Loop Engineering: Wie man Agenten baut, die ihre eigene Arbeit verbessern

Vom manuellen Prompting zu konstruierten Loops

Die meisten Menschen bedienen KI-Agenten noch immer von Hand

Sie geben eine Aufgabe ein

Warten auf eine Antwort

Prüfen das Ergebnis selbst

Korrigieren die Fehler selbst

Und senden dann einen weiteren Prompt

Der Mensch ist immer noch die Schleife

Die nächste Stufe sieht anders aus

Du hörst auf, den Agenten Schritt für Schritt zu prompten

Du baust eine Schleife um ihn herum

Die Schleife gibt Anweisungen

Prüft die Ausgabe

Wählt die nächste Aktion

Und läuft weiter, bis das Ergebnis den Anforderungen entspricht

Das ist Loop Engineering

Die Idee ist einfach

Hör auf, deine Zeit damit zu verbringen, Agenten manuell zu prompten

Beginne damit, Systeme zu entwerfen, die sie für dich prompten

„Du solltest keine Coding-Agenten mehr prompten. Du solltest Loops entwerfen, die deine Agenten prompten"

Boris Cherny leitet Claude Code bei Anthropic

Er beschrieb denselben Wandel in seinem eigenen Workflow:

„Ich prompte Claude nicht mehr. Ich habe Loops laufen, die Claude prompten und herausfinden, was zu tun ist. Meine Aufgabe ist es, Loops zu schreiben"

Warum die meisten Menschen immer noch keine echten Loops bauen

Loops klingen großartig – bis du die Token-Rechnung siehst

Eine normale Agenten-Schleife kann extrem schnell Kontext verbrauchen:

• Eine mittelgroße Coding-Schleife kann 50K-200K Token verbrauchen
• Eine Flotte mit einem Orchestrator und Spezialisten kann 500K-2M Token verbrauchen
• Eine täglich laufende Schleife kann jede Woche Millionen von Token verbrauchen

Jeder Wiederholungsversuch kostet Token

Jede Korrektur kostet Token

Jeder Prüfschritt kostet Token

Jeder Unter-Agent fügt eine weitere Rechnung hinzu

Das ist die versteckte Einschränkung, über die selten gesprochen wird

Loop Engineering ist nicht schwierig, weil das Konzept schwer zu verstehen ist

Es ist schwierig, weil die meisten Nutzer sich keine unbegrenzten Agenten-Durchläufe leisten können

Die naheliegende Antwort ist:

„Leicht gesagt, du hast unbegrenzten OpenAI-Zugang"

Und diese Kritik ist berechtigt

Deshalb sind günstige Modelle mit großen Kontextfenstern so wichtig

Um täglich nützliche Loops laufen zu lassen, brauchst du:

• Bezahlbare Input-Token
• Bezahlbare Output-Token
• Große Kontextfenster
• Zuverlässige Tool-Calls
• Strukturierte JSON-Ausgabe
• Hohe Parallelität
• Genug Kontext, um sich an frühere Schritte zu erinnern

Ohne diese Dinge bleiben Loops teure Experimente

Mit ihnen werden Loops zu praktischen Systemen, die echte Arbeit erledigen

Der alte Workflow vs. der neue Workflow

In den letzten zwei Jahren haben die meisten Menschen Agenten so genutzt:

Du promptest

Der Agent antwortet

Du prüfst die Antwort

Du bemerkst ein Problem

Du promptest erneut

Es funktioniert, aber es skaliert nicht

Der alte Workflow:

• Du schreibst den Prompt
• Der Agent erstellt eine Ausgabe
• Du prüfst die Ausgabe
• Du reparierst die schwachen Stellen
• Du wiederholst den Vorgang manuell

Der neue Workflow:

• Du definierst das Ergebnis
• Die Schleife entdeckt, was erforderlich ist
• Die Schleife erstellt einen Plan
• Der Agent führt die Arbeit aus
• Ein Prüfer bewertet das Ergebnis
• Die Schleife korrigiert Fehler
• Das System stoppt, wenn das Ziel erreicht ist

Ein Prompt gibt einem Agenten eine einzelne Anweisung

Eine Schleife gibt dem Agenten eine ganze Aufgabe

Was Loop Engineering wirklich bedeutet

Loop Engineering bedeutet, wiederholbare Feedback-Zyklen um KI-Agenten herum aufzubauen

Das Ziel ist einfach:

Von einem ersten Versuch zu einem verifizierten Ergebnis zu gelangen

Ohne dass ein Menschen jeden Schritt kontrolliert

Die grundlegende Schleife besteht aus fünf Phasen:

