{"content_id":"tx8xp2gpig","slug":"ai-agent-harness-loop-graph-engineering","locale":"de","schema_type":"TechArticle","category":"knowledge_base","category_name":"Wissensdatenbank","title":"AI-Agenten: Harness-, Loop- und Graph-Engineering der Reihe nach verstehen","summary":"Das Harness gestaltet die Arbeitsumgebung und Kontrollmechanismen des Agenten, der Loop die Wiederholungs- und Abbruchregeln und der Graph die zulässigen Zustände und Übergangspfade. Die drei Begriffe sind weniger als offiziell anerkannte Standardklassifikation zu verstehen, sondern vielmehr als praktische Perspektiven auf die Autonomie und die Risiken von AI-Agenten.","sponsorship_disclosure":null,"author":{"name":"injoys","url":"https://injoys.com/ko/about"},"key_points":["Beim Harness-Engineering werden Kontext, Werkzeuge, Rechte, Prüfungen, Protokolle und Genehmigungsverfahren außerhalb des Modells als eine einheitliche Ausführungsumgebung gestaltet.","Beim Loop-Engineering werden die Bedingungen und Budgets für die wiederholte Planung, Ausführung, Prüfung und Korrektur durch den Agenten sowie die Abbruchkriterien definiert.","Beim Graph-Engineering werden Zustände und Übergangsregeln verwendet, um die Pfade, die ein Agent wählen kann, ausdrücklich einzuschränken oder anzupassen.","Für die meisten Organisationen ist es effizienter, zunächst das Harness und das Bewertungssystem eines einzelnen Agenten zu verbessern, statt komplexe Multi-Agenten-Graphen einzusetzen.","Bei Hochrisikocode reicht es nicht aus, nur einen von AI erstellten zusammenfassenden Bericht zu genehmigen; auch Tests, Änderungsumfang, Sicherheitsgrenzen und die ursprünglichen Arbeitsergebnisse müssen gemeinsam geprüft werden."],"content_markdown":"Da AI-Agenten zunehmend langfristige Aufgaben übernehmen, ist es schwieriger geworden, allein durch gut formulierte Prompts zuverlässige Ergebnisse zu erzielen. Denn es muss auch festgelegt werden, welche Informationen ein Agent sieht, welche Werkzeuge er verwendet, wann er etwas wiederholt, welchen Pfad er nimmt und an welchen Stellen die Zustimmung eines Menschen erforderlich ist.\n\nBegriffe, die bei der Beschreibung dieses Problems häufig auftauchen, sind **Harness Engineering**, **Loop Engineering** und **Graph Engineering**. Dabei handelt es sich weder um internationale Standards noch um streng vereinbarte wissenschaftliche Kategorien. Sie überschneiden sich teilweise, und ihre Bedeutung kann je nach Produkt und Entwicklungsteam variieren. Daher ist es sinnvoller, sie anhand der Steuerungsfragen zu unterscheiden, die sie beantworten sollen, statt sie als jahresbezogene Modebegriffe auswendig zu lernen.\n\n## Die drei Konzepte auf einen Blick\n\n| Konzept | Kernfrage | Zentrale Gestaltungsobjekte | Typische Schutzmechanismen gegen Fehler |\n|---|---|---|---|\n| Harness Engineering | In welcher Umgebung und nach welchen Regeln arbeitet der Agent? | Kontext, Werkzeuge, Berechtigungen, Sandbox, Hooks, Logs, Genehmigungen, Evaluation | Minimale Berechtigungen, Genehmigung riskanter Befehle, Testausführung, Kontextauswahl |\n| Loop Engineering | Was wird wiederholt und wann wird abgebrochen? | Planungs-, Ausführungs- und Prüfzyklen, Ereignisverarbeitung, Wiederholungsversuche, Budgets, Abbruchbedingungen | Maximale Anzahl von Wiederholungen, Zeit- und Token-Limits, Fortschrittsbewertung, Übergabe bei Fehlschlag |\n| Graph Engineering | Welche Zustände und Pfade sind erlaubt? | Knoten, Zustände, Übergänge, Verzweigungen, Parallelverarbeitung, Checkpoints | Verbotene Übergänge, Zustandsprüfung, Genehmigungsknoten, Wiederherstellungspfade |\n\nKurz gesagt: **Ein Harness definiert Umgebung und Grenzen**, **ein Loop die Wiederholungsregeln** und **ein Graph die Struktur möglicher Pfade**. In realen Systemen kann sich ein Loop innerhalb eines Graphknotens befinden, während der gesamte Graph innerhalb eines Harness ausgeführt wird.\n\n## Wie haben sich die Methoden zur Steuerung von Agenten verändert?\n\n### Frühe Agenten: Vorgegebene Workflows ergänzten die Autonomie\n\nFrühe generative AI-Agenten vergaßen bei langen Aufgaben häufig ihr Ziel, wiederholten falsche Werkzeugaufrufe oder erzeugten unbelegte Ergebnisse. Daher zerlegten Entwickler große Aufgaben in kleinere Schritte und legten die Ein- und Ausgaben jedes Schritts fest.\n\nBei diesem Ansatz schreibt ein Mensch das gesamte Verfahren als Chain, Flussdiagramm oder Zustandsmaschine, während das LLM begrenzte Aufgaben wie Klassifizierung, Extraktion, Zusammenfassung oder das Erstellen von Entwürfen übernimmt. Frameworks wie LangGraph werden verwendet, um unter Beibehaltung des Zustands Verzweigungen, Zyklen, Checkpoints und menschliche Eingriffe abzubilden.