Poly-Ranking · aus dem Trend des Tages

KI-Coding-Agent-Team gegen einen Agenten · 9 Plätze

Zwei führende KI-Coding-Agenten, die als Paar arbeiten, lösen nur etwa 25 % der CooperBench-Aufgaben. In einem Codex-Test ließ das Hinzufügen von Unteragenten den Wert unverändert bei 71,0 %, während die Tokens pro gelöster Aufgabe von 7,69 Mio. auf 24,12 Mio. stiegen.

  • Nr. 1: Gas Town
  • 9 Plätze

01Endgültige Liste

Die führenden KIs haben unabhängig voneinander eigene Top-10-Listen erstellt. Oben steht ein gemeinsames Ergebnis, das leicht zu prüfen ist: Jeder Platz hat einen Grund, die KIs, die ihn aufgenommen haben, und – wo die KIs eine nannten – eine Quelle.

Reihenfolge: von größter bis geringster Übereinstimmung der KIs.

Ein helles Kennzeichen heißt: Diese KI hat den Eintrag auf ihre Liste gesetzt. Ein blasses: hat sie nicht.

  1. 1

    Gas Town

    Betreibt 20–30 Claude-Code-Instanzen. Ein Prüfer sah an einem Abend 6 von 7 Änderungen am Code zusammengeführt, fand eine Woche später aber 141 verwaiste Prozesse. Die gemessenen Kosten lagen laut Bericht bei rund 100 $ pro Stunde.

    Aufgenommen: Meta, Nemotron, Nova, DeepSeek.

    In ihren Listen: Meta: 2 · Nemotron: 2 · Nova: 9 · DeepSeek: 2

    Was jede KI angemerkt hat 4
    • MetaPlatz 2

      20–30 Claude-Code-Instanzen an einer Codebasis, mit einem einzigen Agenten für die Merge-Warteschlange — das ausgereifteste Ledger-/Übergabe-Modell, aber laut Berichten 100 Dollar pro Stunde an Token-Verbrauch

      Quelle ↗
    • NemotronPlatz 2

      Eine Flotte aus drei Agenten erreicht bei langen Terminal-Bench-Aufgaben 91% Bestehensquote — ein einzelner Agent fällt auf 67%

    • NovaPlatz 9

      Zusammengeführte Änderungen von Agenten signiert, vom Menschen angenommen

    • DeepSeekPlatz 2

      Sechs von sieben PRs wurden zusammengeführt, während der Prüfer beim Abendessen war; eine Woche später hinterließ dasselbe Setup 141 verwaiste Claude-Prozesse.

      Quelle ↗
    4 KIs setzten es hierher
    Quelle ↗
  2. 2

    Cursor-Agentenschwarm

    Jede Konfiguration baute SQLite neu und erreichte bei den Tests 100 %. Die Kosten der Arbeitsagenten lagen jedoch je nach Modellmischung zwischen 411 $ und 9.373 $, ein Unterschied um das 22-Fache. Eine Basis mit einem einzelnen Agenten gibt es nicht.

    Aufgenommen: Meta, Nemotron, Nova, DeepSeek.

    In ihren Listen: Meta: 6 · Nemotron: 5 · Nova: 6 · DeepSeek: 3

    Was jede KI angemerkt hat 4
    • MetaPlatz 6

      Cursor glänzt bei Korrekturaufgaben mit 80,4% gegenüber dem Einzelbetrieb — die Teamverteilung teilt das Kontingent, stößt aber an dieselbe Wochengrenze wie Claude Max

    • NemotronPlatz 5

      Parallelbetrieb direkt in der Entwicklungsumgebung (IDE) — 9 Prozentpunkte Gewinn, 1,6× Token, aber keine dokumentierte Nachrichtenübermittlung zwischen Agenten

    • NovaPlatz 6

      Leistung nach Aufgabenstufen, keine Team-Benchmarks

    • DeepSeekPlatz 3

      Derselbe SQLite-Test lief zu 100% durch, während die Worker-Ausgaben in einer Konfiguration 411 Dollar und in einer anderen 9.373 Dollar betrugen.

      Quelle ↗
    4 KIs setzten es hierher
    Quelle ↗
  3. 3

    OpenAI-Codex-Unteragenten

    Kein Gewinn bei etwa dem Dreifachen der Kosten. SWE-bench blieb in beiden Fällen bei 71,0 %, während sich die Tokens pro gelöster Aufgabe verdreifachten. Bei Terminal-Bench brachten 9,01 $ gegenüber 25,80 $ pro Aufgabe dieselben 71,67 %.

    Aufgenommen: Meta, Nemotron, Nova, DeepSeek.

    In ihren Listen: Meta: 4 · Nemotron: 3 · Nova: 5 · DeepSeek: 4

    Was jede KI angemerkt hat 4
    • MetaPlatz 4

      Codex schreibt, Claude prüft — 59,6–88,6% Annahmequote für Codex allein, 92,3% bei Dokumentation für Claude Code; die asymmetrische Paarung schlägt den Einzeleinsatz

      Quelle ↗
    • NemotronPlatz 3

      Ein Open-Source-Team erreicht bei CooperBench das Niveau proprietärer Systeme — doch die Nachrichten verbrauchen 38% der Token

      Quelle ↗
    • NovaPlatz 5

      Fokus auf einen Agenten, keine Kennzahlen zur Teamkoordination

    • DeepSeekPlatz 4

      Die Bestehensquote von Codex bewegte sich bei SWE-bench nicht — 71,0% in beiden Fällen —, doch neun Aufgaben ließen sich nur mit Parallelbetrieb lösen.

