agententeams an

> Das Framework passt Rollen und Kommunikation der Agenten an aufgabenspezifische Kompetenzen an.

- Kanonische URL: https://newsverum.com/de/news/competence-aware-orchestration-adjusts-llm-agent-teams
- Herausgeber: Newsverum
- Rubrik: Technologie
- Land: Sonderverwaltungsregion Hongkong
- Veröffentlicht: 2026-10-13T00:51:40+00:00
- Aktualisiert: 2026-10-13T00:51:40+00:00
- Ereignis- oder Datenzeitraum: 2026-10-09
- Weitere Ausgaben: [Türkçe](https://newsverum.com/tr/news/competence-aware-orchestration-adjusts-llm-agent-teams.md), [English](https://newsverum.com/en/news/competence-aware-orchestration-adjusts-llm-agent-teams.md), [العربية](https://newsverum.com/ar/news/competence-aware-orchestration-adjusts-llm-agent-teams.md), [Français](https://newsverum.com/fr/news/competence-aware-orchestration-adjusts-llm-agent-teams.md), [Español](https://newsverum.com/es/news/competence-aware-orchestration-adjusts-llm-agent-teams.md), [Português](https://newsverum.com/pt/news/competence-aware-orchestration-adjusts-llm-agent-teams.md)

Forschende der Hong Kong Polytechnic University stellten ein Framework zur kompetenzbewussten Koordination von Agenten vor. Es vergleicht den Aufgabenkontext mit dem Fähigkeitsprofil jedes Modells und passt Rollenverteilung sowie Kommunikationsgraph an, statt für jede Aufgabe dieselbe Multi-Agenten-Anordnung zu verwenden.

Bei den Benchmarks berichten die Autoren in ausgewählten Konfigurationen leistungsstarker Modelle von 36,26 % weniger Tokenverbrauch bei gleichbleibenden Durchschnittswerten. Das Ergebnis bezieht sich auf GPT-4o-basierte Auswertungen und festgelegte Benchmark-Aufgaben; die Arbeit zeigt nicht, dass Fähigkeitsprofile bei anderen Modellen oder realen Workflows ebenso genau abgeleitet werden können.

## Daten

### Forschungsergebnis

Sechs Benchmarks; GPT-4o-basierte Versuche; mittlerer Tokenverbrauch in ausgewählten Konfigurationen

Methodik: Der Wert ist auf das im Artikel beschriebene Benchmark-Experiment beschränkt; er ist kein Feldergebnis und keine allgemeine Leistungsgarantie.

| Messgröße | Prozent | Umfang |
|---|---|---|
| Token-Einsparung in ausgewählten Konfigurationen leistungsstarker Modelle | 36.26 | Sechs Benchmarks; GPT-4o-basierte Versuche; mittlerer Tokenverbrauch in ausgewählten Konfigurationen |

Quellen: <https://arxiv.org/html/2610.13144v1> · Daten herunterladen: [JSON](https://newsverum.com/api/v1/articles/competence-aware-orchestration-adjusts-llm-agent-teams/data/reported-result-1?lang=de&format=json) · [CSV](https://newsverum.com/api/v1/articles/competence-aware-orchestration-adjusts-llm-agent-teams/data/reported-result-1?lang=de&format=csv)

## Quellen

- [arXiv preprint by Hong Kong Polytechnic University researchers](<https://arxiv.org/html/2610.13144v1>) (Quelle geprüft: 2026-10-13; Veröffentlicht: 2026-10-09)

---

Zitieren Sie die oben angegebene kanonische URL. [Redaktionsstandards und Korrekturen](https://newsverum.com/de/editorial)