\n\nGraphbasierte Orchestrierung ist jedoch keine veraltete Methode, die in einem bestimmten Jahr endete. Auch heute eignen sich explizite Graphen für Aufgaben, bei denen Auditierbarkeit, Reproduzierbarkeit, regulatorische Compliance oder präzise Wiederherstellungsverfahren wichtig sind.\n\n### Leistungsfähigere Modelle: Von festen Pfaden zur dynamischen Werkzeugnutzung\n\nMit verbesserten Fähigkeiten zur Werkzeugnutzung und Schlussfolgerung kann ein einzelner Agent je nach Situation Aktionen wie Suchen, Bearbeiten von Code, Testen oder Lesen von Dateien auswählen. Ansätze aus der ReAct-Familie sind ein typisches Muster, bei dem sich Schlussfolgerung, Aktion und Beobachtung abwechseln.\n\nDiese Veränderung verringerte den Aufwand, alle Verzweigungen im Voraus durch Menschen festlegen zu müssen. Gleichzeitig wurde es wichtiger, die vom Agenten gelesenen Informationen, seine Berechtigungen, die Ausführungskosten und den Umgang mit Fehlern zu verwalten. An diesem Punkt rückten Context Engineering und Harness Engineering ins Zentrum der praktischen Arbeit.\n\n### Langfristige Aufgaben und Multi-Agenten-Systeme: Erneute Verbindung von Loops und Graphen\n\nBei langfristigen Aufgaben ist ein wiederholter Zyklus aus Planung, Ausführung und Prüfung wichtiger als ein einzelner Modellaufruf. Sind mehrere Agenten beteiligt, müssen auch Rollen, Formate der Arbeitsergebnisse, Berechtigungen und Abbruchbedingungen festgelegt werden. Werden autonome Loops jedoch vollständig sich selbst überlassen, können explodierende Kosten, endlose Wiederholungsversuche, Reward Hacking und die Optimierung auf falsche Ziele auftreten.\n\nDaher werden moderne Agentensysteme nicht darauf ausgelegt, Autonomie zu beseitigen, sondern **Bereiche, in denen Autonomie erlaubt ist, mit Bereichen zu kombinieren, die deterministisch kontrolliert werden**. Dies ist keine einfache Rückkehr zu festen Chains der Vergangenheit, sondern ein Ansatz, bei dem flexible Ausführung von Zuständen, Übergängen und Richtlinien umgeben wird.\n\nDiese Veränderung ist weniger eine genaue Chronologie als eine Verschiebung der gestalterischen Schwerpunkte. Graphen, Loops und Harnesses haben von Anfang an nebeneinander bestanden und werden auch heute gemeinsam eingesetzt.\n\n## Was Harness Engineering umfasst\n\nEin Harness ist nicht das Basismodell selbst, sondern **das Ausführungssystem, das das Modell umgibt und ihm die tatsächliche Arbeit ermöglicht**. Selbst bei Verwendung desselben Modells können Erfolgsquote, Kosten, Sicherheit und Reproduzierbarkeit je nach Harness erheblich variieren.\n\n### Zentrale Bestandteile eines Harness\n\n1. **Anweisungssystem**: Systemanweisungen, Repository-Regeln, Coding-Standards, Prioritäten und verbotene Aktionen\n2. **Kontextbereitstellung**: Suche, Dateiauswahl, Zusammenfassungen, Memory und das Einspeisen benötigter Dokumente zum richtigen Zeitpunkt\n3. **Werkzeugschnittstellen**: Dateibearbeitung, Terminal, Browser, Datenbanken, externe APIs\n4. **Berechtigungen und Isolation**: Lese- und Schreibbereiche, Zugriff auf Geheimnisse, Netzwerkeinschränkungen, Sandbox\n5. **Prüfmechanismen**: Tests, Linter, Typprüfung, Schemavalidierung, Faktenprüfung\n6. **Menschliche Genehmigung**: Zustimmung zu schwer rückgängig zu machenden Aktionen wie Deployment, Zahlungen, Löschungen und externer Übertragung\n7. **Beobachtbarkeit**: Aufrufprotokolle, Kosten, Latenz, Fehler, Änderungsverlauf, Entscheidungsgrundlagen\n8. **Wiederherstellungsrichtlinien**: Wiederholungsversuche, Wiederherstellung eines vorherigen Zustands, Abbruch der Aufgabe, Übergabe an Verantwortliche\n\nProjektanweisungsdateien oder Hooks von Claude Code können als Beispiele für Harness-Komponenten betrachtet werden. Eine einzelne Funktion eines bestimmten Produkts steht jedoch nicht für den gesamten Harness.\n\n### Unterschied zum Context Engineering\n\nContext Engineering optimiert, welche Informationen und Anweisungen in den aktuellen Modellaufruf aufgenommen werden. Dazu gehören etwa das Abrufen ausschließlich relevanter Dokumente per Suche, das Zusammenfassen älterer Gespräche, das Speichern des Aufgabenstatus in einer externen Datei und die Trennung des Kontexts nach Teilaufgaben.\n\nHarness Engineering ist umfassender. Es behandelt neben dem Kontext auch Werkzeugberechtigungen, Ausführungsumgebung, Genehmigungen, Prüfungen, Logging und Kostenlimits. Context Engineering ist daher ein zentraler Teil des Harness, beide Begriffe vollständig gleichzusetzen wäre jedoch ungenau.\n\n## Beim Loop Engineering sind die Abbruchbedingungen entscheidend\n\nEin Loop sorgt dafür, dass ein Agent sein Ergebnis nach der Erstellung prüft und bei Mängeln einen neuen Versuch unternimmt. Entscheidend ist nicht die Wiederholung selbst, sondern **die Definition des Fortschritts und der Abbruchbedingungen**.