      Quelle ↗
    4 KIs setzten es hierher
    Quelle ↗
  4. 4

    Claude-Code-Agent-Teams

    Die Dokumentation von Anthropic besagt, dass ein Team im Planungsmodus etwa das Siebenfache der Tokens einer einzelnen Sitzung verbraucht. Ein einzelner CircleCI-Fehlertest ergab für das Team einen größeren Gewinn: 17,27 gegenüber 9,87 Punkten.

    Aufgenommen: Meta, Nova, DeepSeek. Nicht aufgenommen: Nemotron.

    In ihren Listen: Meta: 3 · Nova: 1 · DeepSeek: 5

    Was jede KI angemerkt hat 3
    • MetaPlatz 3

      Isolierte Kontextfenster mit 1 Mio. Token pro Teammitglied — laut Anthropic-Dokumentation 7-fach höherer Token-Aufwand im Planungsmodus, dafür ersetzen ausdrückliche Nachrichten blinde Konflikte

      Quelle ↗
    • NovaPlatz 1

      2,3 Punkte Gewinn durch parallele Worker bei 3,3× Token-Kosten, angenommene Zusammenführungen in Spool

      Quelle ↗
    • DeepSeekPlatz 5

      Eine App mit 52 Fehlern verbesserte sich im Team um 75% mehr, aber die Zweier-Paare bei CooperBench erreichten 25% gegenüber ∼50% allein.

      Quelle ↗
    3 KIs setzten es hierher
    Quelle ↗
  5. 5

    Kimi Code, parallele Agenten

    Koordiniert 300 Agenten bei 4- bis 8-fach niedrigeren Kosten als Spitzenmodelle, doch ein Blog berichtet, dass parallele Arbeiter dessen SWE-bench-Erfolgsquote von 77 % auf 59 % senkten. Diese Zahl stammt nur aus einer Quelle.

    Aufgenommen: Nemotron, Nova, DeepSeek. Nicht aufgenommen: Meta.

    In ihren Listen: Nemotron: 7 · Nova: 3 · DeepSeek: 7

    Was jede KI angemerkt hat 3
    • NemotronPlatz 7

      Der Parallelansatz von Moonshot — 2,3 Prozentpunkte Gewinn bei 1,4× Token, beste Effizienz, aber kurze Erfolgsbilanz

      Quelle ↗
    • NovaPlatz 3

      Keine veröffentlichten Team-Kennzahlen, wenig öffentliche Bilanz zusammengeführter Arbeit

    • DeepSeekPlatz 7

      Kimi kann 300 Agenten koordinieren und kostet 4–8× weniger, doch parallele Worker senken seine SWE-bench-Bestehensquote von 77% auf 59%.

      Quelle ↗
    3 KIs setzten es hierher
    Quelle ↗
  6. 6

    Claude Code, parallele Unteragenten

    Gegensätzliche Ergebnisse: Bei LoopsBench stiegen die vollständig gelösten Aufgaben auf das Dreifache (von 7,1 % auf 21,4 %), doch bei SWE-bench Verified fiel der Wert von 83,0 % auf 59,0 %. Dieser Rückgang ist größer als die in der Hauptaussage der Studie genannte Spanne von 11,9 Punkten und deshalb umstritten.

    Aufgenommen: Nova, DeepSeek. Nicht aufgenommen: Meta, Nemotron.

    In ihren Listen: Nova: 2 · DeepSeek: 8

    Was jede KI angemerkt hat 2
    • NovaPlatz 2

      11,9 Punkte Rückgang durch parallele Worker bei 1,4× Token-Kosten, wenig Nachrichtenaustausch

      Quelle ↗
    • DeepSeekPlatz 8

      Parallele Subagenten verdreifachten die LoopsBench-Lösungen von 7,1% auf 21,4%, während die SWE-bench-Bestehensquote von 83,0% auf 59,0% fiel.

      Quelle ↗
    2 KIs setzten es hierher
    Quelle ↗
  7. 7

    GitHub Copilot Agent HQ

    Betreibt Copilot, Claude und Codex nebeneinander in einem Code-Projekt, veröffentlicht aber keine Erfolgsquote für Team gegenüber einzelnem Agenten. Ob das Team den einzelnen Agenten schlägt, ist daher unbekannt.

    Aufgenommen: Nova, DeepSeek. Nicht aufgenommen: Meta, Nemotron.

    In ihren Listen: Nova: 4 · DeepSeek: 9

    Was jede KI angemerkt hat 2
    • NovaPlatz 4

      Keine öffentlichen Team-Benchmarks, stützt sich auf Nutzerberichte

    • DeepSeekPlatz 9

      Es stellt Copilot, Claude und Codex in einem Repo nebeneinander, veröffentlicht aber keine Erfolgsquote Team gegen Einzelbetrieb.

    2 KIs setzten es hierher
    keine Quelle angegeben
  8. 8

    MetaGPT / ChatDev

    Die älteren Rollenspiel-Teams verlieren gegen einen einzelnen Agenten: Dieser schlug sie bei 10 Aufgaben und verlor selbst bei einer. ChatDev erreichte bei ProgramDev nur 33,3 % Korrektheit.

    Aufgenommen: Nemotron, DeepSeek. Nicht aufgenommen: Meta, Nova.

