Was ist Loop Engineering?

Loop Engineering bezeichnet die Praxis, agentische Workflows – sogenannte Loops – zu entwickeln, die KI-Agenten durch iterative Abläufe mit minimalem menschlichem Eingreifen bei der Erreichung benutzerdefinierter Ziele unterstützen. Anstatt bei jedem Schritt menschliche Anweisungen zu erfordern, ermöglichen Agent Loops den Agenten, dynamisch zu handeln, zu beobachten, Entscheidungen zu treffen und ihre Vorgehensweise so lange anzupassen, bis eine Aufgabe abgeschlossen ist. 

Für Entwickler verlagert Loop Engineering den Schwerpunkt ihrer Rolle: Statt KI-Agenten durch Prompts zu steuern, entwickeln sie automatisierte Systeme, die Agenten anleiten, ihre Ergebnisse prüfen und ihre Arbeit gezielt steuern. Innerhalb eines gut konzipierten Loops kann ein Agent Schlussfolgerungen ziehen, handeln, die Ergebnisse seiner Aktionen überprüfen und sein weiteres Vorgehen entsprechend anpassen. 

Loop Engineering ist eine neue Disziplin des agentischen Engineerings, die vielen AI Coding-Agenten wie IBM Bob, Claude Code und OpenAIs Codex zugrunde liegt. Loop-Engineering optimiert das gesamte Ausführungssystem und versetzt Agenten in die Lage, komplexe Aufgaben mit mehreren Verarbeitungsschritten bei minimalem Überwachungsaufwand zu lösen.

Prompt Engineering bezeichnet die Praxis, die wirksamste und optimal formulierte einzelne Anweisung für ein KI-Modell zu erstellen. Loop Engineering entwickelt automatisierte Systeme, die ihre eigenen Prompts generieren und ihre Ergebnisse bewerten, bis ein definiertes Ziel erreicht ist. 

Beim Prompt Engineering erstellen Menschen die Prompts, bewerten die Ergebnisse und formulieren für jeden Schritt neue Prompts. Loop Engineering entwickelt weitgehend automatisierte Systeme, die ihre internen Prompts selbstständig verfeinern, um optimale Ergebnisse zu erzielen. Während Prompt Chains einer starren Struktur folgen, sind Loops dynamisch und flexibel. 

Prompt Engineering eignet sich für einmalige Interaktionen oder individuelle Modellaufrufe. Loop Engineering eignet sich besser für langlebige Agenten, die Workflows wie autonome Codegenerierung, Softwarewartung oder die Ausführung mehrstufiger Aufgaben übernehmen.

Agent Loops folgen typischerweise einem standardisierten Ablauf: 

1. Ziel
   
   
2. Aktion
   
   
3. Beobachtung
   
   
4. Anpassung

Bei jeder Iteration eines Agent Loops wird das rekursive Ziel überprüft. So bleibt der Agent auf das Ziel ausgerichtet, unnötige Iterationen werden vermieden und die Token-Kosten kontrolliert. Rekursive Ziele geben KI-Agenten explizite Zielvorgaben, einschließlich klarer und überprüfbarer Abbruchkriterien. Sie sollten präzise formuliert, angemessen abgegrenzt und nach Möglichkeit in überprüfbare Teilaufgaben unterteilt sein. 

„Sorge dafür, dass meine Website schneller lädt“ ist zu ungenau. Dagegen gibt „Beende die Iterationen, sobald dein Code alle Unit-Tests besteht und die vorgegebenen Anforderungen erfüllt“ dem Agenten ein messbares Ziel und ein eindeutiges Abbruchkriterium vor.

Der Agent berücksichtigt sein Ziel und seinen aktuellen Fortschritt und führt anschließend die Aktion aus, die ihn dem Ziel näherbringt. Eine Aktion kann beispielsweise darin bestehen, Code zu generieren, einen Unit-Test auszuführen oder einen Fehler zu beheben.

Das agentische System wertet das Ergebnis der Handlung aus. Bei der automatisierten Codegenerierung kann der Agent beispielsweise einen Test der kontinuierlichen Integration (CI) durchführen, um zu prüfen, ob der generierte Code den Test besteht oder nicht.

Auf Grundlage der Beobachtung wertet das System das Feedback aus und nimmt gegebenenfalls Änderungen an seinem Vorgehen vor, bevor es den Agent Loop erneut startet.

Gut konzipierte Loops können mit minimaler Überwachung betrieben werden und bleiben gleichzeitig effizient, zuverlässig und begrenzt. Es handelt sich um effiziente Prozesse, die die Token-Kosten niedrig halten, zum richtigen Zeitpunkt beendet werden und zu verlässlichen Ergebnissen führen. Schlecht konzipierte Loops arbeiten dagegen ineffizient. Wiederholte erfolglose Versuche, unnötige Verarbeitungsschritte oder fehlerhafte Schlussfolgerungen führen zu einem unnötig hohen Token-Verbrauch. 