\n\n### Typische Loop-Arten\n\n- **Prüf-Loop**: Nach Erstellung eines Entwurfs wird dieser anhand von Tests oder Bewertungskriterien geprüft, und fehlgeschlagene Punkte werden korrigiert.\n- **Ereignisbasierter Loop**: Eine Aufgabe beginnt, wenn ein externes Ereignis wie eine E-Mail, eine Benachrichtigung, eine Codeänderung oder Sensordaten eintritt.\n- **Explorations-Loop**: Mehrere Hypothesen oder Quellen werden untersucht, und der Suchbereich wird angepasst, bis genügend Belege vorliegen.\n- **Verbesserungs-Loop**: Die nächste Strategie wird anhand vorheriger Ergebnisse und Bewertungen gewählt. Da die ausschließliche Optimierung einer einzelnen Kennzahl zu Reward Hacking führen kann, sind mehrere Bewertungskriterien und eine menschliche Prüfung erforderlich.\n- **Wiederherstellungs-Loop**: Die Fehlerursache wird klassifiziert, innerhalb des erlaubten Rahmens werden neue Versuche unternommen, und falls das Problem ungelöst bleibt, wird es an einen Menschen übergeben.\n\n### Für sichere Loops erforderliche Verträge\n\nEin Vertrag zwischen Agenten ist kein juristischer Vertrag, sondern eine Ausführungsspezifikation, die Ein- und Ausgaben sowie Verantwortlichkeiten festlegt. Er sollte die folgenden Punkte enthalten.\n\n| Vertragsbestandteil | Festzulegende Inhalte |\n|---|---|\n| Ziel | Das zu erreichende Ergebnis und der ausgeschlossene Umfang |\n| Eingabe | Nutzbare Daten, Aktualität, Vertrauensniveau |\n| Ausgabe | JSON-Schema, Dokumentformat, erforderliche Belege und Testergebnisse |\n| Berechtigungen | Erlaubte Werkzeuge, Dateibereiche, Rechte zur externen Übertragung und Änderung |\n| Prüfung | Zu bestehende Tests und Bewertungskriterien |\n| Budget | Token, Zeit, Anzahl der Aufrufe, Zahl paralleler Aufgaben |\n| Abbruch | Bedingungen für Erfolg, fehlenden Fortschritt, ausgeschöpftes Budget und erkannte Risiken |\n| Übergabe | Welcher Mensch oder Agent bei einem Fehlschlag übernimmt |\n\nSind die Abschlussbedingungen unklar, kann ein Agent Sätze umformulieren oder dieselbe Suche wiederholen und dennoch annehmen, dass die Aufgabe voranschreitet. Statt nur eine maximale Anzahl von Wiederholungen festzulegen, ist es besser, Ergebnisqualität, Zuwachs an neuen Informationen, Fehlerveränderungen und Kosten gemeinsam zu betrachten.\n\n## Graph Engineering strukturiert die Grenzen der Autonomie\n\nEin Graph stellt Aufgaben als Knoten und Verbindungslinien dar. Ein Knoten kann ein Modellaufruf, die Ausführung eines Werkzeugs, eine menschliche Genehmigung oder ein Prüfprozess sein, während die Verbindungslinien abhängig vom Zustand die nächste Aktion darstellen.\n\n### Unterschied zwischen Chain und Graph\n\n- **Eine Chain** eignet sich für lineare Abläufe, die von A zu B und von B zu C führen.\n- **Ein Graph** eignet sich für Aufgaben, die bedingte Verzweigungen, Wiederholungen, parallele Ausführung, Wiederherstellung nach Fehlern oder Zwischenspeicherung erfordern.\n- **Ein dynamischer Graph** lässt das Modell während der Ausführung die nächste Teilaufgabe oder den nächsten Pfad vorschlagen.\n- **Ein eingeschränkter Graph** sorgt dafür, dass sich das Modell selbst bei eigener Auswahl nur innerhalb erlaubter Knoten und Übergänge bewegt.\n\nDas Ziel moderner Graphgestaltung besteht nicht darin, jede Aktion im Voraus durch einen Menschen festzulegen. Vielmehr geht es darum, **einzuhaltende Invarianten** in die Struktur einzubauen, etwa indem vor dem Löschen von Daten zwingend ein Genehmigungsknoten durchlaufen werden muss oder bei fehlgeschlagenen Tests kein Übergang in den Deployment-Zustand möglich ist.\n\n### Anzeichen dafür, dass ein Graph benötigt wird\n\nWenn mehrere der folgenden Bedingungen zutreffen, lohnt es sich, einen expliziten Graph zu erwägen.\n\n- Der Wiederherstellungspunkt, zu dem nach einem Fehlschlag zurückgekehrt werden soll, ist klar.\n- Es gibt einen Schritt, für den zwingend die Genehmigung eines Menschen erforderlich ist.\n- Mehrere Aufgaben müssen parallel ausgeführt und ihre Ergebnisse anschließend zusammengeführt werden.\n- Die verfügbaren Werkzeuge oder Berechtigungen unterscheiden sich je nach Zustand.\n- Der gesamte Ausführungspfad muss auditiert oder reproduziert werden.\n- Ein Loop eines einzelnen Agenten wiederholt denselben Fehler.\n\nWerden selbst einfache Dokumentzusammenfassungen oder einmalige Datentransformationen als Graph modelliert, kann dies lediglich die Komplexität erhöhen.\n\n## Praktische Einführungsreihenfolge: Mit dem Harness beginnen und nach Bedarf erweitern\n\nFür die meisten Teams ist die folgende Reihenfolge realistisch.\n\n1. **Eine einzelne Aufgabe und ihre Erfolgskriterien definieren.** Zunächst Eingaben, erwartete Ausgaben und Fehlerfälle sammeln.\n2. **Einen minimalen Harness erstellen.** Nur den erforderlichen Kontext und die benötigten Werkzeuge bereitstellen sowie Berechtigungen, Tests, Logs und Kostenlimits festlegen.