    In ihren Listen: Nemotron: 8 · DeepSeek: 10

    Was jede KI angemerkt hat 2
    • NemotronPlatz 8

      Rollenspiel-Agenten (Produktmanagement, Entwicklung, Qualitätssicherung) — 8 Prozentpunkte Gewinn, aber 2,7× Token; 34% Mehraufwand durch Nachrichten

      Quelle ↗
    • DeepSeekPlatz 10

      ChatDev erreichte bei ProgramDev 33,3% Korrektheit — unter der Einzelagenten-Basislinie, die es eigentlich schlagen sollte.

      Quelle ↗
    2 KIs setzten es hierher
    Quelle ↗
  9. 9

    AgentRadio

    Der größte hier gemessene Gewinn: Vier Agenten, die über einen gemeinsamen Nachrichtenkanal verbunden waren, stiegen von 32,3 % bei einem einzelnen Agenten auf 62,1 % und schlugen damit ein neueres Einzelmodell mit 57,2 %. Nur eine Quelle berichtet das.

    Aufgenommen: DeepSeek. Nicht aufgenommen: Meta, Nemotron, Nova.

    In ihren Listen: DeepSeek: 1

    Was jede KI angemerkt hat 1
    • DeepSeekPlatz 1

      Vier Agenten auf einem asynchronen Nachrichtenbus hoben einen Einzelwert von 32,3% auf 62,1% — und schlugen ein neueres Einzelmodell mit 57,2%.

      Quelle ↗
    1 KIs setzten es hierher
    Quelle ↗

Mehr über die ersten drei ↓

02Mehr über die ersten drei

Das Ranking steht oben. Hier mehr über die drei ersten Plätze: was sie sind, warum sie hier stehen und was man wissen sollte.

Die drei werden nicht gleich gemessen: Gas Town hat den Bericht eines Nutzers über zusammengeführte Änderungen, Cursor hat bestandene SQLite-Tests ohne Vergleich mit einem einzelnen Agenten, und Codex hat Ergebnisse bei SWE-bench und Terminal-Bench.

1Gas Town

Nr. 1 — Gas Town. In den Listen von 4 von 4 KIs; mittlerer Platz dort: 2. Die KIs setzten es auf Platz eins, weil es die am weitesten entwickelte Methode zeigte, viele Agenten gemeinsam einzusetzen, auch wenn die Token-Kosten sehr hoch waren.

Schon gewusst?

  • Als der Bericht erschien, war Gas Towns Code erst 3 Wochen alt und wurde als vollständig „vibe coded“ beschrieben. Angeblich braucht es außerdem „Erfahrung mit KI-gestützter Entwicklung ab Stufe 7+“, es ist also nicht für Einsteiger gedacht.

    Quelle ↗
Was es ist
Ein Werkzeug, das 20–30 Claude-Code-Agenten gleichzeitig an einer Codebasis laufen lässt.
Seine Stärke
Zeigte echte zusammengeführte Arbeit: 6 von 7 Pull Requests an einem Abend.
Für wen
Passt zu erfahrenen Nutzern, die Token bezahlen können; nicht zu Einsteigern oder wer Stabilität braucht.
  • Gewinn für das Team im Verhältnis zu den Kosten6 von 7 Pull Requests zusammengeführt

Wikipedia · Wikidata

Warum es hier steht

  • Ein Nutzer gab Gas Town vor dem Abendessen 7 Aufgaben und fand 6 Pull Requests zusammengeführt vor. Das ist eine hohe Zusammenführungsquote für Agenten, die gemeinsam arbeiten, auch wenn ein Mensch die Arbeit trotzdem prüfen musste.

    Quelle ↗

  • Derselbe Nutzer entdeckte später 141 verwaiste Claude-Code-Prozesse, die auf einem MacBook Air mit 32 GB weiterliefen. Das ist der versteckte Preis, wenn viele Agenten gleichzeitig laufen: liegengebliebene Arbeit, die niemand bestellt hat.

    Quelle ↗
Schon gewusst?

  • Gas Town gibt seinen Agenten Berufsbezeichnungen aus einer fiktiven Endzeitwelt: Mayor, Polecats, Refinery, Witness, Deacon, Dogs und Crew. Es läuft auf tmux, ist in Go geschrieben und baut auf einem Werkzeug namens Beads auf.

    Quelle ↗
Gut zu wissen

  • Eine Recherche-Zusammenfassung nennt es chaotisch: Die Arbeit kann schlampig sein, Fehler werden mehrfach behoben. Wer Stabilität im Produktivbetrieb braucht, sollte es nicht nutzen. Laut Seite sollten Vielnutzer außerdem 100–300+ $ pro Monat einplanen.

    Quelle ↗

  • Dieselbe Seite schreibt, dass Hacker News sich stark uneins ist, ob sich die Token-Ausgaben lohnen. Das Werkzeug wird als „Geldschlucker“ bezeichnet, der bezahlte Agenten-Abos braucht.

    Quelle ↗
Weiterlesen

  • Öffnen Sie die README und lesen Sie die Liste der Agentenrollen, etwa den Mayor und die Polecats, um zu sehen, wer was macht. Schauen Sie dann, wie das Werkzeug Aufgaben in git-gestützten Hooks verfolgt, so sehen Sie, wie Agenten dort weitermachen, wo sie aufgehört haben.

