Kimi K2.5 und Agent Swarm: Ein Leitfaden mit vier praktischen Beispielen

Der Nachteil ist aber, dass einige Aussagen im endgültigen Bericht nicht ausreichend belegt oder zu absolut wirken. Der Leitfaden würde durch Links, Quellen und klarere Annahmen (Hardware, Modellgröße, Batchgröße, Kontextlänge) an Aussagekraft gewinnen, da Produktionsempfehlungen stark vom Kontext abhängen. Insgesamt hat es eine komplizierte, mehrteilige Eingabe verarbeitet und ein klares, sofort nutzbares Playbook zurückgegeben, das produktionsreif aussieht. 

Erstellung und Annotation von Datensätzen

Als Nächstes habe ich Agent Swarm bei einer Aufgabe zum Aufbau von Datensätzen getestet, indem ich Kimi K2.5 gebeten habe, einen Benchmark mit 100 mathematischen Textaufgaben mit Lösungen und Schwierigkeitsstufen zu erstellen. Ich hab auch extra gesagt, dass es20 Agenten von nutzen soll, um zu sehen, wie gut es die Schwarmgrößenbeschränkung einhält und dabei die Qualität beibehält.

Prompt: 

Build a small benchmark dataset of 100 math word problems with step-by-step solutions and difficulty labels. Use at least 20 agents to generate problems in parallel, verify solutions independently, and calibrate difficulty.

Kimi K2.5 Agent Swarm hat die Erstellung von Datensätzen als dreistufigen Prozess gesehen, mit den Schritten Generierung, Überprüfung und Kalibrierung. Obwohl die Eingabeaufforderung mindestens 20 Agenten verlangte, hat das System selbstständig 25 Unteragenten gestartet und dabei die Richtigkeit über die strikte Einhaltung der geforderten Anzahl gestellt. Es war interessant zu sehen, dass ungefähr fünf Agenten gleichzeitig aktiv waren, während andere in der Warteschlange standen und weitermachten, sobald frühere Teilaufgaben erledigt waren, was auf einen internen Planungsmechanismus hindeutet. 

Jeder Generationsagent hat sich um einen bestimmten Mathebereich gekümmert und fünf Aufgaben mit Schritt-für-Schritt-Lösungen erstellt. Danach wurden zehn Agenten für die Überprüfung eingesetzt, und eine kleinere Gruppe von fünf Agenten hat sich auf die Schwierigkeitskalibrierung konzentriert. 

Das Besondere hier ist, dass die Aufgaben klar getrennt sind und es keine doppelten Überprüfungen gibt, was die Qualität der Datensätze echt verbessert. Der größte Nachteil ist die Latenz und ein sequenzieller Engpass. 

Der ganze Lauf hat ungefähr 20 bis 25 Minuten gedauert, was diesen Ansatz eher für hochwertige Benchmarks als für schnelle Iterationen geeignet macht. Selbst mit 25 Agenten mussten einige warten, bis andere fertig waren, was bedeutet, dass der Schwarm immer noch durch die Logik der Schritte eingeschränkt ist.

Trotzdem zeigt die Möglichkeit, die Anzahl der Agenten für jede Teilaufgabe dynamisch anzupassen, ungenutzte Agenten wiederzuverwenden und sich auf einen gekennzeichneten Datensatz zu konzentrieren, echt gut, wie Agent Swarm funktioniert. 

Multimodale Qualitätssicherung in großem Maßstab 

Als Nächstes habe ich Kimi K2.5 in einen multimodalen Arbeitsablauf eingebunden, indem ich mehrere Bilder von Nährwertangaben bereitgestellt und um einen strukturierten Vergleich gebeten habe. Das Ziel war, zu sehen, wie gut es visuelle Daten extrahieren, normalisieren und überprüfen kann.

Aufforderung: 

I’m sharing images of nutrition labels from 7 packaged food items. Analyze them and produce a clear comparison specifically:
Extract fields like: calories, protein, total fat, sugar, sodium,  from each label.Normalize all values to a per-100g basis so items are comparableDouble-check numeric consistency (e.g. serving size vs totals)Rank the products from healthiest to least healthy, explaining the reasoningReturn a comparison table with normalized values for all items. Also include a summary highlighting, best high-protein option, the lowest sugar option, and items to avoid and why.
Assume the labels may vary in format and serving size. Resolve ambiguities where possible and note any missing or unclear values.

In diesem multimodalen QA-Experiment hat Kimi K2.5 Agent Swarm die Aufgabe auf die einzelnen Sub-Agenten verteilt, wobei jeder ein Label bekam. Sieben Sub-Agenten haben parallel gearbeitet, um die Nährwertangaben aus den Bildern zu holen, während ein Koordinierungsagent für die Normalisierung, Gegenprüfung und Bewertung zuständig war. 

Das Coole an Kimi ist, dass die Vorgaben, die du in der Eingabe machst (Extrahieren, Normalisieren, Überprüfen, Bewerten), quasi die Blaupause dafür sind, wie Kimi Subagenten instanziiert und zuweist.

