Graph Engineering: Ein vollständiges Tutorial für Anfänger von 0 auf 1

Sie haben vielleicht bereits gelernt, wie man KI in Schritten arbeiten lässt – die Aufgabe verstehen, ausführen, prüfen und dann korrigieren.

Das nennt sich Loop Engineering.

Doch seit Kurzem sagen einige in der KI-Szene: Der Loop ist tot.

Nicht, dass Loop nutzlos wäre.

Sondern dass ein einzelner Loop bei komplexen Aufgaben nicht mehr ausreicht.

Man braucht eine Zusammenarbeit mehrerer Loops.

Das ist Graph Engineering.

Man kann es sich so vorstellen:

Statt eine KI in einem Kreislauf arbeiten zu lassen, entwirfst du ein Aufgaben-Flussdiagramm, in dem mehrere KIs verschiedene Abschnitte verwalten und die Arbeit nacheinander übergeben.

1. Warum du Graph Engineering verstehen musst

In den frühen Morgenstunden des 18. Juli 2026 postete Peter Steinberger einen Tweet auf X:

https://x.com/steipete/status/2078277297791189132

Nur dieser eine Satz, neun Wörter, wurde 3 Millionen Mal angesehen.

Ja, es ist dieselbe Person, die vor nicht allzu langer Zeit über Loop sprach.

Viereinhalb Stunden später meldete sich KI-Bewertungsexperte Hamel Husain mit einem langen Artikel, dessen Titel nur aus zwei Sätzen bestand:

https://x.com/HamelHusain/status/2078346425621237935

Interessanterweise existierte der Begriff Loop Engineering von seiner Benennung bis zu seiner Totenerklärung nur 41 Tage.

Du denkst vielleicht: Das ist mal wieder die KI-Szene, die neue Begriffe prägt.

Aber dieses Mal ist es anders.

Denn das Problem ist real – wenn sich deine KI-Aufgabe von "einen Artikel schreiben" zu "ein Produkt bauen" ändert, reicht ein Loop tatsächlich nicht mehr.

Loop Engineering löst: Wie eine einzelne KI kontinuierlich arbeitet.

Graph Engineering löst: Wie eine Gruppe von KIs zusammenarbeitet.

2. Was genau ist Graph Engineering?

Graph bezieht sich auf ein Flussdiagramm.

Engineering bezieht sich auf die Systematisierung des Prozesses.

Graph Engineering bedeutet, eine komplexe Aufgabe in mehrere Knoten zu zerlegen und die Beziehungen zwischen ihnen mit einem Flussdiagramm zu definieren.

Du kannst es dir wie eine professionelle Küche vorstellen.

Loop ist ein Koch, der alles macht

——Schneiden, braten, würzen, anrichten, jeden Schritt prüfen und von vorne beginnen, wenn es nicht richtig ist.

Graph ist ein ganzes Küchenteam

——Es gibt Vorbereitungsköche, Wok-Köche, Assistenten und Kellner. Jede Position macht nur eine Sache und gibt das Gericht im Prozess weiter.

Ein Graph besteht aus drei Dingen:

Knoten – Eine Arbeitseinheit. Es kann eine KI, ein Tool-Aufruf oder sogar eine menschliche Genehmigung sein.

Kanten – Entscheiden, was als Nächstes läuft. Es kann sequenziell, parallel sein oder basierend auf dem Ergebnis des vorherigen Schritts verschiedene Zweige nehmen.

Zustand – Informationen, die zwischen Knoten fließen. Jeder Knoten liest daraus und schreibt hinein.

Klingt abstrakt? Schauen wir uns ein konkretes Beispiel an.

Wenn du möchtest, dass eine KI einen tiefgehenden Artikel schreibt, sieht der Graph-Ansatz so aus:

• Erster Knoten: Recherche – Materialien suchen, Kernpunkte organisieren.
• Zweiter Knoten: Schreiben – Den Haupttext basierend auf den Rechercheergebnissen verfassen.
• Dritter Knoten: Überprüfung – Qualität prüfen; bei Nichtbestehen zurückschicken.

Drei Knoten, zwei Kanten und ein gemeinsamer Zustand. Das ist der kleinste Graph.

Loop ist eine Person, die sich im Kreis dreht; Graph ist eine Gruppe von Menschen in einem Staffellauf.

3. Warum Loop nicht mehr ausreicht

Nicht alle Aufgaben brauchen einen Graph.

Wenn du nur möchtest, dass KI einen Satz übersetzt, 10 Überschriften schreibt oder ein Konzept erklärt – ein Loop ist ausreichend.

Aber wenn eine Aufgabe diese drei Situationen aufweist, versagt der Loop.

1. Bedarf an verschiedenen Rollen

Zum Beispiel die Produktion einer Podcast-Episode.

