Ich zeige dir Schritt für Schritt, wie du konstant die besten Ergebnisse mit Claude Code, Codex, OpenCode oder welchem Tool auch immer erzielst...
denn ein Tool ist nur die App, in die du deine Agentenanweisungen eingibst, das Cockpit, in dem du sitzt
der Instinkt ist, ein besseres Modell darin zu verwenden (LOL, NUTZE FABLE 5)
der wahre Vorteil liegt woanders, darin, dass du dich überhaupt auf ein Modell festgelegt hast
und der Zeitpunkt macht diesen Fehler teurer als früher... denn das einzelne beste Modell ist zu einem beweglichen Ziel geworden, auf das du dich nicht verlassen kannst:
- Fable 5 kommt für etwa eine Woche zurück und wird dann unbezahlbar
- Mythos 5 ist auf eine kurze Liste staatlich geprüfter Unternehmen beschränkt
- GPT-5.6 Sol wurde an etwa 20 zugelassene Firmen vergeben und sonst an niemanden
Wenn du also dein gesamtes Unternehmen auf das Modell setzt, das diesen Monat "das Beste" ist, verlierst du, sobald es eingeschränkt wird
Die Lösung ist also eine Fusion von führenden LLMs, eine Handvoll Modelle, die gemeinsam arbeiten, anstatt dass ein Modell alles trägt
Das unterscheidet durchschnittliche Ergebnisse von den besten, und es ist das Erste, was ich jetzt bei jedem Projekt einrichte
Wenn du lernen willst, wie du das Beste aus diesen Tools herausholst und damit echtes Geld verdienst, dafür ist die Echtzeit-AI-Ops-Community da: weeklyaiops.com
das langsame, miserable Hin und Her
Beobachte, wie ein normales Projekt abläuft, der Engpass sitzt genau in der Mitte:
Du öffnest ein Tool und übergibst ihm die Aufgabe
Dann nimmst du seinen Plan, fügst ihn in ein zweites Modell ein und fragst: "Stimmt das so?"
Das zweite findet die Lücken, also trägst du diese Notizen zurück zum ersten
Du verbringst den Nachmittag als Bote, der Kontext zwischen zwei Modellen hin- und herträgt, die nicht miteinander sprechen können
Seien wir ehrlich, dieses Hin und Her ist eine nervige Angelegenheit...
Ich kenne diese Schleife nur zu gut, du lässt Claude den Plan von Codex überprüfen, trägst dann die Lücken zurück, und der Tag vergeht damit, Notizen zwischen zwei Modellen hin- und herzutragen
warum eine Fusion von AIs dein Lieblingsmodell schlägt
Es gibt einen Grund, warum das zweite Modell ständig Dinge bemerkt, die das erste übersehen hat...
Das Modell, das die Arbeit überprüft, teilt die blinden Flecken des Modells, das sie erstellt hat, weil sie an denselben Stellen versagen
Wenn du also ein Modell bittest, sich selbst zu überprüfen, bekommst du ein selbstbewusstes "Sieht gut aus" für genau den Fehler, den es selbst geschrieben hätte
Ein Gremium behebt das strukturell, nicht mit einem besseren Prompt – denn verschiedene Modelle decken die Schwachstellen der anderen ab
Und der Beweis dafür wird durch echte Studien gestützt:
Ein Forschungsteam bei Sakana hat einen Koordinator gebaut, der klein genug ist, um auf einem Laptop zu laufen, ein Modell, das deine Frage überhaupt nicht beantwortet
Es liest die Frage
Entscheidet, welches große Modell welches Teil übernehmen soll
Und verteilt die Arbeit
Sie haben es auf GPT-5, Gemini und Claude gerichtet, und es hat alle drei allein geschlagen...