\n3. **Ein Evaluationsset aufbauen.** Neben normalen Fällen auch mehrdeutige Anfragen, fehlerhafte Dokumente, Werkzeugfehler und Versuche zur Überschreitung von Berechtigungen einbeziehen.\n4. **Punkte mit Wiederholungsbedarf in Loops umwandeln.** Wiederholungsversuche nur in Bereichen erlauben, in denen Prüfung und Korrektur die tatsächliche Qualität erhöhen.\n5. **Bei komplexen Verzweigungs- und Wiederherstellungsprozessen zu einem Graph erweitern.** Zustände und Übergänge explizit definieren und vor riskanten Aktionen Genehmigungsknoten einfügen.\n6. **Multi-Agenten-Systeme nur verwenden, wenn eine Aufgabenteilung Vorteile bietet.** Sind weder parallele Exploration noch unterschiedliche Fachrollen erforderlich, kann ein einzelner Agent einfacher und kostengünstiger sein.\n\n## Unterschiede bei der Anwendung auf Coding und Recherche\n\n| Aspekt | Coding-Aufgaben | Rechercheaufgaben |\n|---|---|---|\n| Prüfbarkeit | Automatische Prüfung durch Tests, Builds, Typprüfungen usw. ist vergleichsweise einfach | Quellenqualität, Auslassungen und widersprüchliche Belege müssen umfassend beurteilt werden |\n| Wert dynamischer Exploration | Kann begrenzt sein, wenn der Änderungsumfang klar ist | Hoch beim Vergleich verschiedener Suchpfade und Hypothesen |\n| Hauptrisiken | Fehlerhafte Änderungen, Sicherheitslücken, ausschließlich auf Tests zugeschnittener Code | Aussagen ohne Quellen, redundantes Material, Bestätigungsfehler |\n| Geeignete Kontrollen | Begrenzung auf den Repository-Bereich, Tests, Prüfung des diff, Deployment-Genehmigung | Dokumentation von Quellen, unabhängige Suche, Suche nach Gegenbelegen, Prüfung von Zitaten |\n\nEs lässt sich nicht pauschal behaupten, dass dynamische Workflows beim Coding immer ineffizient und bei der Recherche immer vorteilhaft seien. Eine testbare Migration im großen Maßstab kann für einen autonomen Agenten geeignet sein, während bei einer Faktenabfrage mit eindeutiger Antwort ein festgelegtes Rechercheverfahren effizienter sein kann. Die entscheidenden Variablen sind weniger das Fachgebiet als vielmehr **die Klarheit des Ziels, die Möglichkeit automatischer Prüfung, der Explorationsraum und die Fehlerkosten**.\n\n## Code Reviews verschwinden nicht, sondern ihre Prüfungseinheit verändert sich\n\nWenn Agenten Code schreiben, übernehmen Entwickler zunehmend die Rolle, Anforderungen, Design, Testergebnisse, Änderungsumfang und Risiken zu überwachen, statt jede Zeile selbst einzugeben. Zusammenfassungen von Pull Requests und Berichte von Agenten können den Prüfprozess beschleunigen.\n\nEs ist jedoch kein sicherer Standard, ausschließlich eine Zusammenfassung zu lesen und dann zu genehmigen. Änderungen, die der Agent ausgelassen hat, oder falsch verstandene Logik erscheinen möglicherweise auch nicht in der Zusammenfassung. In den folgenden Situationen müssen der ursprüngliche diff und der relevante Code direkt geprüft werden.\n\n- Änderungen an Authentifizierung, Zahlungen, personenbezogenen Daten, Verschlüsselung oder Zugriffskontrollen\n- Änderungen am Datenbankschema oder irreversible Migrationen\n- Leistungs- und nebenläufigkeitskritischer Code\n- Umfangreiches Refactoring außerhalb der Testabdeckung\n- Änderungen an externen Abhängigkeiten, Deployment-Konfigurationen oder der Verarbeitung von Geheimnissen\n- Fälle, in denen die Erklärung des Agenten nicht mit dem tatsächlichen diff übereinstimmt\n\nHuman-in-the-loop bedeutet nicht, dass ein Mensch lediglich formal auf eine Schaltfläche klickt. Es umfasst auch die Bereitstellung von Änderungsnachweisen, Testergebnissen, möglichen Fehlern und Rollback-Verfahren, damit Menschen eine fundierte Entscheidung treffen können.\n\n## Häufige Fallstricke\n\n### Multi-Agenten-Systeme ohne Zweck\n\nMehr Agenten verursachen Kosten für Rollenabstimmung, redundante Aufrufe, Kontextübertragung und Zusammenführung von Ergebnissen. Wenn weder eine parallele Exploration aus unterschiedlichen Perspektiven erforderlich ist noch ein Grund zur Trennung des Kontexts besteht, ist ein einzelner Agent besser.\n\n### Unbegrenzte dynamische Workflows\n\nDarf ein Agent fortlaufend neue Teilaufgaben erstellen, steigen die Kosten für Token und Werkzeugaufrufe schnell an. Die Kosten ergeben sich ungefähr aus der Summe der Kosten für Ein- und Ausgabe-Token jedes Schritts, der Werkzeugkosten, der Zahl paralleler Agenten und der Anzahl der Wiederholungen. Die Zahl der Aufrufe, die Anzahl gleichzeitiger Ausführungen, das Gesamtbudget und die maximale Ausführungszeit müssen jeweils separat begrenzt werden.\n\n### Optimierung nur einer Bewertungskennzahl\n\nWird ausschließlich die Testbestehensquote als Ziel vorgegeben, kann eine Fehloptimierung entstehen, bei der Tests abgeschwächt oder Ausnahmebehandlungen verborgen werden. Qualität, Sicherheit, Änderungsumfang, Kosten, Latenz und menschliche Bewertungen müssen gemeinsam berücksichtigt werden.