Zusammenfassung / Kernpunkte
- Führende AI-Ingenieure bei Anthropic verzichten auf manuelle Prompts zugunsten autonomer 'Loops', die stundenlang laufen.
- Doch dieses neue Paradigma birgt versteckte Kosten und Zuverlässigkeitsfallen, die jedes Projekt zum Scheitern bringen können.
Das Ende des manuellen Promptings?
Elite-Ingenieure bei Anthropic (Heimat von Claude Code) und OpenClaw definieren die AI-Interaktion neu und gehen über einzelne Prompts hinaus zu vollständig autonomen Systemen. Sie bauen intelligente Maschinen, die ohne ständige menschliche Eingabe arbeiten, ein signifikanter Paradigmenwechsel gegenüber dem traditionellen Prompting.
Diese neue Methodik, genannt Loop Engineering, orchestriert eine ganze AI-Belegschaft. Ein übergeordneter Orchestrator-Agent promptet spezialisierte Worker-Agents in einem kontinuierlichen Zyklus und treibt inkrementellen Fortschritt bei komplexen Aufgaben voran. Es sind wirklich Agents, die Agents prompten, nicht Menschen.
Boris Cherny, Leiter bei Claude Code, drückte es klar aus: „Ich promte Claude nicht mehr. Ich schreibe Loops und die Loops erledigen die Arbeit.“ Dies beinhaltet minimales menschliches Prompting auf hoher Ebene, wodurch das AI-System die Ausführung selbst herausfinden kann.
Claude Code veranschaulicht dies mit leistungsstarken integrierten Funktionen. Der Befehl `/loop` legt Intervalle für die Ausführung von Prompts fest und ermöglicht wiederholte Prüfungen, wie das Scannen von GitHub-Problemen alle fünf Minuten, wodurch eingehende Aufgaben autonom bearbeitet werden.
Ähnlich planen `/routines` Jobs, vielleicht stündlich, um größere Spezifikationsdokumente inkrementell zu verarbeiten. In Kombination mit `/goal`, das spezifische Abschlusskriterien definiert, ermöglichen diese Tools AI-Agenten, Aufgaben bis zur Fertigstellung zu verfolgen, was einen fortgeschrittenen „Ralph loop“ nachahmt. Dieser systematische Ansatz ermöglicht es der AI, komplexe Projekte autonom zu verwalten und sich auf kontinuierlichen, zielorientierten Fortschritt zu konzentrieren.
Ihre neue AI-Rechnung: Der Million-Token-Run
Die Abkehr vom direkten Prompting, vorangetrieben von The Creators bei Anthropic's Claude Code und OpenClaw, führt ein erstaunliches neues Kostenmodell ein. Dieses „Loop Engineering“-Paradigma verursacht eine erhebliche reasoning tax. Orchestrator-Agents verbrennen, anstatt einzelne Prompts zu erhalten, kontinuierlich Tokens, um zu planen, Aufgaben an parallele Worker zu delegieren, deren Ausgaben zu überprüfen und iterativ neu zu planen. Diese mehrstufige Feedbackschleife, bei der Agents andere Agents prompten, bedeutet, dass selbst bescheidene Projekte in einer einzigen Sitzung schnell million-token runs ansammeln, was die Rechenkosten dramatisch in die Höhe treibt.
Dieser autonome Agenten-Ansatz wirft auch kritische Fragen bezüglich Zuverlässigkeit und Qualität auf. Die Vorstellung, dass Tausende von ungeprompteten Agenten stundenlang ohne sich summierende Fehler oder die Erzeugung aufwendiger Halluzinationen operieren können, erscheint als spekulativer Sprung. Während Peter Steinberger von OpenClaw und Boris Cherny von Claude Code diese Systeme erforschen, wächst das Risiko, dass sich subtile Ungenauigkeiten mit jeder zusätzlichen autonomen Schicht zu katastrophalen Fehlern entwickeln.
Darüber hinaus stellt Context Bloat eine inhärente, praktische Einschränkung dar. Kontinuierliche, selbst-promptende Loops überfordern schnell das endliche context window eines LLM. Wenn Agenten umfangreiche interne Monologe und Zwischenschritte generieren, verschlechtert sich die Leistung, was zu irrelevanten Ausgaben, übersehenen Anweisungen und schließlich zu katastrophalem Versagen führt. Selbst ein scheinbar einfacher Workflow kann Modelle wie Claude oder Kimi innerhalb weniger Iterationen erschöpfen, was nachhaltige, komplexe Operationen ohne robustes Kontextmanagement erschwert.
