Die AI-Schleife, die das Prompting getötet hat

Ein seismischer Wandel in der AI-Interaktion ist eingetreten. Peter Steinberger, der Schöpfer von OpenClaw, erklärte kürzlich, dass Entwickler aufhören sollten, Coding-Agenten direkt zu prompten. Stattdessen liegt die Zukunft im Design von Loops, die Agenten autonom prompten – eine grundlegende Neuarchitektur, wie wir mit AI bauen.

Das ist nicht nur Theorie; es liefert erstaunliche Ergebnisse. Der Chief Architect von Spotify berichtete von einem dramatischen Sprung bei den Agenten-Erfolgsraten, die durch die Einführung dieses Loop-basierten Ansatzes von 30% auf erstaunliche 80% stiegen. Dieser Paradigmenwechsel, der auf Plattformen wie X schnell an Bedeutung gewinnt, signalisiert eine Reifung agentischer Systeme.

Traditionelles Prompting litt unter einem grundlegenden Mangel: Der Mensch wurde zur ineffizienten, manuellen Feedback-Schleife. Wir haben Agenten ständig neu gepromptet, kleine Fehler korrigiert und die iterative Verfeinerung mühsam geleitet. Dieser langsame, fehleranfällige, menschenabhängige Prozess begrenzte das skalierbare Potenzial von AI von Natur aus und machte Benutzer zu einem teuren, manuellen Orchestrator.

Das neue Paradigma verlagert diese iterative Verfeinerung auf die AI selbst. Durch die Einbettung selbstkorrigierender Mechanismen und eines Orchestrator-Agenten können Systeme autonom iterieren und sich verbessern, ohne ständige menschliche Aufsicht. Dies geht über Single-Shot-Interaktionen hinaus und ermöglicht eine komplexe, persistente, zielorientierte Ausführung und verändert die Architektur von AI-Anwendungen grundlegend.

Die agentische Schleife definiert die AI-Interaktion grundlegend als selbstkorrigierendes Feedback-System neu, nicht als einmaligen Prompt. Ein AI-Agent erhält ein übergeordnetes Ziel und eine präzise Reihe von Bedingungen, die den Erfolg definieren. Diese intelligente Architektur befähigt den Agenten, sich autonom selbst zu korrigieren und zu iterieren, seinen Ansatz durch mehrere Durchläufe kontinuierlich zu verfeinern, bis er das spezifizierte Ergebnis erreicht.

Ihre grundlegende Architektur beruht auf einer kritischen Aufgabentrennung. Ein Orchestrator-Agent fungiert als Manager des Systems, überprüft ständig die generierte Arbeit anhand des übergeordneten Ziels und liefert iteratives Feedback. Er verteilt einzelne Aufgaben an Executor-Agenten und stellt sicher, dass jeder für jeden Ausführungslauf frischen Kontext erhält, um zu verhindern, dass veraltete Informationen den Fortschritt behindern.

Executor-Agenten führen die granularen Aufgaben aus, aktivieren spezifische Fähigkeiten, Tools oder starten bei Bedarf sogar weitere Sub-Agenten. Diese entscheidende Trennung zwischen dem 'Macher' und dem 'Prüfer' ermöglicht eine objektive Bewertung und Iteration ohne menschliches Eingreifen, wodurch das System lernen und seine Ausgabe verbessern kann. Diese iterative Verfeinerung hat dazu geführt, dass die Agenten-Erfolgsraten für den Spotify Chief Architect von 30% auf 80% gestiegen sind, was einen klaren Vorteil gegenüber traditionellem direktem Prompting zeigt.

Über das grundlegende Zwei-Agenten-Feedback-System hinaus entfalten AI-Loops ihr Potenzial als komplexe Multi-Agenten-Montagelinien. Diese Architektur ermöglicht deutlich hochwertigere Ergebnisse, indem spezialisierte Aufgaben über ein vernetztes Agentennetzwerk verteilt werden. Die Kernidee ist, dass die Arbeit in Phasen voranschreitet, wobei jeder Agent den vorherigen Schritt überprüft.