    Quelle ↗
Die ersten drei vergleichen ↓

2Cursor-Agentenschwarm

Nr. 2 — Cursor-Agentenschwarm. In den Listen von 4 von 4 KIs; mittlerer Platz dort: 5.5. Die KIs setzten es auf Platz zwei, weil jede Anordnung 100 % bei den Tests erreichte, die Kosten aber stark schwankten und es keinen Vergleich mit einem einzelnen Agenten gibt.

Schon gewusst?

  • Der ältere Schwarm häufte mehr als 70.000 Zusammenführungskonflikte an. Eine einzige Datei hatte allein 7.771 Konflikte durch 1.173 Agenten. Im neuen Design hatte dieselbe Datei 47.

    Quelle ↗
Was es ist
Eine Cursor-Anordnung, in der Planer- und Arbeitsagenten SQLite nachbauten.
Seine Stärke
Jede Anordnung bestand alle Tests, und das neue Design hatte viel weniger Zusammenführungskonflikte.
Für wen
Passt zu Teams, die an Modellmischungen und Kosten interessiert sind; nicht zu denen, die einen Beweis gegen einen einzelnen Agenten wollen.
  • Gewinn für das Team im Verhältnis zu den Kosten100 % bestanden, 411–9.373 $
Warum es hier steht

  • Cursors Schwarm baute SQLite anhand eines Handbuchs nach. Flotten aus Arbeitern kosteten 411 $ mit Composer-2.5-Arbeitern unter einem Opus-Planer, gegenüber 9.373 $ mit GPT-5.5-Arbeitern. Die Kosten hängen stark davon ab, welche Modelle eingesetzt werden.

    Quelle ↗ ✓ von mehreren KIs bestätigt

  • Nach vier Stunden bestand der neue Schwarm 73 bis 85 Prozent der Tests, der alte 11 bis 77 Prozent. Jede neue Anordnung erreichte schließlich 100 Prozent. Bei den Opus-Läufen nutzte der neue Schwarm 4.645 Zeilen Code, der alte 19.013.

    Quelle ↗
Schon gewusst?

  • Cursors Schwarm baute SQLite in Rust nur anhand des 835-seitigen Handbuchs nach. Er hatte keinen Quellcode, keine Testsuite und kein Internet. Er wusste nicht, dass es den sqllogictest-Benchmark mit seinen Millionen SQL-Abfragen gibt.

    Quelle ↗
Geschichte

  • Anfang 2026 scheiterte Cursors erstes Design für den Browserbau: 20 Agenten wurden auf das Tempo von 2 oder 3 ausgebremst, weil sie meist aufeinander warteten. Der Wechsel zu Planern, Arbeitern und einem Bewerter behob das.

    Quelle ↗
Gut zu wissen

  • Cursor sagt, es habe die Einzelagenten-Läufe an der Spitze nur informell bewertet und ziehe daher keine Schlüsse zu deren Qualität. Ein fairer Vergleich mit einem einzelnen Agenten fehlt also.

    Quelle ↗
Was die Leute sagen

  • The difference is that a compiler preserves meaning at every step while the swarm is probabilistic at every one. — Cursor (company blog)

    Quelle ↗
Weiterlesen

  • Lesen Sie den Beitrag, um zu sehen, wie sich die Planer- und Arbeitsagenten die Aufgabe teilen. Suchen Sie dann die Tabelle mit den Modellmischungen und vergleichen Sie die Kosten jedes Laufs, um zu sehen, wie dasselbe Ergebnis sehr unterschiedlich viel kosten kann.

    Quelle ↗
Die ersten drei vergleichen ↓

3OpenAI-Codex-Unteragenten

Nr. 3 — OpenAI-Codex-Unteragenten. In den Listen von 4 von 4 KIs; mittlerer Platz dort: 4. Die KIs setzten es auf Platz drei, weil Unteragenten keinen Punktegewinn brachten, aber etwa dreimal so viele Token kosteten.

Schon gewusst?

  • Codex-Unteragenten sind standardmäßig begrenzt. Sechs Threads können gleichzeitig offen sein, und ein Unteragent kann keine eigenen Unteragenten starten, denn max_depth steht standardmäßig auf 1. Jeder eigene Agent ist nur eine kleine TOML-Datei.

    Quelle ↗
Was es ist
Eingebaute Unteragenten-Helfer im Programmier-Agenten Codex von OpenAI.
Seine Stärke
Gibt Ihnen klare Kontrolle: begrenzte Threads, begrenzte Tiefe und Unteragenten nur auf Ihre Anfrage.
Für wen
Passt zu Menschen, die Unteragenten sorgfältig testen wollen; nicht zu denen, die auf eine bessere Punktzahl hoffen.
  • Gewinn für das Team im Verhältnis zu den Kosten71,0 % in beiden Fällen, dreimal so viele Token
Schon gewusst?

  • Codex-Unteragenten sprechen nur Eltern zu Kind, nicht Gleichrangig zu Gleichrangig. Seit der Multi-Agent-v2-Version vom März 2026 haben sie pfadartige Adressen wie /root/agent_a.

    Quelle ↗
Geschichte

  • Am 16. März 2026 verließen Codex-Unteragenten die Vorschau hinter einem Feature-Flag und wurden allgemein verfügbar, nachdem sie wochenlang hinter dem Flag getestet worden waren.

    Quelle ↗
Gut zu wissen

  • Die eigenen Dokumente von OpenAI sagen, dass Arbeitsabläufe mit Unteragenten mehr Token verbrauchen als vergleichbare Läufe mit einem einzelnen Agenten. Jeder Unteragent erledigt seine eigene Modell- und Werkzeugarbeit.