\n\n### Verwechslung von Dokumenteinspeisung mit Fine-Tuning\n\nDokumentsuche oder Projektanweisungen können Ergebnisse dauerhaft verändern, ohne dass sich die Modellgewichte ändern. Im weiteren Sinne lässt sich dies als Lerneffekt des Systems beschreiben, genau genommen handelt es sich jedoch um eine Anpassung mithilfe von externem Memory und Kontext. Dokumente oder Suchindizes müssen erhalten bleiben, damit die Veränderungen auch bei der nächsten Ausführung bestehen.\n\n## Evaluation, Sicherheit und Wirtschaftlichkeit, die im Betrieb leicht übersehen werden\n\nAgentendesign endet nicht bei einem Architekturdiagramm. Im realen Betrieb ist ein System wichtig, das **nicht nur misst, was erlaubt wurde, sondern was tatsächlich geschehen ist**.\n\n### Minimale Betriebskennzahlen\n\n- Erfolgsquote der Aufgaben und menschliche Korrekturrate\n- Modell- und Werkzeugkosten pro Aufgabe sowie Gesamtausführungszeit\n- Anzahl der Wiederholungen und Anteil der ohne Fortschritt verbrauchten Aufrufe\n- Anzahl der Genehmigungsanfragen, Ablehnungen und Versuche zur Überschreitung von Berechtigungen\n- Fehlerhafte Werkzeugaufrufe und Erfolgsquote der Wiederherstellung\n- Anteil der ohne Quellen oder Tests eingereichten Ergebnisse\n- Ausmaß, in dem Ergebnisse bei gleicher Eingabe variieren\n\n### Für die Sicherheit erforderliche Invarianten\n\n- Anweisungen in externen Dokumenten erhalten keine höhere Priorität als Systemrichtlinien.\n- Geheimnisse werden nicht unnötig in Modelleingaben und Logs offengelegt.\n- Leseberechtigungen werden von Schreib-, Lösch- und Deployment-Berechtigungen getrennt.\n- Für externe Übertragungen und irreversible Aktionen gelten separate Genehmigungen oder Richtlinienprüfungen.\n- Agenten dürfen ihre eigenen Bewertungskriterien, Tests oder Audit-Logs nicht nach Belieben ändern.\n\nDiese Invarianten lassen sich sicherer durch Sandboxes, Zugriffskontrollen, Graphübergänge und unabhängige Prüfsysteme erzwingen als durch einen einzelnen Satz in einem Prompt. Das Risikomanagement für generative AI muss neben der Genauigkeit des Modells auch die Betriebsumgebung, menschliche Aufsicht und Reaktion auf Zwischenfälle umfassen.\n\n## Welches Konzept sollte man zuerst lernen?\n\nIn der heutigen Praxis sollte man sich zuerst mit Harness Engineering vertraut machen. Ein präziser Kontext, minimale Berechtigungen, automatische Prüfungen, Logs, Genehmigungen und Kostenlimits können viele Fehler eines einzelnen Agenten reduzieren.\n\nAnschließend werden Aufgaben, bei denen Wiederholungen die Qualität erhöhen, um Loops mit klaren Abbruchbedingungen ergänzt. Wenn Verzweigungen, Parallelverarbeitung, Wiederherstellung und Genehmigungsverfahren komplex werden, werden sie explizit als Graph modelliert. Wichtiger als die Übernahme komplexer Begriffe ist es, Ziele, Berechtigungen, Belege, Kosten und Abbruchbedingungen des Agenten in messbarer Form festzulegen.","content_html":"\u003cp\u003eDa AI-Agenten zunehmend langfristige Aufgaben übernehmen, ist es schwieriger geworden, allein durch gut formulierte Prompts zuverlässige Ergebnisse zu erzielen. Denn es muss auch festgelegt werden, welche Informationen ein Agent sieht, welche Werkzeuge er verwendet, wann er etwas wiederholt, welchen Pfad er nimmt und an welchen Stellen die Zustimmung eines Menschen erforderlich ist.\u003c/p\u003e\n\u003cp\u003eBegriffe, die bei der Beschreibung dieses Problems häufig auftauchen, sind \u003cstrong\u003eHarness Engineering\u003c/strong\u003e, \u003cstrong\u003eLoop Engineering\u003c/strong\u003e und \u003cstrong\u003eGraph Engineering\u003c/strong\u003e. Dabei handelt es sich weder um internationale Standards noch um streng vereinbarte wissenschaftliche Kategorien. Sie überschneiden sich teilweise, und ihre Bedeutung kann je nach Produkt und Entwicklungsteam variieren. Daher ist es sinnvoller, sie anhand der Steuerungsfragen zu unterscheiden, die sie beantworten sollen, statt sie als jahresbezogene Modebegriffe auswendig zu lernen.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#die-drei-konzepte-auf-einen-blick\" class=\"anchor\" id=\"die-drei-konzepte-auf-einen-blick\"\u003e\u003c/a\u003eDie drei Konzepte auf einen Blick\u003c/h2\u003e\n\u003cdiv class=\"overflow-x-auto\"\u003e\u003ctable\u003e\n\u003cthead\u003e\n\u003ctr\u003e\n\u003cth\u003eKonzept\u003c/th\u003e\n\u003cth\u003eKernfrage\u003c/th\u003e\n\u003cth\u003eZentrale Gestaltungsobjekte\u003c/th\u003e\n\u003cth\u003eTypische Schutzmechanismen gegen Fehler\u003c/th\u003e\n\u003c/tr\u003e\n\u003c/thead\u003e\n\u003ctbody\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Konzept\"\u003eHarness Engineering\u003c/td\u003e\n\u003ctd data-label=\"Kernfrage\"\u003eIn welcher Umgebung und nach welchen Regeln arbeitet der Agent?