Vergleich · RabbitMQ

RabbitMQ vs. Kafka vs. NATS für KI-Agenten

Agentensysteme erzeugen auf einem Broker drei Arten von Traffic: Arbeit, die ein Agent oder Worker an einen anderen übergibt, Tool-Calls, die eine Antwort brauchen, und Events, die andere Agenten oder Auditoren später lesen. RabbitMQ, Apache Kafka und NATS decken davon jeweils einen Teil nativ ab und überlassen den Rest dem Anwendungscode. Diese Seite vergleicht die drei anhand dieser Anforderungen, auf Basis der Dokumentation jedes Projekts und der Seiten der jeweiligen Anbieter, Stand 10. Oktober 2026.

Tyler Eastridge

Von Tyler Eastridge, Head of Operations

LinkedIn · Aktualisiert am · 7 Min. Lesezeit · 9 Abschnitte

Auf dieser Seite

Die kurze Antwort

Die kurze Antwort

Wählen Sie RabbitMQ, wenn Agenten Jobs übergeben, die Sekunden oder Minuten laufen und nicht verloren gehen dürfen: Acknowledgements pro Nachricht, Redelivery, Consumer-Timeouts, Dead-Lettering und Routing per Exchange sind Broker-Funktionen, und Direct Reply-To deckt Request-Reply ab. Wählen Sie Kafka, wenn die Event-Historie das eigentliche Produkt ist: Agenten lesen ein aufbewahrtes Log und spielen es per Replay erneut ab, Stream Processing läuft direkt daneben, und mit Kafka 4.2 sind Share Groups für Queue-artige Arbeit produktionsreif. Wählen Sie NATS, wenn Agenten über Clouds, Standorte und Geräte verteilt sind und der Großteil des Traffics Request-Reply oder Fan-out ist; JetStream ergänzt bei Bedarf Persistenz. Nichts spricht dagegen, zwei Systeme zu betreiben: ein Log für Events und eine Queue für Arbeit.

RabbitMQ, Kafka und NATS: Was Agentensysteme brauchen

RabbitMQ, Kafka und NATS: Was Agentensysteme brauchen
RabbitMQApache KafkaNATS mit JetStream
Task-ÜbergabeAcknowledgements pro Nachricht; unbestätigte Nachrichten werden beim Schließen eines Channels erneut eingereihtOffsets pro Partition; Share Groups ergänzen Accept, Reject und ab 4.2 Renew pro RecordJetStream-Consumer bestätigen jede Nachricht; Core NATS kennt keine Acknowledgements
Lang laufende ArbeitConsumer-Timeout, standardmäßig 30 Minuten, pro Queue oder pro Consumer einstellbarRecord-Lock der Share Group, standardmäßig 30 Sekunden, per Renew verlängerbarAckWait, standardmäßig 30 Sekunden, durch In-Progress-Acknowledgements zurückgesetzt
Poison MessagesQuorum Queues leiten standardmäßig nach 20 Zustellungen in Dead-Letter umShare Groups brechen standardmäßig nach 5 Zustellversuchen abMaxDeliver und Backoff pro Consumer; term beendet Retries
Request-ReplyIntegriert: Direct Reply-To, keine Reply-QueueNicht integriert; Request- und Reply-Topics im Code korrelierenIntegriert: Antworten an ein _INBOX-Subject, mit No-Responders-Signal
RoutingTopic und Headers Exchanges; Bindings ändern sich, ohne Producer anzufassenTopic und Partition Key; Filterung erfolgt in den ConsumernSubject-Hierarchie mit Wildcards; Queue Groups verteilen die Last
ReplayStreams erlauben Replay; Queues löschen beim AcknowledgementKerndesign: aufbewahrtes Log, standardmäßig sieben TageStreams erlauben Replay ab Anfang, Sequenznummer oder Zeitpunkt
ReihenfolgeQueue hält die Veröffentlichungsreihenfolge; Redeliveries können außer der Reihe ankommenInnerhalb einer PartitionStream-Sequenznummer pro gespeicherter Nachricht
BackpressureConsumer-Prefetch; Publisher werden durch Flow Control und Alarme blockiertConsumer holen Daten in ihrem eigenen Tempo abMaxAckPending, standardmäßig 1.000
Tabelle · RabbitMQ, Kafka und NATS: Was Agentensysteme brauchen. Auf kleinen Bildschirmen seitlich scrollen.