    Quelle ↗

  • Codex startet Unteragenten nur, wenn Sie es direkt verlangen oder wenn Projekt- oder Skill-Anweisungen es vorsehen. Auf den meisten Intelligenzstufen müssen Sie sie selbst anfordern, die Mehrkosten sind also Ihre Entscheidung.

    Quelle ↗
Weiterlesen

  • Lesen Sie die Seite darüber, wie Unteragenten starten und wie viele gleichzeitig laufen können. Schauen Sie dann in die Einstellungen für das Thread-Limit und die Verschachtelungstiefe, denn sie bestimmen, wie viele parallele Helfer Sie bezahlen.

    Quelle ↗
Die ersten drei vergleichen ↓

Die ersten drei nebeneinander

Gas TownCursor-AgentenschwarmOpenAI-Codex-Unteragenten
In den KI-Listen4 / 44 / 44 / 4
Gewinn für das Team im Verhältnis zu den Kosten6 von 7 Pull Requests zusammengeführt100 % bestanden, 411–9.373 $71,0 % in beiden Fällen, dreimal so viele Token
Auf Platz 1 bei———

Plätze mit gleich vielen KIs sind nach ihrem durchschnittlichen Platz in den Listen der KIs geordnet.

Weitere Rankings

03Wissenswert

Was den KIs beim Erstellen der Liste aufgefallen ist.

Bei CooperBench verbrauchten die Agenten 15–20 % ihres Token-Budgets für Nachrichten untereinander. Das senkte die Konflikte beim Zusammenführen um etwa 30 %, erhöhte aber nicht den Anteil fertig gestellter Funktionen.

Bemerkt von:
Aufgenommen: Nova, DeepSeek. Nicht aufgenommen: Meta, Nemotron.
Quelle ↗

Menschliche Entwicklerpaare lösten unter denselben Regeln 9 von 10 CooperBench-Aufgaben, Agenten dagegen nur 3 von 10. Das Scheitern liegt an der Abstimmung, nicht an der Schwierigkeit des Programmierens.

Bemerkt von:
Aufgenommen: DeepSeek. Nicht aufgenommen: Meta, Nemotron, Nova.
Quelle ↗

Ein Codex-Lauf mit 1.393 Unteragenten kostete in etwa 19 Stunden rund 19.300 $. Ein Entwickler von OpenAI Codex sagte danach, dass mehr als zwei parallele Agenten so gut wie sicher Tokens verbrauchen, ohne die Qualität zu verbessern.

Bemerkt von:
Aufgenommen: Meta, DeepSeek. Nicht aufgenommen: Nemotron, Nova.
Quelle ↗

Vals AI fand heraus, dass das teuerste Team-Setup mit Opus 30-mal so viel kostete wie das günstigste (122 $ gegenüber 4,08 $) für einen Gewinn von 1,6 Punkten (93,2 gegenüber 91,5), der statistisch nicht signifikant war.

Bemerkt von:
Aufgenommen: DeepSeek. Nicht aufgenommen: Meta, Nemotron, Nova.
Quelle ↗

Der Rückgang bei CooperBench wird auf zwei Arten angegeben: etwa 50 % weniger als allein (25 % absoluter Erfolg) und „mindestens 30 % durchschnittlicher Rückgang“ in der Zusammenfassung. Das sind unterschiedliche Ausgangswerte, nicht dieselbe Zahl.

Bemerkt von:
Aufgenommen: Meta, DeepSeek. Nicht aufgenommen: Nemotron, Nova.
Quelle ↗

04Was Leute fragen

Was ist ein KI-Coding-Agent?

Ein KI-Coding-Agent ist ein modellgesteuertes Werkzeug, das ein Code-Projekt liest, Dateien bearbeitet, Tests laufen lässt und sich Schritt für Schritt einem Ziel nähert. Als CooperBench zwei solche Agenten bei 652 Aufgaben als Paar einsetzte, lösten sie nur in etwa 25 % der Fälle erfolgreich.

Quelle ↗
Wie arbeiten KI-Coding-Agenten?

Sie durchlaufen in Schleifen Planen, Bearbeiten, Tests laufen lassen und erneuten Versuch. Mit eingeschalteten parallelen Unteragenten steigt der Tokenverbrauch auf das 1,41- bis 3,31-Fache eines nacheinander laufenden Durchgangs, weil jeder Unteragent seinen eigenen Kontext lädt.

Quelle ↗
Können KI-Agenten zusammenarbeiten?

Ja, aber noch nicht gut. Zweier-Teams erreichten bei CooperBench etwa 25 %, also ungefähr die Hälfte eines einzelnen Agenten, der beide Funktionen erhält. Manche Zusammenfassungen nennen das einen Rückgang von 30 %, weil sie einen anderen Ausgangswert verwenden.

Quelle ↗
Wie arbeiten KI-Agenten zusammen?

Sie teilen Aufgabenlisten, schreiben einander und führen Entwicklungszweige zusammen. Gas Town koordiniert 20–30 Claude-Code-Instanzen über ein auf Git gestütztes Protokoll und eine einzige Warteschlange zum Zusammenführen.

Quelle ↗

05So haben wir gezählt

In einfachen Worten, ohne Formeln.

1Die Frage

Die 10 besten KI-Coding-Agent-Teams, geordnet danach, ob sie einen Agenten schlagen, der allein arbeitet

2Warum dieses Thema

Es stellt einen Kooperationstest, eine Studie zu den Token-Kosten und echte Aufzeichnungen zusammengeführter Arbeit nebeneinander, damit Sie sehen, wann ein Agenten-Team einen einzelnen Agenten tatsächlich schlägt und wann es vor allem Gerede erzeugt.