Dann haben sie versucht, ein Spitzenmodell für die Koordination einzusetzen, und es hat schlechter abgeschnitten lol
Der Dirigent muss also nicht das stärkste Modell sein, das du hast, aber er muss das Problem lesen und es an denjenigen weiterleiten, der für diesen Teil am besten geeignet ist
die drei Rollen und die, die übersprungen wird
Der Koordinator gibt jedem Modell jeweils eine Aufgabe:
Denker: Die Aufgabe aufschlüsseln, den Plan erstellen, Löcher hineinbohren
Arbeiter: Die Arbeit erledigen, den Entwurf, den Code, die Zahlen, was auch immer das Ergebnis ist
Prüfer: Das Ergebnis bewerten und sagen "Kann raus" oder "Mach das nochmal"
Der Prüfer wird übersprungen, und dabei ist er der Wichtigste
Die Arbeit ist nicht fertig, wenn ein Modell etwas produziert... sie ist fertig, wenn ein Prüfer sie absegnet
Diese eine Regel, eine klare "Fertig"-Bedingung, ist der ganze Unterschied zwischen einer Schleife, die endet, und einer, die sich ewig im Kreis dreht
übergib das Hin und Her einem Gremium
Die Einführung eines Koordinators klingt vielleicht nach einer weiteren Ebene, die es zu verwalten gilt
Aber es ist genau das Gegenteil, die Ebene, die du entfernst, warst du selbst
Der Schritt ist also einfach: Du delegierst die Koordination selbst: Du hörst auf, der Bote zu sein, und lässt einen Koordinator die Denker-Arbeiter-Prüfer-Schleife für dich laufen
Ich verwende dafür jetzt Fugu (sakana.ai/fugu), und um es klar zu sagen, das ist nicht gesponsert, ich liebe es einfach
Es ist die kommerzielle Version dieser Forschung, du richtest dein Tool darauf aus, wie du es auf jedes andere Modell ausrichten würdest, und es führt das Gremium hinter einer einzigen Anfrage aus
Ich werde ehrlich sagen, was es ist, denn das ist wichtig
Es ist ein paar Tage alt, es braucht seine Zeit, weil es wirklich ein Gremium laufen lässt und kein vorgetäuschtes, und es ist am stärksten als Prüfer, der die Arbeit zerpflückt, bevor du sie veröffentlichst
20 $ bekommst du Zugang, mit einem kostenlosen zweiten Monat, wenn du vor Ende Juli beginnst
Ich vertraue ihm nicht blind, ich vertraue dem Gremiumsmuster, und das ist der einfachste Weg, den ich gefunden habe, um dieses Muster laufen zu lassen, ohne es zu beaufsichtigen
Kommen wir nun zum schrittweisen Workflow, um konstant die besten Ergebnisse mit JEDEM Agenten-Tool zu erzielen:
berufe das Gremium am Anfang und am Ende ein
Ich rufe das Gremium bei jedem Projekt zu zwei Zeitpunkten ein, ganz am Anfang und bei der Auslieferung
Stell dir einen echten Job vor: Einen Newsletter starten, eine Lead-Liste aufbauen, eine Landingpage veröffentlichen
1. Zuerst interviewen – Bevor irgendeine Arbeit beginnt, lass deinen Agenten dich gründlich interviewen (grill-me von Matt ist eine Fähigkeit, die den Agenten zwingt, dich zu allem zu befragen), die Tiefe dieses Interviews setzt die Obergrenze für alles, was danach kommt
2. Das Gremium einberufen – Um den Plan zu erstellen, kümmert sich der Koordinator um den Multi-Modell-Teil, sodass du nicht mehr zwischen Tools hin- und herkopieren musst
3. Die Schleifen definieren – Das Ziel und die Abbruchbedingung im Voraus festlegen, damit es laufen kann, ohne dass du jeden Schritt beobachtest
4. Nach Rolle delegieren – Die richtige Aufgabe an die richtige Stelle senden und sich auf Unteragenten stützen (ein Unteragent ist nur ein Hilfsagent, dem der Hauptagent Arbeit übergibt)
5. Bei der Auslieferung zerpflücken – Wenn die Arbeit erledigt aussieht, schicke sie zurück durch das Gremium, um sie auseinanderzunehmen, bevor sie rausgeht
Dieselbe Schleife, zwei Enden, Planung am Anfang und Zerpflücken am Ende – das ist der gesamte Motor, und es hat die Geschwindigkeit, mit der ich etwas veröffentlichen kann, dem ich vertraue, grundlegend verändert
das Gremium ist der Motor, das Setup hält ihn scharf
Ein Motor ist nur so gut wie die Maschine um ihn herum...
