Hören Sie auf, Agentic Loops falsch zu verwenden

Der Automatisierungstraum verspricht eine große Geste: ein Prompt, volle Autonomie. Diese Vision von agentic loops steht in starkem Kontrast zu human-in-the-loop Workflows. Human-in-the-loop bedeutet, Sie geben einen Prompt, die AI baut, Sie überprüfen, dann geben Sie erneut einen Prompt, Schritt für Schritt, wobei Sie jede Bewegung steuern, um die Übereinstimmung mit Ihrer Vision sicherzustellen, ähnlich wie Professor Ras Mic eine AI beim Erstellen einer To-Do-App, Feature für Feature, anleitet.

Stellen Sie sich die Herausforderung vor, ein komplexes Tattoo am Telefon zu beschreiben. Das ist genau die Erfahrung, einen Wide AI-open agentic loop zu initiieren. Sie formulieren ein einziges, umfassendes `/goal`, das der Agent autonom verfolgen soll, aber ein solcher Prompt hinterlässt unweigerlich kritische Lücken und lädt zu erheblichen Fehlinterpretationen ein.

Dies führt zum zentralen Problem der autonomen Annahme: Agenten füllen Details aus, die Sie nicht explizit angegeben haben. Ohne präzise Anweisungen errät ein Agent, wie er mit 'welcher Bildschirm nach dem Login erscheint' oder 'was passiert, wenn eine Zahlung fehlschlägt' umgehen soll. Solche Annahmen weichen oft von der Absicht ab und erzeugen eine slop machine, die fehlerhafte Ergebnisse liefert und Tokens verbrennt, eine kostspielige Realität für die meisten Benutzer im Vergleich zu den unbegrenzten Budgets von Boris Cherny Cherny oder Peter Steinberger Steinberger, die Berichten zufolge 1,3 Millionen Dollar in einem einzigen Monat ausgegeben haben.

Das Versprechen von Wide AI AI auf volle Autonomie übersieht oft die immensen Token-Kosten. Entwickler wie Peter Steinberger Steinberger haben öffentlich mitgeteilt, dass sie in einem einzigen Monat 1,3 Millionen Dollar an Tokens verbrannt haben, um Wide AI-open agentic loops zu verfolgen. Dieses Modell, bei dem ein Agent kontinuierlich seine eigene Ausgabe aus einem einzigen `/goal`-Prompt generiert, überprüft und verfeinert, führt zwangsläufig zu massivem Verbrauch.

Ein solcher Ansatz ist nur für diejenigen mit praktisch unbegrenzten Budgets praktikabel, wie die gut finanzierten Operationen von Boris Cherny Cherny und Peter Steinberger Steinberger. Für die überwiegende Mehrheit der Entwickler und Startups mit gestaffelten Plänen – den 20- oder 100-Dollar-Stufen – werden diese meta-harnesses schnell zu einer "slop machine", die Budgets viel zu schnell verschlingt. Das ständige Rätselraten macht sie unpraktisch für reale Einschränkungen.

Stellen Sie es sich vor, als würden Sie einen brillanten Entwickler einstellen, ihm eine High-Level-Spezifikation übergeben und dann weggehen. Der Agent, ähnlich wie dieser Solo-Entwickler, füllt kritische Lücken mit Annahmen – Details wie "welcher Bildschirm nach dem Login erscheint" oder "was bei Zahlungsausfall passiert". Diese Vermutungen weichen unweigerlich von der ursprünglichen product vision ab, was zu verschwendeten Zyklen, verfehlten Zielen und einer unerwartet massiven Token-Rechnung für Arbeit führt, die letztendlich das Ziel verfehlt.

Wide AI-open agentic loops werden, wie besprochen, zu Token-verbrennenden "slop machines" aufgrund ihrer Abhängigkeit von ungeprüften Annahmen. Das Geheimnis erfolgreicher Loops liegt im Gegenteil: in festen, definierten Feedback-Systemen. Agenten gedeihen, wenn sie innerhalb klarer, quantifizierbarer Szenarien operieren – denken Sie an eindeutiges 'bestanden/nicht bestanden' oder ein spezifisches numerisches Ziel. Ohne dieses binäre Schlachtfeld rät der Agent einfach, was zu teuren, vom Ziel abweichenden Iterationen führt.