\u003c/td\u003e\n\u003ctd data-label=\"Zentrale Gestaltungsobjekte\"\u003eKontext, Werkzeuge, Berechtigungen, Sandbox, Hooks, Logs, Genehmigungen, Evaluation\u003c/td\u003e\n\u003ctd data-label=\"Typische Schutzmechanismen gegen Fehler\"\u003eMinimale Berechtigungen, Genehmigung riskanter Befehle, Testausführung, Kontextauswahl\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Konzept\"\u003eLoop Engineering\u003c/td\u003e\n\u003ctd data-label=\"Kernfrage\"\u003eWas wird wiederholt und wann wird abgebrochen?\u003c/td\u003e\n\u003ctd data-label=\"Zentrale Gestaltungsobjekte\"\u003ePlanungs-, Ausführungs- und Prüfzyklen, Ereignisverarbeitung, Wiederholungsversuche, Budgets, Abbruchbedingungen\u003c/td\u003e\n\u003ctd data-label=\"Typische Schutzmechanismen gegen Fehler\"\u003eMaximale Anzahl von Wiederholungen, Zeit- und Token-Limits, Fortschrittsbewertung, Übergabe bei Fehlschlag\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Konzept\"\u003eGraph Engineering\u003c/td\u003e\n\u003ctd data-label=\"Kernfrage\"\u003eWelche Zustände und Pfade sind erlaubt?\u003c/td\u003e\n\u003ctd data-label=\"Zentrale Gestaltungsobjekte\"\u003eKnoten, Zustände, Übergänge, Verzweigungen, Parallelverarbeitung, Checkpoints\u003c/td\u003e\n\u003ctd data-label=\"Typische Schutzmechanismen gegen Fehler\"\u003eVerbotene Übergänge, Zustandsprüfung, Genehmigungsknoten, Wiederherstellungspfade\u003c/td\u003e\n\u003c/tr\u003e\n\u003c/tbody\u003e\n\u003c/table\u003e\u003c/div\u003e\n\u003cp\u003eKurz gesagt: \u003cstrong\u003eEin Harness definiert Umgebung und Grenzen\u003c/strong\u003e, \u003cstrong\u003eein Loop die Wiederholungsregeln\u003c/strong\u003e und \u003cstrong\u003eein Graph die Struktur möglicher Pfade\u003c/strong\u003e. In realen Systemen kann sich ein Loop innerhalb eines Graphknotens befinden, während der gesamte Graph innerhalb eines Harness ausgeführt wird.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#wie-haben-sich-die-methoden-zur-steuerung-von-agenten-ver%C3%A4ndert\" class=\"anchor\" id=\"wie-haben-sich-die-methoden-zur-steuerung-von-agenten-verändert\"\u003e\u003c/a\u003eWie haben sich die Methoden zur Steuerung von Agenten verändert?\u003c/h2\u003e\n\u003ch3\u003e\n\u003ca href=\"#fr%C3%BChe-agenten-vorgegebene-workflows-erg%C3%A4nzten-die-autonomie\" class=\"anchor\" id=\"frühe-agenten-vorgegebene-workflows-ergänzten-die-autonomie\"\u003e\u003c/a\u003eFrühe Agenten: Vorgegebene Workflows ergänzten die Autonomie\u003c/h3\u003e\n\u003cp\u003eFrühe generative AI-Agenten vergaßen bei langen Aufgaben häufig ihr Ziel, wiederholten falsche Werkzeugaufrufe oder erzeugten unbelegte Ergebnisse. Daher zerlegten Entwickler große Aufgaben in kleinere Schritte und legten die Ein- und Ausgaben jedes Schritts fest.\u003c/p\u003e\n\u003cp\u003eBei diesem Ansatz schreibt ein Mensch das gesamte Verfahren als Chain, Flussdiagramm oder Zustandsmaschine, während das LLM begrenzte Aufgaben wie Klassifizierung, Extraktion, Zusammenfassung oder das Erstellen von Entwürfen übernimmt. Frameworks wie LangGraph werden verwendet, um unter Beibehaltung des Zustands Verzweigungen, Zyklen, Checkpoints und menschliche Eingriffe abzubilden.\u003c/p\u003e\n\u003cp\u003eGraphbasierte Orchestrierung ist jedoch keine veraltete Methode, die in einem bestimmten Jahr endete. Auch heute eignen sich explizite Graphen für Aufgaben, bei denen Auditierbarkeit, Reproduzierbarkeit, regulatorische Compliance oder präzise Wiederherstellungsverfahren wichtig sind.\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#leistungsf%C3%A4higere-modelle-von-festen-pfaden-zur-dynamischen-werkzeugnutzung\" class=\"anchor\" id=\"leistungsfähigere-modelle-von-festen-pfaden-zur-dynamischen-werkzeugnutzung\"\u003e\u003c/a\u003eLeistungsfähigere Modelle: Von festen Pfaden zur dynamischen Werkzeugnutzung\u003c/h3\u003e\n\u003cp\u003eMit verbesserten Fähigkeiten zur Werkzeugnutzung und Schlussfolgerung kann ein einzelner Agent je nach Situation Aktionen wie Suchen, Bearbeiten von Code, Testen oder Lesen von Dateien auswählen. Ansätze aus der ReAct-Familie sind ein typisches Muster, bei dem sich Schlussfolgerung, Aktion und Beobachtung abwechseln.\u003c/p\u003e\n\u003cp\u003eDiese Veränderung verringerte den Aufwand, alle Verzweigungen im Voraus durch Menschen festlegen zu müssen. Gleichzeitig wurde es wichtiger, die vom Agenten gelesenen Informationen, seine Berechtigungen, die Ausführungskosten und den Umgang mit Fehlern zu verwalten. An diesem Punkt rückten Context Engineering und Harness Engineering ins Zentrum der praktischen Arbeit.