Agenten in Schleifen arbeiten

„Ich prompte Claude nicht mehr. Bei mir laufen Loops, die Claude prompten und herausfinden, was zu tun ist. Mein Job ist es, Loops zu schreiben.“ Das sagte Boris Cherny, der Schöpfer von Claude Code. Addy Osmani, Engineering-Lead bei Google Chrome, ergänzte: „Loop Engineering heißt, dich selbst dort zu ersetzen, wo du sonst den Agenten promptest. Du entwirfst das System, das es an deiner Stelle tut.“ Anzeige Anzeige Klingt, als sei Prompt-Engineering tot. Das ist es nicht, aber es entwickelt sich weiter. Loop-Engineering ist eine neue Arbeitstechnik, die das Prompten und die Einrichtung von KI-Agenten um eine Ebene erweitert. Das Schwierige ist nicht, einen Loop zu starten, sondern aus ihm ein brauchbares Ergebnis zu holen. Dieser Beitrag zeigt, wie Loops funktionieren, welche Loop-Typen es gibt und wie du deinen ersten eigenen Loop aufsetzen kannst. Was ist Loop-Engineering? Beim Loop-Engineering baust du im Grunde ein Rückkopplungssystem: Es vollzieht eine Aktion, misst das Ergebnis und leitet daraus die nächste Aktion ab. Das Prinzip ist nicht neu, eines der ersten dokumentierten Systeme dieser Art entstand schon in den 1620er Jahren: Damals baute der Holländer Cornelis Drebbel einen Brutkasten für Hühnereier, der die Temperatur selbst hielt: Dehnt sich das Quecksilber in der Hitze aus, drückt es eine Klappe im Ofenrohr zu; kühlt es ab, öffnet sie sich. Anzeige Anzeige Im Coding-Bereich gab der Entwickler Geoffrey Huntley dem Muster 2025 einen Simpsons-Namen: Ralph Wiggum, die Figur, die niemals aufgibt. Die Ralph-Technik ist eine Bash-Zeile, die einem Coding-Agenten denselben Prompt vorsetzt, bis das Ergebnis trägt. Binnen eines Jahres wurden daraus Produktfunktionen: /goal in Codex beschreibt einen Zielzustand samt Prüfkriterium, Claude Code zog mit /goal, /loop und /schedule nach. Warum zuerst im Code? Tests und Compiler liefern in Sekunden ein ehrliches Signal. Andrej Karpathy, KI-Forscher und einer der Gründer von OpenAI, erklärt in „From Vibe Coding to Agentic Engineering“: Modelle werden dort am schnellsten besser, wo die Labore per Reinforcement Learning mit automatisch verifizierbaren Ergebnissen trainieren. Ein günstiger, ehrlicher Messwert ist die Kernbedingung für jeden Loop. Und den gibt es weit über den Code hinaus: stimmige Summen, erreichbare Links, belegte Aussagen. Laut Claude-Code-Team: Diese vier Loop-Typen gibt es Die beste Einteilung liefert „Getting started with loops“ vom Claude-Code-Team. Ein Loop ist demnach ein Agent, der Arbeitsdurchläufe wiederholt, bis ein Stopp-Kriterium greift. Schrittweise Loops: Du stellst eine Aufgabe, liest die Antwort, verbesserst sie, das Modell versucht es erneut. Das Stopp-Kriterium hier bist du, wenn du sagst: „Gut, passt so“. Sobald du diesen Zyklus bewusst drehst, etwa das Modell anweist, die Antwort nach bestimmten Kriterien zu bewerten und nachzubessern, betreibst du schon halbes Loop-Engineering. Ziel-Loops sind das klassische /goal, sie stoppen bei einem prüfbaren Ziel oder Versuchslimit. Zeit-Loops laufen nach Plan. Und proaktive Loops starten bei einem Ereignis: Ein Test fällt durch, der Agent repariert. Prompts sind damit nicht erledigt: Den Loop beauftragst du per Prompt, für Einzelaufgaben genügt meist ein sauberer Einzelprompt; OpenAI positioniert /goal für lange, mehrschrittige Aufgaben. Anzeige Anzeige Empfohlene redaktionelle Inhalte Hier findest du externe Inhalte von Podigee GmbH, die unser redaktionelles Angebot auf t3n.de ergänzen. Mit dem Klick auf "Inhalte anzeigen" erklärst du