Von Loops zu Harnesses: Die Kontrolle zurückgewinnen
Die Ära rein AI-gesteuerter Loops, in der Agenten endlos ihre Agenten prompten, weicht einem kontrollierteren Paradigma: dem harness. Elite-Ingenieure von Anthropic (Claude Code) und OpenClaw erkennen den astronomischen Token-Verbrauch autonomer Loops. Diese Systeme, obwohl leistungsstark, verursachen oft eine hohe „reasoning tax“, da Orchestratoren planen, delegieren und neu planen.
Ein Harness dreht den Spieß um. Anstatt eine AI zu fragen, was als Nächstes zu tun ist, was kostspielige Unklarheit schafft, sagt ein Harness der AI, was innerhalb einer vordefinierten, zuverlässigen Struktur zu tun ist. Dieser Ansatz nutzt LLMs nur für ihre Kernstärke: reasoning und kreative Aufgaben wie das Generieren von Code.
Vorhersehbare Schritte – Daten abrufen, Tests durchführen, Artefakte bereitstellen – kehren zu standardmäßigem, deterministischem Code zurück. Dieses Hybridmodell stellt sicher, dass ein LLM wie Claude nur dort eingesetzt wird, wo seine Intelligenz unerlässlich ist, wodurch teure, offene Feedbackschleifen minimiert werden. Diese disziplinierte Orchestrierung verwandelt das Potenzial einer AI in einen vorhersehbaren, kosteneffizienten Workflow. Für tiefere Einblicke in Anthropic's agentic coding system, erkunden Sie Claude Code | Anthropic's agentic coding system.
Enjoying this? Get one like it in your inbox each morning.
one email a day · unsubscribe in two clicks · no third-party tracking
Orchestrieren, Beobachten und Optimieren
Die Orchestrierung dieser autonomen Systeme erfordert observability. Ein dediziertes Dashboard ist unerlässlich, um komplexe Läufe zu überwachen, die Token-Nutzung pro Schritt zu verfolgen und Fehler im gesamten System schnell zu debuggen. Ohne diese granulare Sichtbarkeit gerät die „reasoning tax“ schnell außer Kontrolle, was Optimierung und kontinuierliche Verbesserung unmöglich macht.
Robuste Harnesses verwalten separate, sandboxed agent sessions für unterschiedliche Unteraufgaben. Ein orchestrator agent entscheidet über die nächsten Aufgaben und startet worker, um sie parallel auszuführen, wie in fortgeschrittenen Ralph loops zu sehen ist. Entscheidend ist, dass nur der notwendige Kontext zwischen diesen agents weitergegeben wird, was prompt bloat verhindert und sich verstärkende hallucinations für eine deterministische, zuverlässige Ausführung eindämmt.
Die Implementierung dieses Ansatzes erfordert Disziplin. Beginnen Sie mit kleinen, deterministischen Workflows, um Vertrauen aufzubauen, und integrieren Sie cost tracking vom ersten Tag an, indem Sie den Token-Verbrauch pro Agent sorgfältig überwachen. Optimieren Sie Ihr Budget, indem Sie günstigere Modelle wie Pi (on Kimi) für einfachere Aufgaben einsetzen, während Sie teure frontier models (wie Claude) für komplexe Problemlösungen reservieren; dieses strategische model-tiering ist der Schlüssel zu einer nachhaltigen AI-Entwicklung und geht über das bloße 'Prompt Their Agents Anymore' hinaus.
Häufig gestellte Fragen
Was ist Loop Engineering in AI?
Es ist eine Methode, bei der eine 'orchestrator' AI das Prompting anderer 'worker' AIs in einer kontinuierlichen Schleife automatisiert, um große, komplexe Aufgaben ohne ständige menschliche Intervention zu erledigen.
Warum ist Loop Engineering so teuer?
Es verbraucht massive Mengen an Tokens, weil die orchestrator AI wiederholt reasoning tasks ausführt: Planung, Delegation an worker, Verarbeitung ihrer Ausgaben und Neuplanung der nächsten Schritte.
Was ist eine bessere Alternative zu reinem Loop Engineering?
Ein deterministischer Workflow oder 'Harness', der den Prozess vordefiniert. Dieser Ansatz nutzt die AI nur für spezifische kreative Aufgaben wie coding, während regulärer Code für vorhersehbare Schritte verwendet wird, was Kosten spart und die Zuverlässigkeit erhöht.
Wer ist ein Pionier des Konzepts Loop Engineering?
Zu den prominenten Persönlichkeiten gehören Boris Cherny, Leiter von Claude Code bei Anthropic, und Peter Steinberger, Entwickler des OpenClaw agent.