Der agentische Loop ist die Schleife, in der ein KI-Agent arbeitet: überlegen, was zu tun ist; ein Werkzeug aufrufen; das Ergebnis lesen; von vorn beginnen. Sie läuft so lange, bis die Aufgabe erledigt ist, eine Abbruchbedingung greift oder das Kontingent erschöpft ist.
- Agentischer Loop (Agent Loop)
Die Schleife aus Denken, Handeln und Beobachten, in der ein KI-Agent arbeitet.
Beispiel: „Der agentische Loop lief 42 Durchgänge, und beim dreißigsten fiel auf, dass er im Kreis suchte.“Die drei Schritte heißen in der Fachsprache Reasoning, Action und Observation. Entscheidend ist der dritte: Ohne Rückmeldung über die Wirkung einer Handlung kann sich ein Agent nicht korrigieren.
Jeder Durchgang ist eine eigene Anfrage an das Modell und trägt den bisherigen Verlauf mit. Deshalb wachsen die Kosten schneller als die Zahl der Schritte, siehe Inferenzkosten.
Woran die Schleife scheitert
An drei Mustern, die jeder kennt, der Agenten zusieht. Sie dreht sich im Kreis, weil ein Werkzeug dieselbe nutzlose Antwort liefert. Sie läuft auf einem falschen Weg weiter, weil ein früher Fehler als gegeben behandelt wird. Oder sie hält sich für fertig, obwohl die Aufgabe nicht gelöst ist. Alle drei lassen sich an einem Protokoll erkennen und keiner davon am Endergebnis allein.
Was dagegen hilft
Eine harte Obergrenze für die Zahl der Durchgänge. Eine klare Abschlussbedingung, die sich prüfen lässt: grüne Tests, eine Datei, eine Liste. Ein Zwischenstand, der mitgeschrieben wird, damit ein falscher Weg früh auffällt. Und eine Zusammenfassung des Verlaufs, sobald er lang wird, weil die Treffsicherheit sonst nachlässt.
Warum das Zusehen lohnt
Weil die Schleife den Arbeitsstil des Agenten offenlegt. Wer die ersten Durchgänge mitliest, erkennt in einer Minute, ob die Aufgabe verstanden wurde, und spart sich dreißig Minuten Rechenzeit. In unserer Arbeit ist das die wirksamste einzelne Gewohnheit beim Einsatz von Agenten. Der zweite Blick lohnt am Ende: Ein Protokoll, das zeigt, welche Werkzeuge in welcher Reihenfolge liefen, erklärt ein schlechtes Ergebnis zuverlässiger als die Frage an das Modell, warum es so entschieden hat.