1. Entdecken
2. Planen
3. Ausführen
4. Prüfen
5. Iterieren

Wenn das Ergebnis die Prüfung besteht, wird es ausgeliefert

Wenn das Ergebnis durchfällt, wird es zurück in die Schleife gegeben

Das ist das ganze Konzept

Du versuchst nicht, einen einzigen perfekten Prompt zu schreiben

Du erschaffst ein System

Eines, das unvollkommene Ausgaben verbessert, bis sie die Anforderung erfüllen

Einzel-Agenten-Loops

Loops gibt es im Allgemeinen in zwei Größen

Die kleinere Version verwendet einen Agenten, um den gesamten Zyklus zu durchlaufen

Er entdeckt, was passieren muss

Plant die Arbeit

Führt die Aufgabe aus

Prüft das Ergebnis

Und versucht es erneut, wenn etwas fehlschlägt

Es ist vergleichbar mit einer Person, die ihren eigenen Entwurf bearbeitet, bis er fertig ist

Einzel-Agenten-Loops eignen sich gut für:

• Fokussierte Aufgaben
• Begrenzte Umfänge
• Klare Ziele
• Inhaltsentwürfe
• Fehlerbehebungen
• Forschungszusammenfassungen

Ein Agent

Ein Feedback-Zyklus

Kontinuierliche Selbstverbesserung

Flotten-Loops

Ein Flotten-Loop arbeitet in größerem Maßstab

Ein Orchestrator erhält das Hauptziel

Er unterteilt das Ziel in kleinere Teile

Diese Teile werden spezialisierten Agenten zugewiesen

Jeder Spezialist kann wiederum enge Aufgaben an kleinere Unter-Agenten delegieren

Beispiel:

1Ziel: Eine Produktivitäts-App erstellen
2
3Orchestrator besitzt die Mission
4        ↓              ↓              ↓
5    Forschung        Entwicklung      QA
6    Spezialist       Spezialist       Spezialist
7        ↓              ↓              ↓
8 Web-Rechercheur   Code-Schreiber   Test-Schreiber
9                  + Debugger       + Bug-Tracker

Das ist kein einzelner Agent mehr, der allein arbeitet

Es ist eher ein kleines autonomes Team, das ein Projekt von Anfang bis Ende durchführt

Offene Loops vs. geschlossene Loops

Das ist der wichtigste praktische Unterschied

Nicht jeder Loop funktioniert gleich

Offene Loops

Offene Loops sind explorativ

Du gibst ein breites Ziel vor und erlaubst dem Agenten, seinen eigenen Weg zu finden

Der Agent kann nützliche Dinge entdecken, die du nie spezifiziert hast

Aber er kann auch teuer und chaotisch werden

Offene Loops können:

• Zu viele Richtungen erkunden
• Große Mengen an Token verschwenden
• In hohem Tempo minderwertige Arbeit produzieren
• Vom eigentlichen Ziel abdriften
• Schwer zu kontrollieren sein

Offene Loops sind aufregend

Aber sie sind normalerweise nicht der beste Ausgangspunkt

Geschlossene Loops

Geschlossene Loops haben klare Grenzen

Der Mensch definiert zuerst den Pfad

Die Schleife arbeitet weiterhin unabhängig, bleibt aber innerhalb expliziter Regeln

Ein geschlossener Loop beinhaltet:

• Ein klares Ziel
• Definierte Phasen
• Bewertung nach jeder Phase
• Eine Abbruchbedingung
• Eine Übergabe an den Menschen, wenn das System stecken bleibt

Das ist die Version, die heute Wert schafft

Sie kostet weniger

Sie ist vertrauenswürdiger

Sie liefert sauberere Ergebnisse

Beginne mit geschlossenen Loops

Mache sie erst offener, wenn deine Checks stark genug sind

Die 6 Bausteine eines effektiven Loops

Jeder Loop folgt konzeptionell dem gleichen Fünf-Phasen-Zyklus

In der Praxis machen sechs Bausteine diesen Zyklus nützlich

1 Automatisierungen

Automatisierung ist der Herzschlag des Loops

Sie startet den Prozess, ohne dass du daran denken musst, ihn manuell zu starten

Beispiele:

• Jeden Morgen laufen
• Laufen, wenn ein PR geöffnet wird
• Laufen, wenn sich eine Datei ändert
• Laufen, wenn ein neues Ticket erscheint
• Weiterlaufen, bis alle Tests bestanden sind