Was ein Agentensystem von einem Broker verlangt

Agentenprotokolle ersetzen den Broker nicht. Das Model Context Protocol definiert zwei Standard-Transports, stdio und Streamable HTTP, und erlaubt eigene. Tool-Calls zwischen einem Agenten und einem MCP-Server laufen daher normalerweise über stdio oder HTTP statt über einen Broker. Der Broker transportiert alles drumherum: Jobs in der Queue für Worker, Ergebnisse zurück an den anfragenden Agenten, Events im Fan-out an andere Agenten und eine Aufzeichnung dessen, was passiert ist. Jedem dieser Punkte entspricht eine Broker-Eigenschaft: Acknowledgement und Redelivery, Request-Reply, Routing sowie Retention mit Replay.

Task-Übergabe und lang laufende Arbeit

Agenten-Tasks sind langsam, denn ein einzelner Schritt kann minutenlang auf ein Modell warten. RabbitMQ hält eine Zustellung, bis der Consumer sie bestätigt, und gibt sie an die Queue zurück, wenn der Consumer verschwindet oder den Consumer-Timeout überschreitet. Seit RabbitMQ 4.3 lässt sich dieser bei Quorum Queues pro Queue oder pro Consumer festlegen. Prefetch begrenzt, wie viele Jobs ein Worker gleichzeitig hält. Python-Teams nutzen das meist über Celery; unser Leitfaden zu Celery und RabbitMQ für LLM-Task-Queues erläutert die Einstellungen.

Kafka-Consumer-Groups führen einen committeten Offset pro Partition. Ein langsamer Record verzögert daher meist die nachfolgenden Records in dieser Partition. Share Groups, seit Kafka 4.2 produktionsreif, lassen mehrere Consumer dieselben Partitionen bearbeiten, mit Acknowledgement und Zustellzählung pro Record. Der Record-Lock beträgt standardmäßig 30 Sekunden und ist bis zu einer Stunde konfigurierbar; 4.2 ergänzte ein Renew-Acknowledgement für längere Verarbeitung. NATS JetStream stellt nach AckWait erneut zu, standardmäßig nach 30 Sekunden, und ein In-Progress-Acknowledgement setzt den Timer bei langen Jobs zurück. Ein WorkQueue-Stream löscht jede Nachricht nach einem Acknowledgement.

Request-Reply für Tool-Calls

Ruft ein Agent ein Tool über einen Broker auf, braucht er die Antwort zurück. NATS hat Request-Reply im Kernprotokoll: Der Client erzeugt ein privates _INBOX-Subject, der Responder antwortet darauf, und ist niemand abonniert, meldet der Server sofort „no responders“, statt den Aufrufer in einen Timeout laufen zu lassen. Das Open-Source-Agent-Protocol für NATS von Synadia baut Agent Discovery, gestreamte Antworten und Heartbeats auf diesen Primitiven auf und dokumentiert seine Zustellung als At-most-once. RabbitMQ Direct Reply-To stellt Antworten an den Channel des Anfragenden zu, ohne eine Reply-Queue anzulegen. So bleibt Request-Reply auch bei Zehntausenden Clients günstig. Kafka hat kein Request-Reply-Primitiv; Anwendungen kombinieren ein Request-Topic mit einem Reply-Topic und korrelieren die Nachrichten selbst.