\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#langfristige-aufgaben-und-multi-agenten-systeme-erneute-verbindung-von-loops-und-graphen\" class=\"anchor\" id=\"langfristige-aufgaben-und-multi-agenten-systeme-erneute-verbindung-von-loops-und-graphen\"\u003e\u003c/a\u003eLangfristige Aufgaben und Multi-Agenten-Systeme: Erneute Verbindung von Loops und Graphen\u003c/h3\u003e\n\u003cp\u003eBei langfristigen Aufgaben ist ein wiederholter Zyklus aus Planung, Ausführung und Prüfung wichtiger als ein einzelner Modellaufruf. Sind mehrere Agenten beteiligt, müssen auch Rollen, Formate der Arbeitsergebnisse, Berechtigungen und Abbruchbedingungen festgelegt werden. Werden autonome Loops jedoch vollständig sich selbst überlassen, können explodierende Kosten, endlose Wiederholungsversuche, Reward Hacking und die Optimierung auf falsche Ziele auftreten.\u003c/p\u003e\n\u003cp\u003eDaher werden moderne Agentensysteme nicht darauf ausgelegt, Autonomie zu beseitigen, sondern \u003cstrong\u003eBereiche, in denen Autonomie erlaubt ist, mit Bereichen zu kombinieren, die deterministisch kontrolliert werden\u003c/strong\u003e. Dies ist keine einfache Rückkehr zu festen Chains der Vergangenheit, sondern ein Ansatz, bei dem flexible Ausführung von Zuständen, Übergängen und Richtlinien umgeben wird.\u003c/p\u003e\n\u003cp\u003eDiese Veränderung ist weniger eine genaue Chronologie als eine Verschiebung der gestalterischen Schwerpunkte. Graphen, Loops und Harnesses haben von Anfang an nebeneinander bestanden und werden auch heute gemeinsam eingesetzt.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#was-harness-engineering-umfasst\" class=\"anchor\" id=\"was-harness-engineering-umfasst\"\u003e\u003c/a\u003eWas Harness Engineering umfasst\u003c/h2\u003e\n\u003cp\u003eEin Harness ist nicht das Basismodell selbst, sondern \u003cstrong\u003edas Ausführungssystem, das das Modell umgibt und ihm die tatsächliche Arbeit ermöglicht\u003c/strong\u003e. Selbst bei Verwendung desselben Modells können Erfolgsquote, Kosten, Sicherheit und Reproduzierbarkeit je nach Harness erheblich variieren.\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#zentrale-bestandteile-eines-harness\" class=\"anchor\" id=\"zentrale-bestandteile-eines-harness\"\u003e\u003c/a\u003eZentrale Bestandteile eines Harness\u003c/h3\u003e\n\u003col\u003e\n\u003cli\u003e\n\u003cstrong\u003eAnweisungssystem\u003c/strong\u003e: Systemanweisungen, Repository-Regeln, Coding-Standards, Prioritäten und verbotene Aktionen\u003c/li\u003e\n\u003cli\u003e\n\u003cstrong\u003eKontextbereitstellung\u003c/strong\u003e: Suche, Dateiauswahl, Zusammenfassungen, Memory und das Einspeisen benötigter Dokumente zum richtigen Zeitpunkt\u003c/li\u003e\n\u003cli\u003e\n\u003cstrong\u003eWerkzeugschnittstellen\u003c/strong\u003e: Dateibearbeitung, Terminal, Browser, Datenbanken, externe APIs\u003c/li\u003e\n\u003cli\u003e\n\u003cstrong\u003eBerechtigungen und Isolation\u003c/strong\u003e: Lese- und Schreibbereiche, Zugriff auf Geheimnisse, Netzwerkeinschränkungen, Sandbox\u003c/li\u003e\n\u003cli\u003e\n\u003cstrong\u003ePrüfmechanismen\u003c/strong\u003e: Tests, Linter, Typprüfung, Schemavalidierung, Faktenprüfung\u003c/li\u003e\n\u003cli\u003e\n\u003cstrong\u003eMenschliche Genehmigung\u003c/strong\u003e: Zustimmung zu schwer rückgängig zu machenden Aktionen wie Deployment, Zahlungen, Löschungen und externer Übertragung\u003c/li\u003e\n\u003cli\u003e\n\u003cstrong\u003eBeobachtbarkeit\u003c/strong\u003e: Aufrufprotokolle, Kosten, Latenz, Fehler, Änderungsverlauf, Entscheidungsgrundlagen\u003c/li\u003e\n\u003cli\u003e\n\u003cstrong\u003eWiederherstellungsrichtlinien\u003c/strong\u003e: Wiederholungsversuche, Wiederherstellung eines vorherigen Zustands, Abbruch der Aufgabe, Übergabe an Verantwortliche\u003c/li\u003e\n\u003c/ol\u003e\n\u003cp\u003eProjektanweisungsdateien oder Hooks von Claude Code können als Beispiele für Harness-Komponenten betrachtet werden. Eine einzelne Funktion eines bestimmten Produkts steht jedoch nicht für den gesamten Harness.\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#unterschied-zum-context-engineering\" class=\"anchor\" id=\"unterschied-zum-context-engineering\"\u003e\u003c/a\u003eUnterschied zum Context Engineering\u003c/h3\u003e\n\u003cp\u003eContext Engineering optimiert, welche Informationen und Anweisungen in den aktuellen Modellaufruf aufgenommen werden. Dazu gehören etwa das Abrufen ausschließlich relevanter Dokumente per Suche, das Zusammenfassen älterer Gespräche, das Speichern des Aufgabenstatus in einer externen Datei und die Trennung des Kontexts nach Teilaufgaben.\u003c/p\u003e\n\u003cp\u003eHarness Engineering ist umfassender. Es behandelt neben dem Kontext auch Werkzeugberechtigungen, Ausführungsumgebung, Genehmigungen, Prüfungen, Logging und Kostenlimits. Context Engineering ist daher ein zentraler Teil des Harness, beide Begriffe vollständig gleichzusetzen wäre jedoch ungenau.