dich einverstanden, dass wir dir jetzt und in Zukunft Inhalte von Podigee GmbH auf unseren Seiten anzeigen dürfen. Dabei können personenbezogene Daten an Plattformen von Drittanbietern übermittelt werden. Hinweis zum Datenschutz Leider ist etwas schief gelaufen... An dieser Stelle findest du normalerweise externe Inhalte von Podigee GmbH, jedoch konnten wir deine Consent-Einstellungen nicht abrufen. Lade die Seite neu oder passe deine Consent-Einstellungen manuell an. Wie funktionieren Loops in der Praxis? Zwei Beispiele für Zeit-Loops: Mein Agent Hermes schickt mir jeden Tag zwei Zusammenstellungen nach Telegram. Die erste mit Börsendaten – ein festes Format, das sich nicht ändert, und trotzdem ein Loop: Hermes startet täglich, liefert und lässt mich eingreifen, wenn etwas nicht funktioniert. Die zweite Zusammenstellung ist eine Nachrichtenauswahl. Ich lese die Sammlung, sage dem Agenten, was gelungen ist und was fehlt, und er arbeitet die Rückmeldung in seine Such- und Schreib-Skills ein. Am nächsten Tag bekomme ich eine andere Auswahl. Gergely Orosz (Autor des Newsletters The Pragmatic Engineer) wertete im Juli 2026 in „What is loop engineering?“ rund 210 Entwickler-Antworten aus. In der Praxis dominieren Ereignis- und Zeitplan-Loops. Drei Enttäuschungen treten häufig auf: Agenten driften erstens bei langen Läufen ab. Loops fressen zweitens teure Tokens, da jede Iteration ein voller Agenten-Durchlauf ist. Und drittens schlägt ein Mensch im Loop oft die volle Autonomie vor: Er ist der günstigste Sensor für alles, was sich maschinell nicht prüfen lässt. Anzeige Anzeige Karpathy nennt den Grund „Jagged Intelligence“ (auf Deutsch: gezackte Intelligenz): Dasselbe Modell, das 100.000 Zeilen Code refaktoriert, schlägt vor, die 50 Meter zur Autowäsche zu Fuß zu gehen. Ein Loop erbt diese „Zacken“, bemerkt sie aber nicht; der Mensch daneben schon. Drift: Woran Loops scheitern können An der Bequemlichkeit: Einen Loop zu starten, ist leicht, eine gute Prüfung zu entwerfen, ist Arbeit. Mein Beispiel: Ich versuche, einen Threads-Account zu KI-Nachrichten aufzubauen, bestückt von meinem selbst gebauten Agenten Hermes. Morgens analysiert er den Kanal und legt zehn Entwurfs-Threads vor; ich wähle aus, redigiere, veröffentliche. Über Nacht vergleicht er meine Fassungen mit seinen Entwürfen und schärft seine Skills. Nach ein paar Tagen stutzte ich. Alle Threads bestanden aus drei Beiträgen, die Einstiege glichen sich, die Themen rutschten ab in Richtung „KI in der Wissenschaft“. Hermes hatte als Prüfer nicht meinen Geschmack gesehen, den kann er nicht sehen. Er sah nur dessen Schatten: Länge, Einstiegsmuster, ein Thema, das kurz gut lief. Und optimierte die weiter. Goodharts Gesetz in Aktion: Sobald eine Messgröße zum Ziel wird, taugt sie nicht mehr als Messgröße. Anzeige Anzeige Taugt eine KI, um Loops zu prüfen? Die Prüfung von KI-Loops übernimmt häufig eine zweite KI. Das hat seine Grenzen. Das zeigt das Paper „More Convincing, Not More Correct“ von Chenyu Zhou (Juli 2026). Ein Modell löste Mathematikaufgaben, ein zweites urteilte als Richter, ohne die richtige Antwort zu kennen; das lösende Modell wurde trainiert, die Zustimmung des Richters zu gewinnen. Im Hintergrund maß ein versteckter Faktenprüfer allerdings still die Wahrheit. Das Ergebnis: Die Zustimmung des Richters stieg von 72 auf 94 Prozent – von außen sah es also aus, als würde das System klüger. Die echte, gemessene Korrektheit blieb jedoch bei rund 20 Prozent stehen. Das Modell lernte also nicht, besser zu lösen, sondern nur, überzeugender