Routing nach Fähigkeiten

Routing entscheidet, welcher Agent oder Worker-Pool einen Task erhält: nach Skill, Modell, Mandant oder GPU-Klasse. RabbitMQ erledigt das auf dem Broker. Eine Topic Exchange gleicht Routing Keys wie agent.summarize.gpu mit Bindings ab, die die Wildcards * und # nutzen. Ein neuer spezialisierter Agent ist damit einfach ein neues Binding, und die Producer bleiben unverändert. NATS-Subjects bieten mit den Wildcards * und > ähnliche Flexibilität, und Queue Groups verteilen Anfragen auf die Instanzen eines Agenten. Kafka routet per Topic und Partition Key; eine feinere Auswahl erfolgt in den Consumern oder im Stream Processing. Das eignet sich besser für den Fan-out von Events als für die Zuteilung einzelner Tasks.

Reaktionszeitziele ab 15 Minuten, je nach Plan. Namentlich zugeordnete Senior Engineers.

Kontakt

Replay, Reihenfolge und Backpressure

Replay ist wichtig, wenn ein neuer Agent die Historie nachholen oder ein Durchlauf auditiert werden muss. Es ist das Kerndesign von Kafka: Records bleiben erhalten, bis die Retention sie entfernt, standardmäßig nach sieben Tagen, und jede Consumer Group liest an ihrem eigenen Offset, innerhalb einer Partition in Reihenfolge. Streams in RabbitMQ und NATS JetStream bieten beide nicht-destruktives Lesen und Replay; RabbitMQ-Queues löschen Nachrichten nach dem Acknowledgement. Bei Backpressure begrenzt RabbitMQ unbestätigte Zustellungen pro Consumer und bremst schnelle Publisher per Flow Control aus, JetStream deckelt Nachrichten in Bearbeitung mit MaxAckPending, und Kafka-Consumer holen Daten schlicht in ihrem eigenen Tempo ab, während das Log Lastspitzen abfängt.

KI-Tooling rund um die einzelnen Broker

Anbieter liefern inzwischen Agenten-Tooling auf Basis dieser Broker. Beschrieben anhand der Seiten der jeweiligen Anbieter:

  • Confluent: Streaming Agents sind ereignisgesteuerte Agenten, die auf Flink in Confluent Cloud laufen, mit MCP-Tool-Calling und Replay zum Debuggen. Der Open-Source-MCP-Server ermöglicht KI-Assistenten die Arbeit mit Confluent Cloud, Confluent Platform und Apache Kafka; eine vollständig verwaltete Version gibt es ebenfalls.
  • Synadia, das Unternehmen hinter NATS: das Open-Source-Agent Protocol für NATS sowie Agenten-SDKs für Python und TypeScript.
  • Solace: Solace Agent Mesh, eine Entwicklungs- und Laufzeitplattform für Agenten auf dem Event Broker von Solace, mit Open-Source-Framework und Unterstützung für A2A und MCP.
  • StreamNative: Orca Agent Engine, in Private Preview, betreibt Agenten auf Basis von Google ADK und OpenAI Agents SDK auf Pulsar- und Kafka-Topics in StreamNative Cloud.
  • Redis: Redis Agent Memory, in Preview, speichert Session- und Langzeitgedächtnis für Agenten. Es ist ein Memory-Service, kein Broker.

Agenten erreichen RabbitMQ über die Standard-Clients und -Protokolle, darunter AMQP 0-9-1, AMQP 1.0 und MQTT, sowie über Task-Frameworks wie Celery.

Redis Streams, Pulsar und Cloud-Queues

Redis Streams bieten Consumer Groups, Acknowledgements und das Übernehmen hängender Einträge. Das reicht für eine leichte Task-Übergabe, wo Redis ohnehin läuft; die Dauerhaftigkeit hängt von den Persistenz-Einstellungen ab. Apache Pulsar bietet Shared- und Key_Shared-Subscriptions mit einzelnen und negativen Acknowledgements und liegt damit näher an Queue-Semantik als klassische Kafka-Consumer. Amazon SQS braucht überhaupt keinen Broker, doch eine Nachricht ist höchstens 12 Stunden unsichtbar, während ein Consumer sie bearbeitet, und wird höchstens 14 Tage aufbewahrt.