3Wofür es gilt

weltweit, KI-Softwareentwicklung

4Worauf wir geachtet haben

  • Erfolgsquote des Teams bei gemeinsamen Programmieraufgaben, neben einem einzelnen Agenten mit derselben Gesamtarbeit
  • Veränderung der Erfolgsquote, wenn parallele Arbeiter hinzugefügt werden, verglichen mit den zusätzlichen Tokens, die sie verbrauchen
  • Anteil des Budgets, der für Nachrichten der Agenten untereinander statt fürs Schreiben von Code ausgegeben wird
  • Ob das Setup über Tage läuft und ein Mensch jede Änderung annimmt, beurteilt nach dem öffentlichen Verlauf zusammengeführter, von den Agenten signierter Arbeit
  • CooperBench (Stanford University und SAP Labs US) — Erfolg eines Zweier-Teams bei 652 kooperativen Programmieraufgaben aus 12 Open-Source-Bibliotheken, gegenüber einem Agenten, der beide Funktionen erhält; Anteil der Tokens, der für Nachrichten ausgegeben wird
  • Studie zu parallelen Unteragenten, arXiv 2610.10263 (Codex, Claude Code, Kimi Code) — Veränderung der Erfolgsquote bei eingeschalteten parallelen Arbeitern (Rückgang um 11,9 Punkte bis Gewinn um 2,3 Punkte) und Tokenverbrauch (das 1,41- bis 3,31-Fache eines nacheinander laufenden Durchgangs)
  • Dokumentation von Anthropic zu Agenten-Teams in Claude Code — die eigene Beschreibung des Herstellers zum Tokenverbrauch eines Teams im Vergleich zu einer einzelnen Sitzung
  • Öffentliche Aufzeichnungen auf GitHub (Gas Town, Spool) — von Agenten signierte Änderungen, die ein Mensch zusammengeführt hat, getrennt von der Anzahl der Sterne

5Wer gerankt hat

Die führenden KIs: Meta, Nemotron, Nova, DeepSeek. Jede hat unabhängig ihre eigene Zehnerliste erstellt und für jeden Platz eine Quelle genannt.

6Wie die Plätze festgelegt wurden

Derselbe Eintrag, von verschiedenen KIs unterschiedlich formuliert, wurde als einer gezählt. Je mehr KIs einen Eintrag auf ihre Liste setzten und je höher, desto höher sein Platz. „Einigkeit der KIs“ zeigt, wie viele KIs ihn auf ihrer eigenen Liste hatten. Quellen sind nur die, die die KIs selbst gefunden haben; nichts wurde von Hand ergänzt.

06Die Liste jeder KI

🇺🇸 Meta10 Plätze · 3 Hinweise

Dieselbe Frage, allein von Meta beantwortet. Die endgültige Liste oben vereint alle KIs.

  1. 1
    Spool (enes-alatas/spool)

    Vier Claude-Schleifen bauten tagelang ihre eigene Fabrik — PRs mit „Co-Authored-By: Claude Opus 5.5“ wurden nach dem Austausch über Telegram/Slack zusammengeführt

    Quelle ↗
  2. 2
    Gas Town

    20–30 Claude-Code-Instanzen an einer Codebasis, mit einem einzigen Agenten für die Merge-Warteschlange — das ausgereifteste Ledger-/Übergabe-Modell, aber laut Berichten 100 Dollar pro Stunde an Token-Verbrauch

    Quelle ↗
  3. 3
    Claude-Code-Agententeams (nativ von Anthropic)

    Isolierte Kontextfenster mit 1 Mio. Token pro Teammitglied — laut Anthropic-Dokumentation 7-fach höherer Token-Aufwand im Planungsmodus, dafür ersetzen ausdrückliche Nachrichten blinde Konflikte

    Quelle ↗
  4. 4
    OpenAI Codex + Claude Code als Prüfpaar

    Codex schreibt, Claude prüft — 59,6–88,6% Annahmequote für Codex allein, 92,3% bei Dokumentation für Claude Code; die asymmetrische Paarung schlägt den Einzeleinsatz

    Quelle ↗
  5. 5
    Parallele Codex-Worker mit Git-Worktree

    Zwei parallele Agenten sind die Grenze — darüber hinaus eine 2,86-fache Rechnung für identische 71,67% bei Terminal-Bench 4.0

  6. 6
    Cursor-Agententeams

    Cursor glänzt bei Korrekturaufgaben mit 80,4% gegenüber dem Einzelbetrieb — die Teamverteilung teilt das Kontingent, stößt aber an dieselbe Wochengrenze wie Claude Max

  7. 7
    Factory / Droid (factory.ai)

    Kommerzielle Flotte über CLI, Desktop, Remote-Rechner und GitHub Actions — das Fabrikmuster, das Gas Towns Refinery inspirierte

  8. 8
    Omnigent (Meta-Harness von Databricks)

    Meta-Harness, das Claude Code, Codex und andere kombiniert — misst den Erfolg über 12 Open-Source-Bibliotheken, etwa CooperBenchs 652 Aufgaben

    Quelle ↗
  9. 9
    Beads + Shipmates-Ledger

    Beads ist ein Tracker, Gas Town ist eine Factory — dauerhafter Speicher plus Kanal zwischen Leitung und Team für die Freigabe durch einen Menschen