Professor Ras Mic’s täglicher code review-Loop veranschaulicht dieses Prinzip perfekt. Mit Cursor als Gerüst, GitHub für die Quellcodeverwaltung und Greptile als intelligentem Prüfungsagenten jagt sein System autonom einer perfekten 5/5-Punktzahl hinterher. Mics `grep loop`-Befehl weist den Agenten an: Lies Greptiles Überprüfung, wende Korrekturen an, pushe dann die Änderungen und wiederhole den Vorgang. Dieser iterative Prozess wird fortgesetzt, bis der Code 5/5 erreicht oder fünf Durchläufe abgeschlossen sind, wodurch sichergestellt wird, dass produktionsreifer Code immer über vier von fünf Punkten erzielt.

Dieser enge Feedback-Loop funktioniert, weil der Agent keine subjektiven Designentscheidungen trifft. Er optimiert gegen ein präzises, messbares Ergebnis. Der Agent weiß genau, wie „gut“ aussieht – eine spezifische Punktzahl von Greptile – und kann methodisch darauf hinarbeiten, ohne in kostspielige Spekulationen abzudriften.

Dieses binary principle geht über Code hinaus. Agentic Loops glänzen bei jeder Aufgabe mit einer klaren, messbaren Erfolgskennzahl: - Generierung von Vorlagen-basierten SEO pages - Durchführung repetitiver Datenbereinigung anhand eines festen Regelsatzes - Validierung von Konfigurationen anhand eines Schemas

Für einen tieferen Einblick in das Loop Engineering, einschließlich ReAct patterns und zukünftiger Entwicklungen, erkunden Sie Agentic Loops Explained: From ReAct to Loop Engineering (2026 Guide).

Komplexe, kreative Unternehmungen wie die vollständige Anwendungsentwicklung widerstehen einer vollständigen agentic autonomy. Die gesamte Produktvision existiert im Kopf eines Menschen und erfordert ständiges, subjektives Feedback und iterative Verfeinerung, die Maschinen noch nicht vollständig erfassen können. Dies verhindert den Token-Albtraum von Wide AI-open loops, die kostspielige Annahmen treffen.

Stellen Sie sich vor, Sie vertrauen einem vollständig autonomen Fahren für einen Roadtrip von Miami nach Charleston ohne einen einzigen Check-in. Sie müssten unweigerlich anhalten, den Kurs korrigieren und die Reise basierend auf unvorhergesehenen Bedingungen oder sich ändernden Präferenzen neu bewerten. AI-Agenten stehen bei offenen Aufgaben vor ähnlichen Herausforderungen.

Professor Ras Mic betont diese Realität immer wieder: Das human-in-the-loop-Modell bleibt für die meisten Entwickler heute die stärkste Konfiguration. Dieser Ansatz verhindert, dass autonomes Rätselraten Millionen von Tokens verbrennt, wie es bei einigen Top-Entwicklern zu beobachten ist, die eine vollständige Automatisierung anstreben.

Während die Zukunft unbestreitbar auf größere Autonomie hindeutet, integriert der leistungsstärkste und zuverlässigste Workflow für komplexe Aufgaben immer noch menschliche Intelligenz an jeder kritischen Stelle. Vorerst hält der best loop eine menschliche Hand fest, die die Gesamtvision leitet und den Fortschritt validiert.

Was ist ein Agentic Loop?

Ein Agentic Loop ist ein AI-Workflow, bei dem ein Mensch einen einzigen, übergeordneten Prompt gibt und der AI-Agent dann seine eigene Arbeit generiert, überprüft und wiederholt iteriert, bis die Aufgabe ohne weitere menschliche Eingabe abgeschlossen ist.

Was ist das Hauptproblem bei Agentic Loops?

Das Hauptproblem ist, dass ein einziger Prompt selten alle Randfälle abdeckt. Die AI füllt diese Lücken mit Annahmen, was zu falschen Ausgaben (einer 'slop machine') und extrem hohen Token-Kosten führen kann.

Wann sind Agentic Loops am effektivsten?

Sie zeichnen sich bei Aufgaben mit binärem oder klar definiertem Feedback aus, wie z.B. Pass/Fail-Szenarien. Code review, bei dem eine AI Code bewerten und iterieren kann, bis sie eine Zielpunktzahl erreicht, ist ein perfektes Beispiel.

Ist 'human-in-the-loop' immer noch der beste Ansatz?

Ja. Für komplexe, nuancierte Aufgaben wie die App-Entwicklung, die subjektives Feedback erfordern, bleibt human-in-the-loop – bei dem ein Mensch jeden Schritt überprüft und anleitet – der heute effektivste und kostengünstigste Ansatz.