Was mir aufgefallen ist, ist, wie wichtig dem Schwarm die Überprüfung war, d. h. nach der Extraktion hat der Orchestrator die Serviergrößen, normalisierten Werte und markierten Unklarheiten explizit abgeglichen, anstatt stillschweigend zu raten. Der letzte Schritt, bei dem die Produkte bewertet und die besten proteinreichen und zuckerarmen Optionen herausgestellt wurden, zeigte eine starke Aggregationslogik über alle visuellen Eingaben hinweg.

Der Nachteil ist, dass die Analyse von 7 hochauflösenden Bildern mit einem Schwarm sehr rechenintensiv ist, was es eher zu einer Premium-Funktion als zu einem schnellen Chat-Tool macht. 

Dieses Beispiel hat auch eine aktuelle Einschränkung gezeigt: Die bildbasierte multimodale Analyse hat gut funktioniert, aber die direkte Videoeingabe wurde nicht unterstützt, sodass ein weiterer Versuch, ein Rezept aus einem Kochvideo zu erstellen, nicht möglich war. 

Insgesamt zeigt diese Demo, wie gut Agent Swarm bei der parallelen visuellen Extraktion und strukturierten Abstimmung ist.

Ein Spiel programmieren

Zum Schluss habe ich die Programmierfähigkeiten von Kimi K2.5 getestet, indem ich es gebeten habe, ein komplett interaktives Bubble-Shooter-Spiel von Grund auf neu zu erstellen. Dieses Experiment zeigt, wie das Modell die End-to-End-Generierung von zustandsbehaftetem Code handhabt, bei der Kohärenz wichtiger ist als Parallelität.

Aufforderung: 

```markdown

Mach ein voll spielbares Bubble-Shooter-Spiel, das lokal in einem Webbrowser läuft. Das Spiel sollte Maus- und Touch-Zielfunktionen haben, eine Live-Zielhilfe zeigen, farbige Blasen von der unteren Mitte aus abfeuern, Schüsse von den Seitenwänden abprallen lassen und Blasen bei Kollisionen an einem Raster oben einrasten lassen. 

Mach die Hauptspiel-Logik, wie zum Beispiel Gruppen von drei oder mehr verbundenen Blasen derselben Farbe zum Platzen bringen, nicht verbundene Gruppen fallen lassen, Punkte zählen und anzeigen, eine Vorschau der nächsten Blase zeigen und das Spiel beenden, wenn die Blasen eine Gefahrenlinie am unteren Rand erreichen.

Halt die Grafik einfach, aber reaktionsschnell, füge einen Neustart-Button hinzu und schließ mit einer kurzen Anleitung ab, wie man das Spiel lokal ausführt und testet.

```

In diesem Experiment zum Spielaufbau hat Kimi K2.5 Agent Swarm eine ziemlich konservative Entscheidung getroffen, indem er nur einen einzigen Unteragenten für die ganze Aufgabe eingesetzt hat. 

Diese Entscheidung ist echt interessant, weil das System richtig erkannt hat, dass es sich um ein eng gekoppeltes, zustandsbehaftetes Codierungsproblem handelte, bei dem starke Parallelität nur Koordinationsaufwand ohne Nutzen verursacht hätte. 

Der Agent hat eine komplette, lokal lauffähige Bubble-Shooter-Implementierung mit Zielen, Wandabprallern, Rasterausrichtung, Match-Three-Popping, Punktestandverfolgung und Neustartlogik erstellt, die sowohl die Spielmechanik als auch den UI-Ablauf zeigt. 

Was mir besonders gut gefallen hat, ist, dass das Ergebnis stimmig und integriert wirkte. Der Nachteil ist aber, dass man für die Feinabstimmung und den letzten Schliff wahrscheinlich mehrere Aufforderungen braucht, weil alles über einen einzigen Agenten läuft. 

Insgesamt zeigt dieses Beispiel gut, dass es bei Agent Swarm in Kimi K2.5 nicht darum geht, immer mehr Agenten zu generieren, sondern Parallelität nur dann zu nutzen, wenn sie die Ergebnisse wirklich verbessert.

Fazit

In diesem Tutorial hat Kimi K2.5 gezeigt, dass es komplexe Aufgaben aufteilen, Agenten dynamisch zuweisen und strukturierte, entscheidungsreife Ergebnisse liefern kann, wofür man normalerweise ein kleines Team und nicht nur ein einzelnes Modell brauchen würde.

Gleichzeitig zeigen die Beispiele, wo die Grenzen liegen. 

Agent Swarm ist super für umfangreiche, toolintensive Arbeitsabläufe wie Recherche, Datensatzaufbau und multimodale Extraktion, bietet aber kaum Vorteile für eng gekoppelte, zustandsbehaftete Aufgaben wie die Entwicklung interaktiver Spiele. 

Es bringt auch echte Kompromisse in Sachen Latenz, Kosten und Iterationsgeschwindigkeit mit sich, vor allem wenn Verifizierung und Abstimmung wichtiger sind als der reine Durchsatz.

Insgesamt bietet Kimi K2.5 einen spannenden Entwurf dafür, wie sich agentenbasierte Systeme in Zukunft entwickeln könnten. Für Entwickler und Forscher, die sich mit agentenbasierten Arbeitsabläufen auskennen, ist es eines der interessantesten Modelle, die man heute erkunden kann.

Wenn du mehr darüber erfahren möchtest, wie agentenbasierte KI funktioniert, empfehle ich dir, dir den Lernpfad „Grundlagen der KI-Agenten“.