Hier sind also die sechs Schritte, die jeden Agenten im Gremium dazu bringen, sein Bestes zu geben, keiner davon ist kompliziert
1. Baue deine eigenen Fähigkeiten, lade keine Bibliothek herunter
Eine Fähigkeit ist ein gespeicherter Satz von Anweisungen, den dein Agent wiederverwenden kann, wie ein Rezept, dem er folgt (nichts weiter als eine Markdown-Datei mit Beispielen...)
Die Versuchung ist, eine große Bibliothek von Fähigkeiten zu nehmen, die jemand anderes veröffentlicht hat, und sie einfach laufen zu lassen
Ich würde das überspringen, etwa ein Drittel der öffentlichen hat ein Sicherheitsproblem... wenn nicht schlimmer lol
Und selbst die sauberen sind der Kontext von jemand anderem, nicht deiner. Eine Fähigkeit hilft nur, wenn du persönlich gegen die Wand gelaufen bist, die sie löst
Davor ist es nur Rauschen, das den Speicher des Agenten füllt
Das ist also mein Aufruf: Baue die wenigen, die du wirklich brauchst, aus deinen eigenen fehlgeschlagenen Versuchen. Da liegt der wahre Vorteil
2. Standardmäßig kleine CLIs verwenden, keine MCP-Server
Zwei kurze Worte vorab: Ein MCP ist eine Möglichkeit, zusätzliche Tools an deinen Agenten anzudocken, und ein CLI ist ein kleiner Befehl, den du im Textfenster ausführst
Der Reflex ist, für alles einen MCP anzudocken, und jeder lädt sein vollständiges Anweisungsblatt in den Speicher des Agenten, bevor du überhaupt deine erste Frage gestellt hast
Diese Tool-Beschreibungen können über 100.000 Wörter Speicher im Voraus fressen und so die eigentliche Arbeit verdrängen
Greife also für alltägliche Aufgaben zu einem kleinen CLI, es ist leichter, der Agent weiß bereits, wie man einen Befehl ausführt, und seine Ausgabe landet in einer Datei, anstatt den Speicher zu verstopfen
Ein Tool namens printing-press (printingpress.dev) schreibt eines davon für jeden Dienst aus einem einzigen Prompt... nutze es schamlos aus
Behalte MCPs für die Aufgaben, die sie wirklich brauchen: gemeinsame Logins, viele Benutzer, eine Live-Verbindung, die offen bleiben muss
Die Regel ist CLI-zuerst, nicht CLI-ausschließlich
3. Halte die Anweisungsdatei leicht
Dein Agent liest vor jeder einzelnen Aufgabe eine Anweisungsdatei, normalerweise AGENTS.md oder CLAUDE.md
Der Drang ist, sie mit allem vollzustopfen, was dir einfällt, und der Agent befolgt dann weniger, nicht mehr
Ein Modell befolgt zuverlässig etwa 150 bis 200 Anweisungen, dann fängt es an, sie fallen zu lassen
Halte deine unter 100 Zeilen – es funktioniert einfach so besser
4. Bereinige den Kontext, behalte das Gedächtnis in Dateien
Das Kontextfenster ist das Kurzzeitgedächtnis deines Agenten, und es füllt sich und wird dümmer, je mehr es tut
Claude Opus 4.8 ist ein großartiges Beispiel... das ist ein außergewöhnliches Modell, aber sobald du 300-400k Token erreichst, solltest du den Kontext zu 100% leeren – VERWENDE KEINE KOMPRIMIERUNG
Leere es also oft und behalte das Gedächtnis, das zählt, stattdessen in Dateien
Eine learnings.md, die der Agent zu Beginn einer Sitzung liest und am Ende aktualisiert, jedes Mal, selbst wenn er denkt, dass sich nichts geändert hat