Beim Entwurf leistungsfähiger Loops berücksichtigen Entwickler in der Regel folgende Elemente: 

• Automatisierungen oder Planung
  
  
• Hooks
  
  
• Context Engineering
  
  
• Toolzugriff
  
  
• Worktrees
  
  
• Skills
  
  
• Subagenten
  
  
• Spine

Wiederholung unterscheidet Loops von einmaligen Prompts. Je nach verwendetem Codierungsassistenten werden Loops durch Automatisierungen oder Zeitplanung gesteuert. Beides legt den Ausführungsrhythmus des Loops fest: was er ausführen soll und in welchen Intervallen. Entwickler verwenden beispielsweise häufig GitHub-Aktionen, um Agent Loops zeitgesteuert auszuführen oder durch Ereignisse auszulösen. 

Unix-basierte Systeme wie Linux oder macOS automatisieren Aufgaben mithilfe eines zeitbasierten Schedulers, der als Cronjob bekannt ist.

Im Gegensatz zu zeitgesteuerten Automatisierungen werden Hooks durch Ereignisse ausgelöst, beispielsweise beim Generieren von Code, beim Bearbeiten einer Datei, beim Aufrufen eines Tools oder nach Abschluss einer Aufgabe. Hooks können vor oder nach dem jeweiligen Ereignis ausgeführt werden. 

Entwickler nutzen Hooks vor allem zur Sicherstellung von Sicherheit und Qualität, etwa um Richtlinien durchzusetzen, Ergebnisse zu validieren oder Workflows automatisch auszulösen. So kann beispielsweise ein Pre-Commit Hook verwendet werden, um Code vor dem Commit in das Repository auf die Einhaltung definierter Standards zu prüfen. 

Hooks entlasten die Agenten im Loop von Aufgaben wie Governance- und Qualitätsprüfungen. Dadurch sinken sowohl der Token-Verbrauch als auch der Rechenaufwand.

Jeder Durchlauf des Loops erzeugt Daten, den sogenannten Kontext, die in nachfolgende Durchläufe eingespeist werden. Moderne KI-Agenten und große Sprachmodelle (LLMs) verfügen über große Kontextfenster, Dadurch können dass Nutzer riesige Datenmengen gleichzeitig eingeben. Allerdings kann eine übermäßige Bereitstellung von Kontextinformationen die Relevanz verringern, die Kosten erhöhen und es dem Modell erschweren, die wichtigsten Informationen zu erkennen. 

Context Engineering bezeichnet die Entwicklung von Systemen, die einem KI-Modell genau die Daten bereitstellen, die es benötigt, und gleichzeitig überflüssigen Kontext minimieren. Zu den Strategien gehören unter anderem das Zusammenfassen vorheriger Loop-Durchläufe zur Kontextkomprimierung sowie der Einsatz von Markdown für eine besser strukturierte Kontextaufbereitung.

Loop-Ingenieure verwenden häufig MCP-Server (Model Context Protocol) zusammen mit anderen APIs und Integrationen, damit Agenten mithilfe von Konnektoren und Tools autonome Aktionen ausführen können. Ohne Zugriff auf Tools können Agenten lediglich beschreiben, was sie tun würden, anstatt Aktionen in externen Systemen auszuführen.

Codierung-Agenten nutzen Tools, um Code auszuführen, auf Dateisysteme zuzugreifen, Befehle im Terminal oder in der Shell auszuführen, Datenbanken abzufragen und Tests durchzuführen. Agent Harness Engineering ist eine neue Disziplin, die vollständige Ausführungsumgebungen für Agenten entwickelt, um persistente und selbstkorrigierende Systeme zu schaffen.

Worktrees ermöglichen die Arbeit mit Branches, sodass mehrere Agenten parallel arbeiten können, ohne sich gegenseitig zu beeinträchtigen. Git Worktrees ermöglichen mehreren Arbeitsverzeichnissen die gemeinsame Nutzung eines Repositorys. Dadurch können parallele Branches verwendet werden, ohne die Repository-Historie zu duplizieren. Agenten führen Branches erst zusammen, nachdem der Code getestet, von einer Person überprüft oder ein anderes benutzerdefiniertes Kriterium erfüllt wurde.

Skills enthalten projektspezifisches Wissen für einen einzelnen wiederkehrenden Workflow. Agenten greifen bei der Ausführung der jeweiligen Aufgabe auf die entsprechende Skills-Datei zu. Einige Codierung-Assistants organisieren Skills als Ordner mit einer skill.md Datei mit Anweisungen und Metadaten. Projektweite Anweisungsdateien wie agents.md gelten dagegen für das gesamte Repository. 

