Zusammenfassung / Kernpunkte
- Agentic loops versprechen vollständig autonome AI builders, die arbeiten, während Sie schlafen.
- Aber führende Ingenieure warnen, dass sie oft nur 'slop machines' sind, die Geld verbrennen und fehlerhafte Annahmen treffen.
Die Loop-Evangelisten vs. Realität
KI hat zwei unterschiedliche Workflows für builders eingeführt. Traditionelle human-in-the-Loop Engineering-Systeme halten Sie im Pilotensitz: Sie fordern einen Agenten auf, überprüfen dessen Ausgabe und iterieren jeden Schritt manuell. Umgekehrt sieht autonomes Loop Engineering Engineering KI im Autopilot-Modus vor, wobei eine einzige menschliche Aufforderung einen selbstkorrigierenden Agenten initiiert, der seine eigenen Ergebnisse gegen eine definierte Spezifikation generiert, überprüft und verfeinert.
Führende builders wie Boris Cherny Cherny und Peter Steinberger Steinberger befürworten Loop Engineering Engineering als die Zukunft der Entwicklung. Sie argumentieren, dass Entwickler Systeme entwerfen sollten, die die KI auffordern, anstatt die KI direkt aufzufordern, wodurch Agenten befähigt werden, komplexe Aufgaben autonom auszuführen.
Während dieser Ansatz auf eine ehrgeizige Zukunft hindeutet, stellt er für die meisten builders heute eine gefährliche und ineffiziente Realität dar. Cherny und Steinberger arbeiten mit praktisch unbegrenzten token budgets, was konstantes Loop Engineeringing für sie rational macht. Für die überwiegende Mehrheit ohne solche Ressourcen werden weit offene Loop Engineerings schnell zu einer „slop machine“, die erhebliche tokens verbrennt und zu unvorhersehbaren Kosten führt. Ras Ras Mic (Michael Shimeles) (Ras Mic (Michael Shimeles)hael Shimeles) hebt hervor, dass Peter Steinberger Steinberger einmal getwittert hat, in einem einzigen Monat 1,3 Millionen Dollar für tokens ausgegeben zu haben, was das Potenzial für ausufernde Ausgaben unterstreicht.
Warum Ihre AI Loop eine 'Slop Machine' ist
Ein freilaufendes agentic Loop Engineering Engineering-Modell, sich selbst überlassen, spiegelt die Herausforderung wider, einen brillanten Startup-Entwickler einzustellen und ihm eine einzige Spezifikation zu übergeben. Ohne ständige menschliche Führung füllt der Agent jede Unklarheit mit seinen eigenen Annahmen und Interpretationen. Diese Vermutungen weichen unweigerlich von der ursprünglichen Produktvision ab, was zu fehlerhafter Ausführung und verschwendeten Zyklen führt.
Diese uneingeschränkte Autonomie erzeugt zwei primäre Fehlermodi für builders. Erstens macht der Agent bei jedem Grenzfall und undefinierten Detail falsche Annahmen, wodurch er systematisch vom beabsichtigten Ergebnis abweicht. Zweitens führt dieser umfangreiche Trial-and-Error-Prozess zu astronomischem token burn, der Budgets schnell erschöpft. Peter Steinberger Steinberger, ein builder, der für Experimente mit Loop Engineerings bekannt ist, berichtete bekanntlich, in nur einem Monat 1,3 Millionen Dollar für tokens ausgegeben zu haben.
Befehle wie `/goal` bieten schnelle Prototyping-Fähigkeiten für die erste Erkundung, erweisen sich jedoch für robuste Produktionsarbeit als katastrophal. Sie verwandeln Ihren Entwicklungsworkflow schnell in eine geldverbrennende slop machine. Während sie für diejenigen mit nahezu unbegrenzten Budgets wie Boris Cherny Cherny und Peter Steinberger Steinberger effektiv sind, erschöpfen die meisten builders ihre token allowances schnell, wodurch solche weit offenen Loop Engineerings für die reale, budgetbewusste Entwicklung unhaltbar werden. Ras Ras Mic (Michael Shimeles) (Ras Mic (Michael Shimeles)hael Shimeles) betont, dass human-in-the-Loop Engineering heute die stärkste Konfiguration für kontrollierte, effiziente Ausgabe bleibt.
Die eine Loop, die tatsächlich funktioniert
Ras Ras Mic (Michael Shimeles) (Ras Mic (Michael Shimeles)hael Shimeles) bietet ein greifbares Beispiel für agentic Loop Engineering Engineering, das tatsächlich funktioniert. Sein tägliches code review Loop Engineering ist eine Meisterklasse in begrenzter Automatisierung, die eine präzise Kombination von Tools nutzt: Cursor als AI harness, GitHub für die Versionskontrolle und Greptile als automatisierten code reviewer. Dies ist kein theoretischer Hype; es ist eine Versandrealität für die praktische Entwicklung.