    Quelle ↗
  10. 10
    Allgemeine Zweiagenten-Basislinie (CooperBench: allein gegen Duo)

    Fluch der Koordination — 25% Erfolg, wenn zwei Agenten zusammenarbeiten, rund 50% weniger als bei einem Agenten, der beide Aufgaben allein erledigt

    Quelle ↗

Was Meta aufgefallen ist

CooperBench zeigt den Fluch der Koordination: 25% Teamerfolg gegenüber ∼50% allein bei 652 Aufgaben aus 12 Bibliotheken — ein durchschnittlicher Rückgang von etwa 30 %, der mit schlechter Kommunikation zusammenhängt

Quelle ↗

Die Parallelitätssteuer ist real: Mehr Worker verändern die Bestehensquote um −11,9 bis +2,3 Prozentpunkte, während sich die Token um das 1,4- bis 3,3-Fache vervielfachen; ein Terminal-Bench-Lauf zeigte bei gleichen 71,67% eine 2,86-fache Rechnung

Quelle ↗

Der Beleg von Spool: Vier Schleifen bauen Spool selbst seit Tagen weiter, PRs mit „Co-Authored-By: Claude Opus 5.5“, erreichbar über Telegram/Slack, nachdem der Laptop zugeklappt wurde — maßgeblich ist die öffentliche Bilanz zusammengeführter Änderungen, nicht die Sternezahl

Quelle ↗
🇺🇸 Nemotron10 Plätze · 2 Hinweise

Dieselbe Frage, allein von Nemotron beantwortet. Die endgültige Liste oben vereint alle KIs.

  1. 1
    Spool (2026)

    Vier Claude-Code-Agenten liefern seit Wochen täglich zusammengeführte PRs aus — der Mensch genehmigt nur, tippt nie selbst

  2. 2
    Gas Town (2026)

    Eine Flotte aus drei Agenten erreicht bei langen Terminal-Bench-Aufgaben 91% Bestehensquote — ein einzelner Agent fällt auf 67%

  3. 3
    OpenDevin Multi-Agent (2026)

    Ein Open-Source-Team erreicht bei CooperBench das Niveau proprietärer Systeme — doch die Nachrichten verbrauchen 38% der Token

    Quelle ↗
  4. 4
    Aider + Claude Code (Paar, 2026)

    Zwei verschiedene Werkzeuge, ein Repo — 14 Prozentpunkte Gewinn, aber 3,1× Token; die menschliche Prüfung wird zum Engpass

    Quelle ↗
  5. 5
    Cursor Background Agents (2026)

    Parallelbetrieb direkt in der Entwicklungsumgebung (IDE) — 9 Prozentpunkte Gewinn, 1,6× Token, aber keine dokumentierte Nachrichtenübermittlung zwischen Agenten

  6. 6
    Codex Multi-Session (2026)

    Der eigene Parallelansatz von OpenAI — 11,9 Prozentpunkte Rückgang bei konfliktreichen Aufgaben laut arXiv:2610.10263

    Quelle ↗
  7. 7
    Kimi Code Fleet (2026)

    Der Parallelansatz von Moonshot — 2,3 Prozentpunkte Gewinn bei 1,4× Token, beste Effizienz, aber kurze Erfolgsbilanz

    Quelle ↗
  8. 8
    MetaGPT Software Company (2026)

    Rollenspiel-Agenten (Produktmanagement, Entwicklung, Qualitätssicherung) — 8 Prozentpunkte Gewinn, aber 2,7× Token; 34% Mehraufwand durch Nachrichten

    Quelle ↗
  9. 9
    AutoGen Code Review Schwarm (2026)

    Vier Prüfer, ein Autor — 6 Prozentpunkte Gewinn, 2,2× Token, 28% Nachrichten; stark darin, Rückschritte zu erkennen

    Quelle ↗
  10. 10
    LangGraph Multi-Agent Dev (2026)

    Per Graph gesteuert — 5 Prozentpunkte Gewinn, 2,5× Token, 30% Nachrichten; flexibel, aber aufwendig in der Fehlersuche

    Quelle ↗

Was Nemotron aufgefallen ist

Der Nachrichten-Mehraufwand schwankt je nach Team zwischen 0 und 47% — Cursor mit 0% (keine Nachrichten) ist bei der Token-Effizienz besser als Codex mit 47%, verliert aber bei der Konfliktlösung

Quelle ↗

Der Token-Mehraufwand von 1,4–3,3× bedeutet: Ein „günstiges“ 1,4×-Team (Kimi) kann bei schweren Aufgaben weniger kosten als ein „teurer“ 3,3×-Einzellauf

Quelle ↗
🇺🇸 Nova10 Plätze · 1 Hinweise

Dieselbe Frage, allein von Nova beantwortet. Die endgültige Liste oben vereint alle KIs.