Ohne Skills müssen Benutzer den Projektkontext jeder Sitzung erneut bereitstellen oder Agenten selbst ableiten lassen, welche Aufgabe sie ausführen sollen – mit dem Risiko, dass sie zu falschen Schlussfolgerungen gelangen. Skills können projekt- und repositoryübergreifend als Plug-ins gemeinsam genutzt werden.

Der primäre Agent kann spezialisierte Agenten – sogenannte Subagenten – delegieren, die bestimmte Aufgaben übernehmen, beispielsweise Recherche, Analyse, Implementierung oder Verifizierung. Ein gutes Loop Engineering nutzt eine Maker-Checker-Struktur, bei der ein Agent den Code eines anderen Agenten überprüft, um die Codequalität zu verbessern. 

Subagents erhöhen zwar den Token-Verbrauch, ein separater Verifizierungs-Subagent mit eigenen Anweisungen gewährleistet jedoch in der Regel eine höhere Qualität als ein Coding Agent, der seinen eigenen Code überprüft. Einige Codeplattformen verwenden einen separaten Subagent, der den Aufgabenfortschritt überwacht und feststellt, wann das Abbruchkriterium erreicht ist.

Loops verfügen außerdem über eine Spine – einen persistenten Status beziehungsweise Speicher, der den Projektfortschritt nachverfolgt und verhindert, dass sich Fehler wiederholen. Mit jedem Loop-Durchlauf fügt der Agent die Ergebnisse seiner Aktionen einem persistenten Status, einem persistenten Speicher oder einem Projekt-Tracker wie einer Markdown-Datei oder einem Linear-Board hinzu. Die Spine verwaltet Status und Kontext, damit diese in nachfolgenden Iterationen genutzt werden können.

Selbst die robustesten und widerstandsfähigsten Loops erfordern menschliches Eingreifen. Unternehmen erzielen den größten Nutzen aus KI, wenn sie sie zur Beschleunigung der Softwareentwicklung einsetzen und sich bei Qualität, Sicherheit und geschäftskritischen Entscheidungen auf Menschen verlassen. 

Ein Human-in-the-Loop-Ansatz hilft, die gefährlichsten Fallstricke der automatisierten Codegenerierung zu vermeiden, wie unverifizierten Code, Comprehension Debt, Intent Debt und Cognitive Surrender.

Ein Checker Agent ist ebenfalls nur ein Agent. Die Verantwortung für den produktiv bereitgestellten Code liegt letztlich immer bei den Entwicklern. Wirksame KI-Governance erfordert menschliche Aufsicht – nicht nur, um zu überprüfen, ob der Code funktioniert, sondern auch, um sicherzustellen, dass keine sensiblen Daten offengelegt und keine geltenden Vorschriften verletzt werden.

Die Diskrepanz zwischen der gesamten Codebasis eines Systems und dem Umfang, in dem Menschen diesen Code tatsächlich verstehen, wird als Comprehension Debt oder Verständnisschuld bezeichnet. Je mehr Code Agenten schreiben und je weniger Menschen diesen überprüfen, desto größer wird die Comprehension Debt. 

Während traditionelle Technical Debt (technische Schulden aus bewusst eingegangenen Kompromissen entsteht, entwickelt sich Comprehension Debt schleichend. Die Verständnisschuld wächst aufgrund der hohen Geschwindigkeit, mit der Agenten Code erzeugen, sehr schnell – und bleibt häufig unbemerkt, weil der Code die automatisierten Tests besteht. Werden keine Gegenmaßnahmen ergriffen, zeigt sich das Ausmaß der Comprehension Debt häufig erst dann, wenn Entwickler Fehler in Produktionssystemen beheben, größere Änderungen umsetzen oder auf Vorfälle reagieren müssen.

Intent Debt – Absichtsschulden – bezeichnet den Verlust nachvollziehbarer Erläuterungen, die die Beweggründe und Ziele eines Systems dokumentieren. Werden diese Informationen nicht ausdrücklich beispielsweise in Dateien wie agents.md und skill.md festgehalten, können Agenten die Absichten der Entwickler nur schwer zuverlässig ableiten. Fehlen diese Informationen, können Agenten ihre Aktionen auf die falschen strategischen Ziele ausrichten und Codeänderungen vornehmen, die zwar technisch korrekt sind, den Projektzielen jedoch widersprechen.

Je stärker Menschen von KI abhängig werden, desto größer wird das Risiko von Cognitive Surrender (kognitive Kapitulation) – also der Auslagerung kritischen Denkens an die KI. Während Cognitive Offloading bedeutet, dass von der KI erzeugte Ergebnisse weiterhin von Menschen überprüft werden, beschreibt Cognitive Surrender den vollständigen Verlust dieser Kontrolle. 

Akzeptieren Entwickler die Ergebnisse eines Loops ungeprüft, wächst die Comprehension Debt schnell an.