auszusehen. Selbst als das Gremium auf drei Richter anwuchs, winkte es rund 55 Prozent der falschen Antworten durch. Mein Threads-Fall ist die Alltagsversion dieses Loop-Mechanismus: Ein Richter ohne Realitätszugang bewertet dabei Plausibilität. Diese ist trainierbar – aber nicht das, was wir eigentlich wollen. Ein Todesurteil für Loops? Nein. Dieselbe Studie zeigt nämlich auch: Löst der Richter die Aufgabe zuerst selbst und vergleicht dann, fällt die Quote fälschlich durchgewinkter Antworten von 71,9 auf 1,2 Prozent. Das bedeutet, dass jeder komplexer Loop eine Regel befolgen sollte: Jede Iteration braucht Information, die es in der vorherigen nicht gab, einen Codelauf, eine Quellensuche, eine menschliche Redaktion. „Lies es noch einmal und verbessere es“ ist keine Information. Mein Threads-Loop bekommt deshalb verordnete Experimente neben der Kanalanalyse und wöchentlich mein Text-Feedback. Anzeige Anzeige Du möchtest mehr zum Thema lernen? Onlinekurs kompakt Vibe-Coding mit Claude Code: Eigene Tools und Dashboards für dein Team Hohe Kosten: Brauchst du überhaupt einen Loop? Die Frage, die am meisten Geld spart, lautet: Was erfährt das System nach dem nächsten Durchlauf, und wie verändert das den übernächsten? Wenn du darauf keine Antwort hast, brauchst du keinen Loop. Dann reicht ein guter Prompt, was deutlich billiger ist. Diese Situationen gibt es typischerweise: Situation Rolle des Loops Ehrlicher maschineller Test existiert Hohe Autonomie möglich Regeln plus subjektives Urteil Loop bereitet vor, der Mensch entscheidet Geschmack oder Strategie entscheiden Kurze Iterationen, viel menschliches Feedback Keine neue Information zwischen den Läufen Kein Loop, ein Prompt genügt Fehler irreversibel oder teuer Menschliche Bestätigung vor der Aktion Bevor du einen Loop erstellst, solltest du dir die sieben folgenden Fragen stellen. So stellst du sogleich deinem Loop einen Pass aus und finalisierst das Briefing für den Agenten. Anzeige Anzeige Ziel: Was ist das Ergebnis? Ziel sollte nicht sein: „Verbessere, bis es gut ist“, sondern „Erfüllt diese Bedingungen“ – etwa ein Threads-Account, der jeden Tag mit Inhalt gefüllt ist. Trigger: Was startet die Arbeit? Kommando, Zeitplan oder äußeres Ereignis? Bei mir liegen die Entwürfe jeden Morgen um sieben in Telegram. Iteration: Was genau passiert in einem Durchlauf? In meinem Beispiel: Kanalanalyse, Skill-Anpassung, zehn frische Entwürfe. Prüfung: Woher kommt das ehrliche Signal, wie verändert es den nächsten Durchlauf? Bei mir: Hermes vergleicht meine redigierten Fassungen mit seinen Entwürfen. Gedächtnis: Was überlebt zwischen den Versuchen: Fortschritt, Absagen, probierte Wege? Bei mir sind das die Skills für Anlass-Suche und Texterstellung. Bremsen: etwa eine feste Zahl von Iterationen oder ein ausgeschöpftes Budget. Mensch: alles, was das System nicht entscheiden kann. In meinem Fall: Geschmack, Themen, Veröffentlichung. Im oben erwähnten Gespräch zitiert KI-Forscher Karpathy einen Satz, der ihn geprägt hat und der über jedem Loop hängen könnte: „Denken lässt sich delegieren, Verstehen nicht.“ Das heißt: Dein Loop kann dir die regelmäßige Arbeit über seine Durchläufe abnehmen, das Urteil sollte aber bei dir bleiben. Wenn es keinen sinnvollen Prüfmechanismus durch den Agenten gibt, solltest du vielleicht auf den Loop verzichten. Bei der Entscheidung hilft der Sieben-Fragen-Pass. Wähle eine Aufgabe aus, die du diese Woche dreimal von Hand angestoßen hast. Kommst du bei Frage 4 auf kein ehrliches Prüfsignal, spar dir den Loop und behalte den Prompt.