Wann welcher Broker gewinnt

  1. Agenten übergeben lange, teure Jobs, die nicht verloren gehen dürfen? RabbitMQ mit Quorum Queues oder Kafka Share Groups, wenn Kafka bereits die Plattform ist.
  2. Tool-Calls und Anfragen zwischen Agenten über Clouds, Standorte und Geräte hinweg? NATS.
  3. Agenten reagieren auf Business-Events, und neue Agenten müssen die Historie per Replay nachholen? Kafka.
  4. Routing nach Skill, Modell oder Mandant, ohne Producer zu ändern? RabbitMQ-Exchanges oder NATS-Subjects.
  5. Ein kleines Team, das ein schlankes System für Messaging, Persistenz und Key-Value-Store sucht? NATS mit JetStream.

Mehr zur RabbitMQ-Seite finden Sie unter RabbitMQ für KI-Workloads und im Leitfaden zu RabbitMQ für KI-Agenten. AceMQ bietet 24/7 RabbitMQ-Support und Kafka-Support – unsere Empfehlung hängt also nicht davon ab, welchen Broker Sie wählen.

So haben wir verglichen

Wir haben RabbitMQ, Apache Kafka und NATS mit JetStream anhand von acht Anforderungen verglichen, die ein Agentensystem an einen Broker stellt: Task-Übergabe, lang laufende Arbeit, Poison Messages, Request-Reply, Routing, Replay, Reihenfolge und Backpressure. Die Fakten stammen aus der Dokumentation der jeweiligen Projekte und von den Seiten der jeweiligen Anbieter, geprüft am 10. Oktober 2026. Das KI-Tooling rund um die einzelnen Broker behandeln wir in einem eigenen Abschnitt, getrennt vom Zustellverhalten des Brokers. Standardwerte und Tooling ändern sich schnell. Prüfen Sie sie daher für die Version, die Sie einsetzen wollen.

Häufig gestellte Fragen

Welcher Message Broker eignet sich am besten für KI-Agenten?

Das hängt vom Traffic ab. RabbitMQ passt zur Task-Übergabe mit Acknowledgements und Routing, Kafka zu Event-Streams, die Agenten per Replay erneut abspielen, und NATS zu Request-Reply und Fan-out über verteilte Standorte. Manche Systeme betreiben ein Log und eine Queue nebeneinander.

Lässt sich Kafka als Task-Queue für KI-Agenten nutzen?

Ja, über Share Groups, die seit Kafka 4.2 produktionsreif sind. Sie ergänzen Acknowledgement pro Record, Zustellzählung und Lock-Verlängerung, sodass mehrere Consumer Records aus denselben Partitionen verarbeiten können.

Garantiert NATS die Zustellung von Agenten-Nachrichten?

Core NATS stellt höchstens einmal an die zum jeweiligen Zeitpunkt verbundenen Subscriber zu. JetStream ergänzt Speicherung, Acknowledgements, Redelivery und Replay.

Brauchen KI-Agenten einen Message Broker, wenn sie MCP nutzen?

MCP definiert, wie ein Agent mit einem Tool-Server kommuniziert, über stdio oder HTTP. Ein Broker bleibt dennoch nützlich, um lange Jobs in eine Queue zu stellen, Events per Fan-out zu verteilen und eine per Replay abspielbare Aufzeichnung vorzuhalten.

Kostenlose Beratung

Lassen Sie Experten auf Ihre RabbitMQ-Cluster-Umgebung schauen

Ob Sie einen Produktionsvorfall beheben, eine Migration planen oder eine zweite Meinung zu Ihrer Architektur wünschen – unser Team steht bereit. Kein Verkaufsgespräch, nur Antworten.

E-Mail schreiben