Wenn du jede Aktion noch selbst startest, macht der Loop nicht genug

2 Worktrees

Worktrees werden wichtig, wenn mehrere Agenten gleichzeitig Code bearbeiten

Ohne Isolation kollidieren Agenten

Zwei Agenten könnten dieselbe Datei ändern

Ein Agent könnte die Arbeit eines anderen Agenten überschreiben

Ein Worktree gibt jedem Agenten einen separaten Arbeitsbereich und Branch

Das erlaubt mehreren Agenten, parallel zu arbeiten

Ohne das Repository in ein Chaos zu verwandeln

3 Skills

Skills speichern wiederverwendbares Wissen über das Projekt

Hör auf, denselben Kontext bei jedem Durchlauf zu erklären

Schreibe die wichtigen Informationen einmal

Lasse jeden zukünftigen Loop sie wiederverwenden

Nützliche Skill-Dateien können enthalten:

• Produktvision
• Architektur
• Projektregeln
• Build-Anweisungen
• Test-Anweisungen
• Aktionen, die der Agent niemals ausführen darf

Ohne Skills beginnt jeder Loop aus einem kalten Start

Mit Skills beginnt jeder Durchlauf mit Wissen, das aus früheren Arbeiten angesammelt wurde

4 Plugins und Connectors

Ein Loop, der nur lokale Dateien lesen kann, hat einen begrenzten Wert

Connectors erlauben ihm, mit den Tools zu interagieren, in denen deine eigentliche Arbeit stattfindet

Beispiele:

• GitHub
• Slack
• Linear
• Jira
• Gmail
• Google Drive
• Datenbanken
• Staging-APIs

Das ist der Unterschied zwischen:

„Hier ist ein möglicher Fix"

Und:

„Ich habe den PR geöffnet und mit dem Ticket verknüpft"

„Dann habe ich CI überwacht und das endgültige Update gepostet"

5 Unter-Agenten

Der Macher und der Prüfer sollten nicht immer derselbe Agent sein

Ein Agent, der den Code geschrieben hat, könnte bei der Überprüfung zu nachsichtig sein

Ein Agent, der einen Artikel entworfen hat, könnte dieselben schwachen Stellen zweimal übersehen

Verwende separate Agenten für:

• Erkundung
• Implementierung
• Überprüfung
• Tests
• Faktenprüfung
• Abschließende Zusammenfassungen

Die Qualität verbessert sich, wenn der Prüfer unabhängig ist

Der Schöpfer sollte nicht der Einzige sein, der die Arbeit überprüft

6 Gedächtnis

Das Gedächtnis erlaubt dem Loop, über mehrere Durchläufe hinweg fortzufahren

Das Modell vergisst

Das Repository tut es nicht

Die Notizen tun es nicht

Das Projektprotokoll tut es nicht

Das Gedächtnis kann gespeichert werden in:

• Markdown-Dateien
• Projektprotokollen
• Linear-Tickets
• GitHub-Issues
• Obsidian-Vaults
• Datenbanken
• Claude-Projekten

Ein langlebiger Loop muss sich daran erinnern, was bereits versucht wurde

Was funktioniert hat

Was fehlgeschlagen ist

Und was noch erledigt werden muss

Ohne persistentes Gedächtnis beginnt der Loop jedes Mal von Null

Echte Beispiele für Loops

Diese Workflows machen das Konzept konkret

Coding-Loop

1Lese VISIONmd + ARCHITECTUREmd
2↓
3Plane die nächste Änderung
4↓
5Bearbeite den Code
6↓
7Führe die Tests aus
8↓
9Wenn Tests fehlschlagen → untersuche den Fehler → behebe → teste erneut
10↓
11Wenn Tests bestehen → fasse die Änderungen zusammen
12↓
13Stop

Ein Mensch muss nicht jede Stufe antreiben

Der Agent schreibt, testet, korrigiert und überprüft seine eigene Arbeit

Recherche-Loop

1Definiere die Forschungsfrage
2↓
3Finde relevante Quellen
4↓
5Fasse die Beweise zusammen
6↓
7Überprüfe jede Behauptung anhand der Quellen
8↓
9Vergleiche widersprüchliche Informationen
10↓
11Erstelle die endgültige Synthese
12↓
13Stoppe, wenn die Vertrauensschwelle erreicht ist

Das erzeugt ein viel stärkeres Ergebnis, als nach einer einzigen schnellen Zusammenfassung zu fragen