Lass ihn diese Notizen nach jedem Commit aktualisieren, wobei ein Commit ein gespeicherter Kontrollpunkt der Arbeit ist
Die dauerhaften Regeln leben in der Anweisungsdatei, die Dinge, die er auf dem Weg lernt, leben in learnings, und wenn du deine Regeln-Datei nach jedem Durchlauf bearbeitest, hast du die falschen Dinge hineingetan
Ich habe mir eine Fähigkeit namens /before-clear gebaut, sie erstellt einfach einen Kontrollpunkt im Projekt, eine temporäre Datei, die der Agent zuerst liest... sie hat eine sehr einfache Todo-Liste, eine kurze Zusammenfassung dessen, was in der letzten Sitzung passiert ist und was die nächste dringendste Aufgabe ist
Ich verliere selten wichtigen Kontext von einer Sitzung zur nächsten
5. Schreibe wenige Regeln, jede klar
Eine kurze Liste klarer Regeln ist VIEL besser als ein langer Haufen cleverer
Sobald eine Regeln-Datei lang wird, beginnen die Regeln miteinander zu konkurrieren, und der Agent muss raten, welche gewinnt
Schreibe jede Regel so, wie du es einem neuen Mitarbeiter sagen würdest: eine Zeile, eine Bedeutung, kein Interpretationsspielraum
Wenn die Regel klar ist, befolgt der Agent sie, wenn sie vage ist, improvisiert der Agent, und Improvisation ist genau der Punkt, an dem deine Ergebnisse abdriften
6. Delegiere die schwere Arbeit an Unteragenten
Schiebe die unordentliche, teure Arbeit an Unteragenten ab, besonders alles, was den Browser berührt
Das Steuern des Browsers vom Hauptagenten aus kann SEHR viel Kontext allein für Screenshots verbrauchen
Gib denselben Job einem Unteragenten, und er kommt mit "erledigt, hier ist die Zusammenfassung" in ein oder zwei Zeilen zurück
Der Hauptagent bleibt der Dirigent, die Helfer erledigen das Greifen, und dein Hauptspeicher bleibt sauber
Es ist wieder die Gremium-Idee, eine Ebene tiefer: Du koordinierst die Arbeit, anstatt sie alle selbst zu erledigen
das gesamte Betriebssystem, in einem Block
Das beste Modell wird immer wieder eingeschränkt, also kann ein einzelnes Modell nicht deine Grundlage sein
Übergib die Koordination einem Gremium: Denker plant, Arbeiter baut, Prüfer gibt grünes Licht
Der Prüfer ist die Abbruchbedingung, die Arbeit ist erledigt, wenn er es sagt, nicht früher
Berufe das Gremium zweimal ein, am Anfang zum Planen und bei der Auslieferung zum Zerpflücken
Ich verwende Fugu, um es laufen zu lassen, 20 $ zum Ausprobieren, nicht gesponsert, ehrlich, dass es früh ist
Halte dann jeden Agenten scharf:
Baue deine eigenen Fähigkeiten, lade keine Bibliothek herunter
CLI-zuerst, MCPs nur, wenn du sie wirklich brauchst
Anweisungsdatei unter 100 Zeilen
Kontext oft leeren, Gedächtnis in Dateien behalten
Wenige Regeln, jede klar
Delegiere die schwere Arbeit an Unteragenten
Alles andere obendrauf ist reine Optimierung, die du wahrscheinlich nicht einmal bemerkst, es sei denn, du bist ein Softwareentwickler
So baust du dir ein Betriebssystem, das funktioniert, mit oder ohne Fable 5...
Wie auch immer, ich baue die beste AI-Community der Welt, wie wäre es, wenn du dich mir anschließt?