  1. 1
    Claude Code Teams

    2,3 Punkte Gewinn durch parallele Worker bei 3,3× Token-Kosten, angenommene Zusammenführungen in Spool

    Quelle ↗
  2. 2
    Codex Parallel Workers

    11,9 Punkte Rückgang durch parallele Worker bei 1,4× Token-Kosten, wenig Nachrichtenaustausch

    Quelle ↗
  3. 3
    Kimi Code Teams

    Keine veröffentlichten Team-Kennzahlen, wenig öffentliche Bilanz zusammengeführter Arbeit

  4. 4
    GitHub Copilot Teams

    Keine öffentlichen Team-Benchmarks, stützt sich auf Nutzerberichte

  5. 5
    Devin Autonomous Agent

    Fokus auf einen Agenten, keine Kennzahlen zur Teamkoordination

  6. 6
    Cursor AI Teams

    Leistung nach Aufgabenstufen, keine Team-Benchmarks

  7. 7
    OpenCode Teams

    Open Source, wenige Kennzahlen zur Koordination

    Quelle ↗
  8. 8
    Hermes AI Teams

    Frühes Stadium, keine öffentlichen Benchmarks

  9. 9
    Gas Town: öffentliche Bilanz

    Zusammengeführte Änderungen von Agenten signiert, vom Menschen angenommen

  10. 10
    Spool: öffentliche Bilanz

    Zusammengeführte Änderungen von Agenten signiert, vom Menschen angenommen

Was Nova aufgefallen ist

Claude-Code-Teams zeigen einen Gewinn von 2,3 Punkten durch parallele Worker, aber bei 3,3× Token-Kosten

Quelle ↗
🇨🇳 DeepSeek10 Plätze · 4 Hinweise

Dieselbe Frage, allein von DeepSeek beantwortet. Die endgültige Liste oben vereint alle KIs.

  1. 1
    AgentRadio (2026)

    Vier Agenten auf einem asynchronen Nachrichtenbus hoben einen Einzelwert von 32,3% auf 62,1% — und schlugen ein neueres Einzelmodell mit 57,2%.

    Quelle ↗
  2. 2
    Gas Town (2026)

    Sechs von sieben PRs wurden zusammengeführt, während der Prüfer beim Abendessen war; eine Woche später hinterließ dasselbe Setup 141 verwaiste Claude-Prozesse.

    Quelle ↗
  3. 3
    Cursor Agent Schwarm (2026)

    Derselbe SQLite-Test lief zu 100% durch, während die Worker-Ausgaben in einer Konfiguration 411 Dollar und in einer anderen 9.373 Dollar betrugen.

    Quelle ↗
  4. 4
    OpenAI Codex dynamische Parallelität (2026)

    Die Bestehensquote von Codex bewegte sich bei SWE-bench nicht — 71,0% in beiden Fällen —, doch neun Aufgaben ließen sich nur mit Parallelbetrieb lösen.

    Quelle ↗
  5. 5
    Claude Code Agent Teams (2026)

    Eine App mit 52 Fehlern verbesserte sich im Team um 75% mehr, aber die Zweier-Paare bei CooperBench erreichten 25% gegenüber ∼50% allein.

    Quelle ↗
  6. 6
    Spool (2026)

    Vier dauerhafte Claude-Code-Schleifen, erreichbar über Slack und Telegram, arbeiten weiter, nachdem der Laptop zugeklappt wird — und ein Nutzer sah zu, wie 70 Subagenten ein ganzes Kontingent aufbrauchten.

    Quelle ↗
  7. 7
    Kimi Code parallele Agenten (2026)

    Kimi kann 300 Agenten koordinieren und kostet 4–8× weniger, doch parallele Worker senken seine SWE-bench-Bestehensquote von 77% auf 59%.

    Quelle ↗
  8. 8
    Claude Code dynamische Parallelität (2026)

    Parallele Subagenten verdreifachten die LoopsBench-Lösungen von 7,1% auf 21,4%, während die SWE-bench-Bestehensquote von 83,0% auf 59,0% fiel.

    Quelle ↗
  9. 9
    GitHub Copilot Agent HQ (2026)

    Es stellt Copilot, Claude und Codex in einem Repo nebeneinander, veröffentlicht aber keine Erfolgsquote Team gegen Einzelbetrieb.

  10. 10
    MetaGPT / ChatDev (2026)

    ChatDev erreichte bei ProgramDev 33,3% Korrektheit — unter der Einzelagenten-Basislinie, die es eigentlich schlagen sollte.

    Quelle ↗

Was DeepSeek aufgefallen ist

Die schärfste Zahl bei CooperBench ist nicht die 25% für Zweier-Agenten: Menschliche Entwicklerpaare lösten 9 von 10 Aufgaben unter denselben Koordinationsbedingungen, unter denen Agenten nur 3 von 10 schafften. Das Scheitern liegt also an der Koordination, nicht an der Schwierigkeit des Programmierens.

Quelle ↗

Vals AI stellte fest, dass die teuerste Opus-Konfiguration das 30-Fache der günstigsten kostete, bei einem Gewinn von 1,6 Punkten — 122 Dollar und 93,2 gegenüber 4,08 Dollar und 91,5 —, und dass dieser Unterschied von 1,6 Punkten statistisch nicht signifikant war.

Quelle ↗

Ein Codex-Lauf mit 1.393 Subagenten überarbeitete in rund 19 Stunden 1,06 Mio. Python-Zeilen ohne Testdateien und reduzierte sie um 34,4% — für rund 19.300 Dollar. Ein Entwickler bei OpenAI Codex sagte öffentlich, ein einzelner Agent hätte das für einen Bruchteil der Kosten geschafft.

Quelle ↗

Der Cursor-Schwarm zeigt, dass sich die Wirtschaftlichkeit eines Teams allein durch die Modellmischung umkehren kann: Dieselbe Qualität kostete 411 Dollar mit einem Spitzenmodell als Planer und günstigen Workern, gegenüber 9.373 Dollar, wenn auch die Worker Spitzenmodelle waren.

Quelle ↗