Content-Loop

1Definiere Thema + Zielgruppe + Ziel
2↓
3Erstelle den ersten Entwurf
4↓
5Sende ihn an einen Kritik-Agenten
6↓
7Schreibe anhand der Kritik um
8↓
9Bewerte ihn anhand der Erfolgskriterien
10↓
11Wenn er besteht → veröffentlichen
12↓
13Wenn er durchfällt → erneut umschreiben

Der Loop verwandelt eine Idee in ein wiederholbares Content-System

Sales-Outreach-Loop

1Definiere das ICP
2↓
3Finde Leads, die dem Profil entsprechen
4↓
5Reichere jeden Lead mit Unternehmensdaten an
6↓
7Qualifiziere sie anhand der Kriterien
8↓
9Personalisierte die Nachricht
10↓
11Führe eine Qualitätsprüfung durch
12↓
13Sende oder eskaliere an einen Menschen

Jedes Beispiel verwendet das gleiche Gerüst:

Ziel

Aktion

Prüfung

Korrektur

Wiederholen, bis die Aufgabe erledigt ist

Prompt Engineer vs. Loop Engineer

Das ist die neue Qualifikationslücke, die sich 2026 auftut

Prompt Engineer

Ein Prompt Engineer konzentriert sich auf bessere Anweisungen

Er verbessert die Formulierung

Er erzeugt eine stärkere einzelne Antwort

Aber nachdem der Agent fertig ist, muss ein Mensch immer noch alles überprüfen

Der Mensch bleibt der Feedback-Loop

Loop Engineer

Ein Loop Engineer baut das Feedback-System selbst

Er legt fest:

• Was den Loop startet
• Welchen Kontext der Agent erhält
• Auf welche Tools er zugreifen kann
• Was als Erfolg gilt
• Wer das Ergebnis überprüft
• Wann der Prozess stoppen muss
• Wo die endgültige Ausgabe gespeichert wird

Ein Prompt Engineer sagt:

„Schreib mir eine Funktion"

Ein Loop Engineer sagt:

„Schreib die Funktion"

„Teste sie und repariere sie, bis alle Tests bestehen"

„Dann fasse die Änderung zusammen"

Die Werkzeuge mögen identisch sein

Die Denkweise ist völlig anders

Die wirkungsvollsten KI-Entwickler gehen über bessere Anweisungen hinaus

Sie erschaffen Systeme, die entdecken und planen

Ausführen und überprüfen

Und dann im richtigen Moment stoppen

Die Kurzfassung

Loop Engineering ist der Wechsel von manuellen Prompts zu automatisierten Feedback-Zyklen

Der Wandel:

• Alte Methode: Gib einem Agenten eine Aufgabe nach der anderen
• Neue Methode: Baue einen Loop, der den gesamten Zyklus verwaltet

Die 6 Dinge, die du baust:

• Automatisierungen: Starte den Loop automatisch
• Worktrees: Lass Agenten parallel arbeiten, ohne Dateikonflikte
• Skills: Nutze Projektwissen in jedem Durchlauf wieder
• Plugins und Connectors: Gib dem Loop Zugriff auf echte Tools
• Unter-Agenten: Trenne Macher von Prüfern
• Gedächtnis: Bewahre Wissen zwischen Durchläufen auf

Die 2 Größen:

• Einzel-Agenten-Loop: Ein Agent verbessert wiederholt seine eigene Arbeit
• Flotten-Loop: Ein Orchestrator koordiniert Spezialisten und Unter-Agenten

Die 2 Typen:

• Offener Loop: Flexibel, explorativ und teuer
• Geschlossener Loop: Begrenzt, zuverlässig und erschwinglich

Die 5 Phasen:

1. Entdecken
2. Planen
3. Ausführen
4. Prüfen
5. Iterieren

Das eigentliche Kostenproblem:

• Loops verbrauchen schnell Token
• Günstige Modelle mit langem Kontext machen sie praktikabel
• Ohne bezahlbare Token kommen die meisten Nutzer nie über Experimente hinaus

Der Mindset-Wechsel:

• Prompt Engineers fordern Ergebnisse von KI an
• Loop Engineers bauen Systeme, die verifizierte Ergebnisse liefern

Das ist der wahre Durchbruch

Hör auf, nach einem perfekten Prompt zu suchen

Baue einen Loop, der unvollkommene Ausgaben immer besser macht

Ein zuverlässiger Loop wird einen perfekten Prompt schlagen

Wenn du bis hierher gelesen hast

Folge @elune0x und setze diesen Artikel als Lesezeichen

Komm zurück, wenn du bereit bist, deine eigenen Loops zu bauen