Stellen Sie sich einen fortgeschrittenen Workflow vor: Ein Orchestrator entsendet einen 'Builder'-Agenten, um initialen Code oder Inhalt zu generieren. Diese Ausgabe gelangt dann zu einem 'QA'-Agenten, der die Arbeit rigoros gegen vordefinierte Erfolgsbedingungen testet und validiert. Schließlich erteilt ein 'Reviewer'-Agent eine endgültige Genehmigung, um sicherzustellen, dass die Ausgabe die höchsten Standards vor der Fertigstellung erfüllt. Diese sequentielle Spezialisierung gewährleistet robuste, selbstkorrigierende Entwicklungszyklen.

Solche ausgeklügelten Loops basieren auf grundlegenden Komponenten und gehen über einfache Prompts hinaus. Zu den Schlüsselelementen gehören: - Ein klarer Trigger zur Initiierung des Prozesses - Ein isolierter 'work tree' für die parallele Ausführung - Ein 'skill harness', das spezifische Aktionen leitet - Integrierter 'memory' zur Aufrechterhaltung des Kontexts über Iterationen hinweg Diese Tiefe des Systemdesigns definiert die nächste Ära der AI-Interaktion. Für weitere Einblicke in die Gestaltung dieser Systeme, erkunden Sie Ressourcen wie You Shouldn't Be Prompting AI Anymore. You Should Be Designing Loops. - AI Advances.

Theorie übersetzt sich direkt in praktischen Nutzen. In Claude Code demonstrieren Loops ihre Leistungsfähigkeit, indem sie komplexe Entwicklungsaufgaben automatisieren. Stellen Sie sich einen Loop vor, der systematisch jede Projektdatei liest, eine prägnante Zusammenfassung erstellt und diese an eine `INDEX.md`-Datei anhängt, wobei er so lange iteriert, bis die gesamte Codebasis umfassend dokumentiert ist. Dies verwandelt eine mühsame manuelle Aufgabe in einen autonomen, selbstkorrigierenden Prozess.

Die Vielseitigkeit reicht über den Code hinaus. Stellen Sie sich einen Loop vor, der stündlich ausgeführt wird und einen Slack-Posteingang auf neue Nachrichten überprüft. Werden neue Mitteilungen erkannt, löst der Loop eine Telegram-Benachrichtigung aus, um sicherzustellen, dass kritische Updates niemals verpasst werden. Dies zeigt Loops als leistungsstarke Werkzeuge für proaktive, ereignisgesteuerte Automatisierung in verschiedenen Bereichen.

Dieser Wandel definiert unsere Beziehung zur AI neu. Benutzer sind nicht länger nur 'prompters', die einmalige Befehle erteilen, sondern strategische system designers. Wir definieren die übergeordneten Ziele und Erfolgsbedingungen und setzen dann autonome Agenten frei, die ausführen, iterieren und sich selbst korrigieren, bis das Ziel erreicht ist. Diese Entwicklung führt uns von reaktivem prompting zu proaktiver Orchestrierung und erschließt ein beispielloses Maß an AI-Nutzen.

Was sind AI agentic loops?

AI agentic loops sind ein neues Paradigma, bei dem anstatt eines Menschen, der wiederholt eine AI promptet, ein System entworfen wird, in dem eine 'orchestrator' AI Aufgaben an 'executor' AIs vergibt, die Arbeit überprüft und iteriert, bis ein Endziel erreicht ist.

Warum sind Loops effektiver als einzelne Prompts?

Loops sind effektiver, weil sie ein selbstkorrigierendes System schaffen. Dies erhöht die Erfolgsraten dramatisch, wie bei Spotify (von 30% auf 80%) zu sehen ist, indem der Feedback- und Verfeinerungsprozess automatisiert wird, den ein Mensch sonst manuell durchführen müsste.

Was ist der Unterschied zwischen einem orchestrator und einem executor agent?

Ein orchestrator agent fungiert als Projektmanager. Er versteht das übergeordnete Ziel, vergibt Aufgaben und überprüft die Ergebnisse. Ein executor agent ist ein 'Macher', der eine spezifische Aufgabe ausführt, die ihm vom orchestrator zugewiesen wurde.

Ist dieses Konzept auf Claude Code beschränkt?

Nein, das Konzept der agentic loops ist ein Designmuster, das auf verschiedene AI-Systeme und coding agents angewendet werden kann. Claude Code ist nur eine Umgebung, in der diese leistungsstarke Technik effektiv implementiert werden kann.