Die operativen Mechanismen sind bemerkenswert spezifisch und deterministisch: eine benutzerdefinierte `grep Loop Engineering`-Fähigkeit leitet den Agenten. Er liest zuerst die umfassende Überprüfung von Greptile, die eine objektive Qualitätsbewertung von fünf enthält, wendet dann intelligent notwendige Korrekturen auf die Codebasis an, pusht einen neuen Commit zu GitHub und wiederholt diesen Zyklus. Der Prozess wird fortgesetzt, bis der Code eine perfekte 5/5-Bewertung erreicht oder seine Versuche nach fünf verschiedenen Iterationen erschöpft sind; eine feste Regel besagt, dass Code nur dann in Produktion geht, wenn er eine Bewertung von über vier von fünf beibehält.
Der unbestreitbare Erfolg dieses Loop Engineering beruht auf einem grundlegenden Prinzip: Es arbeitet in einem stark begrenzten Raum mit klarem, quantifizierbarem Feedback. Im Gegensatz zur offenen Anwendungsentwicklung bietet die Code-Überprüfung eine eindeutige, objektive Metrik für Fertigstellung und Qualität. Dieser präzise Feedback-Mechanismus verhindert, dass die AI weitreichende Annahmen trifft und in den Bereich der „Slop Machine“ abdriftet. Während Visionäre wie Peter Steinberger Steinberger und Boris Cherny Cherny das enorme Potenzial agentischer Systeme hervorheben, zeigt Ras Ras Mic (Michael Shimeles)'s Implementierung die spezifischen, praktischen Bedingungen, unter denen sie derzeit wirklich hervorragend sind.
Der Loop-Lackmustest: Wann man das Steuer übernehmen sollte
Wann verdient sich Loop Engineering Engineering seinen Platz? Ras Ras Mic (Michael Shimeles) (Ras Mic (Michael Shimeles)hael Shimeles) zieht eine klare Linie: Loop Engineerings zeichnen sich bei begrenzten Aufgaben mit festem, binärem oder quantifizierbarem Feedback aus. Sein erfolgreiches Code-Review Loop Engineering, das Cursor, GitHub und Greptile nutzt, um eine 5/5-Bewertung zu erreichen, ist ein Beispiel für diese Präzision. Das Generieren strukturierter SEO-Seiten passt ebenfalls zu diesem Modell, wo die Erfolgsmetriken klar sind.
Man vergleiche dies mit der amorphen Herausforderung der vollständigen App-Entwicklung. Hier ist die Produktvision eine nuancierte, sich entwickelnde Entität, die oft teilweise in der menschlichen Intuition verankert ist. Ein autonomer Agent, sich selbst überlassen, füllt jede Lücke mit Annahmen, driftet schnell von der beabsichtigten Produktvision ab und verbraucht Tokens, wie die Erfahrungen von Boris Cherny Cherny und Peter Steinberger Steinberger für diejenigen ohne unbegrenzte Budgets andeuten.
Ras Ras Mic (Michael Shimeles) (Ras Mic (Michael Shimeles)hael Shimeles) merkt an, dass selbst sein robustes Code-Review Loop Engineering bei über 1.000 Codezeilen an seine Grenzen stößt und menschliches Eingreifen erfordert, um die Arbeit in mehrere Pull Requests aufzuteilen. In dem Moment, in dem eine Aufgabe subjektives Urteilsvermögen, kreative Problemlösung oder den Umgang mit Mehrdeutigkeiten erfordert, werden menschliche Intuition und Aufsicht unerlässlich.
Letztendlich mag die Zukunft tatsächlich vollständig autonomen Systemen gehören. Doch Stand heute bleibt für den Bau komplexer Dinge human-in-the-Loop Engineering der intelligentere, sicherere und kostengünstigere Workflow. Ihre Hand am Steuer verhindert, dass die „Slop Machine“ außer Kontrolle gerät und gewährleistet die Übereinstimmung mit Vision und Budget.
Häufig gestellte Fragen
Was ist ein agentischer Loop in der AI?
Ein agentischer Loop ist ein autonomer Prozess, bei dem ein AI-Agent ein Ergebnis generiert, seine eigene Ausgabe überprüft und dies als Feedback nutzt, um ohne direkte menschliche Intervention bei jedem Schritt weiterzubauen.
Was ist der Unterschied zwischen einem agentischen Loop und Human-in-the-Loop?
In einem Human-in-the-Loop-System leitet, überprüft und genehmigt eine Person jeden Schritt, den die AI unternimmt. In einem agentischen Loop startet der Mensch den Prozess einmal, und die AI übernimmt den iterativen Überprüfungs- und Bauzyklus eigenständig.
Warum sind offene agentische Loops so teuer?
Sie verbrauchen schnell Tokens, weil die AI Annahmen trifft, um Lücken in ihren Anweisungen zu füllen. Diese Annahmen führen oft zu fehlerhaften Ausgaben, was mehr Zyklen und mehr Tokens zur Korrektur erfordert und so eine kostspielige Feedback-Schleife erzeugt.
Was ist ein guter Anwendungsfall für einen agentic loop?
Begrenzte Aufgaben mit klarem, objektivem Feedback sind ideal. Zum Beispiel ist ein code review loop, bei dem ein Agent Code basierend auf einer Qualitätspunktzahl von einem anderen Tool überarbeitet, bis ein Ziel erreicht ist, hochwirksam.