Der Rechercheur, der Drehbuchautor, der Redakteur und der Cover-Designer – diese Rollen verwenden unterschiedliche Prompts, haben unterschiedliche Schwerpunkte und brauchen vielleicht sogar verschiedene Modelle.

Sie alle in einen Loop zu stopfen, führt zu Rollenverwirrung bei der KI. Sie wird unscharf zwischen Recherchieren, Schreiben und Prüfen.

2. Bedarf an bedingten Verzweigungen

Zum Beispiel beim Schreiben von Code.

Wenn der Test bestanden ist, gehe zum nächsten Schritt; wenn er fehlschlägt, gehe zurück, um ihn zu korrigieren. Manchmal betrifft die Korrektur eines Teils andere, was eine Neubewertung erfordert.

Diese "wenn A, dann B, wenn C, dann D"-Logik in einem Loop zu schreiben, ist umständlich. In einem Graphen ist es nur eine bedingte Kante.

3. Bedarf an Parallelisierung

Zum Beispiel bei der Durchführung von Branchenrecherchen.

Du musst gleichzeitig in 5 Richtungen nach Informationen suchen und dann zusammenfassen.

Loops sind seriell – eine Sache nach der anderen. Graphen erlauben 5 Knoten, gleichzeitig zu laufen und dann zu aggregieren.

Das Kriterium ist einfach: Wenn eine Aufgabe nach drei Runden eines Loops nicht gelöst werden kann, ist es Zeit, einen Graphen in Betracht zu ziehen.

4. Was ist die Beziehung zwischen Loop und Graph?

Dies ist der wichtigste Satz des Artikels:

Ein Loop ist tatsächlich ein Sonderfall eines Graphen.

Was bedeutet das?

Der Kreislauf, den du vorher geschrieben hast:

KI denkt → führt aus → prüft → wiederholt bei Nichtbestehen

Als Graph dargestellt, ist es ein Knoten mit einer Kante, die auf sich selbst zurückzeigt.

1[KI-Arbeit]
2  ↑    ↓
3  └────┘  (Selbstschleifen-Kante)

Also ist Loop nicht tot. Loop ist nur zu einer grundlegenden Struktur innerhalb eines Graphen geworden.

Graph Engineering ersetzt Loop nicht; es:

1. Verbindet einzelne Loops miteinander.
2. Verwaltet die Koordination zwischen ihnen.

Du kannst es so verstehen:

• Loop löst "wie eine KI arbeitet."
• Graph löst "wie eine Gruppe von KIs zusammenarbeitet."

Es ist wie das Upgrade vom "Einzelkämpfer" zum "Team-Management."

5. Was sich wirklich geändert hat, ist nicht der Graph, sondern die Knoten

Du könntest sagen: Flussdiagramme, Zustandsautomaten, Aufgabenplanung – sind das nicht jahrzehntealte Konzepte der Informatik?

Richtig.

Airflow zeichnet seit zehn Jahren Aufgaben-Graphen. Anthropics 2024 Paper "Building Effective Agents" hat auch all diese Muster illustriert.

Warum also jetzt der Hype?

Weil sich nicht die Struktur des Graphen wirklich geändert hat, sondern die Knoten darin.

Früher waren Knoten Maschinen. Du hast Regeln geschrieben, und sie haben sie befolgt. Eingabe und Ausgabe waren vollständig deterministisch.

Jetzt sind Knoten KIs. Du gibst ihr eine Aufgabe, und sie versteht, beurteilt und führt selbstständig aus. Wenn sie richtig versteht, gut; wenn sie abweicht, weichen alle nachfolgenden Knoten mit ab.

Diese Änderung bringt drei brandneue Probleme mit sich:

• Zustandsverfall – Wenn eine KI einen Fehler macht, ziehen die nachgelagerten nach.
• Routing-Drift – Dieselbe Aufgabe kann bei zwei Durchläufen zwei verschiedene Pfade nehmen.
• Validierungsfehler – KI bewertet KI, sie nicken sich nur gegenseitig zu.

Das ist es, worüber Graph Engineering eigentlich spricht. Es geht nicht darum, wie man ein Diagramm zeichnet, sondern wie man eine Gruppe von Knoten verwaltet, die selbst denken können.

6. Die 4 Kernmodule des Graph Engineering

1. Knoten-Modul: Warum existiert jeder Knoten?

Der häufigste Fehler ist, eine einfache Aufgabe in viele Knoten zu zerlegen. Für "Ein PDF zusammenfassen" machst du fünf Knoten: abrufen, chunken, zusammenfassen, prüfen, formatieren. Das Ergebnis sind nur verschwendete Tokens ohne echte Synergie.

Ein Knoten verdient seinen Platz nur, wenn er eine echte Spezialisierung darstellt:

• Ein anderes Modell (GPT-5 für Recherche, Claude für Prüfung).
• Ein anderer Tool-Satz (einer kann im Internet suchen, einer kann Code ausführen).
• Eine wirklich andere Rolle (ein reiner Lese-Prüfer).

Test: Wenn zwei Knoten zu einem zusammengelegt werden können, ohne etwas zu verlieren, hätten sie nie getrennt sein sollen.

2. Zustands-Modul: Wie Informationen zwischen Knoten fließen

In einem Loop heißt das Scheitern "Kontextverfall." In einem Graphen zieht dieselbe Krankheit in den gemeinsamen Zustand ein. Ein Fehler des zweiten Knotens wird zur Eingabe für den fünften.

Ingenieurspraktiken:

• Definiere eine klare Datenstruktur für den Zustand – lass keine Strings mischen, wo Listen hingehören.
• Lege fest, dass jeder Knoten nur in seine verantwortlichen Felder schreiben darf.
• Richte Checkpoints zwischen Knoten ein – so kannst du einen Durchlauf wiederholen, um zu sehen, wo es schiefgelaufen ist.

3. Routing-Modul: Welcher Pfad als nächstes genommen wird

Jede Kante ist eine Entscheidung. Die Frage ist, wer sie trifft. Die KI die Route entscheiden zu lassen, bringt Flexibilität, aber auch Instabilität.

Prinzip: Hardcode, wo Bedingungen klar sind (if/else), und lass die KI nur entscheiden, wo wirklich Interpretation nötig ist.

4. Prüf-Modul: Verhindern, dass KI nur nickt

Mehrere KIs derselben Quelle, die denselben problematischen Kontext lesen, werden sich fröhlich zustimmen.

Wie man das durchbricht:

• Verwende ein anderes Basismodell für den Prüfknoten.
• Gib ihm einen frischen Kontext – nicht die gesamte Gesprächshistorie – um unabhängiges Denken zu erzwingen.
• Verankere Schlussfolgerungen an externen Beweisen (wie Code, der tatsächlich kompiliert).

7. 3 Graph-Vorlagen, die Anfänger kopieren können

1. Artikelschreib-Graph

• Knoten 1: Recherche (Suchen, 5 Punkte organisieren).
• Knoten 2: Schreiben (Entwurf basierend auf Recherche).
• Knoten 3: Prüfung (Auf Beispiele, Fülltext und CTA prüfen). Bei Nichtbestehen zurück zu Knoten 2.

2. Code-Graph

• Knoten 1: Verstehen (Struktur lesen, Dateien finden).
• Knoten 2: Ausführen (Code ändern).
• Knoten 3: Testen (Tests ausführen, Fehler lesen).
• Knoten 4: Korrigieren (Bedingter Knoten basierend auf Fehlern, zurück zu Knoten 3).

3. Recherche-Graph

• Knoten 1-5: Parallele Suche (Marktgröße, Akteure, Schmerzpunkte, Trends, Lücken).
• Knoten 6: Aggregieren (Zusammenführen, Entduplizieren).
• Knoten 7: Faktencheck (Datenquellen verifizieren).

8. Lernpfad vom Anfänger zum Fortgeschrittenen

Phase 1: Beherrsche einen einzelnen Loop (1-3 Tage). Stelle sicher, dass du Abbruchbedingungen und Validierung hast.

Phase 2: Zeichne auf Papier (3-7 Tage). Zwinge jeden Knoten, seine Existenz zu rechtfertigen.

Phase 3: Definiere die Zustandsstruktur (7-14 Tage). Entscheide, was jeder Knoten liest und schreibt, bevor du läufst.

Phase 4: Kombiniere mehrere Graphen (14-30 Tage). Zerlege eine riesige Aufgabe in eine Sequenz kleiner Graphen.

9. 5 häufige Fallstricke für Anfänger

1. Graphen um des Graphen willen: Verwende keinen Graphen, wenn ein Loop funktioniert.
2. Undefinierter Zustand: Führt zu Datentyp-Kollisionen zwischen Knoten.
3. Nur-KI-Routing: Macht Debugging aufgrund nicht-deterministischer Pfade unmöglich.
4. Gleiches Modell zur Prüfung: Prüfer werden zu Abnickern.
5. Kein Budget-Limit: Parallele Knoten können Tokens schnell verbrauchen. Setze Wiederholungslimits.

10. Übung, die du heute starten kannst

Lerne nicht nur Theorie. Wähle eine reale Aufgabe (Artikel schreiben, Wettbewerbsanalyse, Feature-Entwicklung) und zeichne ein Diagramm auf Papier:

1. Schreibe den Aufgabennamen.
2. Zeichne Knoten (Was zu tun ist, welches Modell/Tool).
3. Zeichne Kanten (Ablauf und Wiederholungslogik).
4. Definiere den Zustand (Welche Informationen fließen).
5. Definiere Abbruchbedingungen.

Der Kern des Graph Engineering ist: Ändere "Ich hoffe, die KI kriegt das hin" zu "Ich sage einer Gruppe von KIs, wie sie Arbeit teilen, übergeben und fertigstellen."