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#beim-loop-engineering-sind-die-abbruchbedingungen-entscheidend\" class=\"anchor\" id=\"beim-loop-engineering-sind-die-abbruchbedingungen-entscheidend\"\u003e\u003c/a\u003eBeim Loop Engineering sind die Abbruchbedingungen entscheidend\u003c/h2\u003e\n\u003cp\u003eEin Loop sorgt dafür, dass ein Agent sein Ergebnis nach der Erstellung prüft und bei Mängeln einen neuen Versuch unternimmt. Entscheidend ist nicht die Wiederholung selbst, sondern \u003cstrong\u003edie Definition des Fortschritts und der Abbruchbedingungen\u003c/strong\u003e.\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#typische-loop-arten\" class=\"anchor\" id=\"typische-loop-arten\"\u003e\u003c/a\u003eTypische Loop-Arten\u003c/h3\u003e\n\u003cul\u003e\n\u003cli\u003e\n\u003cstrong\u003ePrüf-Loop\u003c/strong\u003e: Nach Erstellung eines Entwurfs wird dieser anhand von Tests oder Bewertungskriterien geprüft, und fehlgeschlagene Punkte werden korrigiert.\u003c/li\u003e\n\u003cli\u003e\n\u003cstrong\u003eEreignisbasierter Loop\u003c/strong\u003e: Eine Aufgabe beginnt, wenn ein externes Ereignis wie eine E-Mail, eine Benachrichtigung, eine Codeänderung oder Sensordaten eintritt.\u003c/li\u003e\n\u003cli\u003e\n\u003cstrong\u003eExplorations-Loop\u003c/strong\u003e: Mehrere Hypothesen oder Quellen werden untersucht, und der Suchbereich wird angepasst, bis genügend Belege vorliegen.\u003c/li\u003e\n\u003cli\u003e\n\u003cstrong\u003eVerbesserungs-Loop\u003c/strong\u003e: Die nächste Strategie wird anhand vorheriger Ergebnisse und Bewertungen gewählt. Da die ausschließliche Optimierung einer einzelnen Kennzahl zu Reward Hacking führen kann, sind mehrere Bewertungskriterien und eine menschliche Prüfung erforderlich.\u003c/li\u003e\n\u003cli\u003e\n\u003cstrong\u003eWiederherstellungs-Loop\u003c/strong\u003e: Die Fehlerursache wird klassifiziert, innerhalb des erlaubten Rahmens werden neue Versuche unternommen, und falls das Problem ungelöst bleibt, wird es an einen Menschen übergeben.\u003c/li\u003e\n\u003c/ul\u003e\n\u003ch3\u003e\n\u003ca href=\"#f%C3%BCr-sichere-loops-erforderliche-vertr%C3%A4ge\" class=\"anchor\" id=\"für-sichere-loops-erforderliche-verträge\"\u003e\u003c/a\u003eFür sichere Loops erforderliche Verträge\u003c/h3\u003e\n\u003cp\u003eEin Vertrag zwischen Agenten ist kein juristischer Vertrag, sondern eine Ausführungsspezifikation, die Ein- und Ausgaben sowie Verantwortlichkeiten festlegt. Er sollte die folgenden Punkte enthalten.\u003c/p\u003e\n\u003cdiv class=\"overflow-x-auto\"\u003e\u003ctable\u003e\n\u003cthead\u003e\n\u003ctr\u003e\n\u003cth\u003eVertragsbestandteil\u003c/th\u003e\n\u003cth\u003eFestzulegende Inhalte\u003c/th\u003e\n\u003c/tr\u003e\n\u003c/thead\u003e\n\u003ctbody\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Vertragsbestandteil\"\u003eZiel\u003c/td\u003e\n\u003ctd data-label=\"Festzulegende Inhalte\"\u003eDas zu erreichende Ergebnis und der ausgeschlossene Umfang\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Vertragsbestandteil\"\u003eEingabe\u003c/td\u003e\n\u003ctd data-label=\"Festzulegende Inhalte\"\u003eNutzbare Daten, Aktualität, Vertrauensniveau\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Vertragsbestandteil\"\u003eAusgabe\u003c/td\u003e\n\u003ctd data-label=\"Festzulegende Inhalte\"\u003eJSON-Schema, Dokumentformat, erforderliche Belege und Testergebnisse\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Vertragsbestandteil\"\u003eBerechtigungen\u003c/td\u003e\n\u003ctd data-label=\"Festzulegende Inhalte\"\u003eErlaubte Werkzeuge, Dateibereiche, Rechte zur externen Übertragung und Änderung\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Vertragsbestandteil\"\u003ePrüfung\u003c/td\u003e\n\u003ctd data-label=\"Festzulegende Inhalte\"\u003eZu bestehende Tests und Bewertungskriterien\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Vertragsbestandteil\"\u003eBudget\u003c/td\u003e\n\u003ctd data-label=\"Festzulegende Inhalte\"\u003eToken, Zeit, Anzahl der Aufrufe, Zahl paralleler Aufgaben\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Vertragsbestandteil\"\u003eAbbruch\u003c/td\u003e\n\u003ctd data-label=\"Festzulegende Inhalte\"\u003eBedingungen für Erfolg, fehlenden Fortschritt, ausgeschöpftes Budget und erkannte Risiken\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Vertragsbestandteil\"\u003eÜbergabe\u003c/td\u003e\n\u003ctd data-label=\"Festzulegende Inhalte\"\u003eWelcher Mensch oder Agent bei einem Fehlschlag übernimmt\u003c/td\u003e\n\u003c/tr\u003e\n\u003c/tbody\u003e\n\u003c/table\u003e\u003c/div\u003e\n\u003cp\u003eSind die Abschlussbedingungen unklar, kann ein Agent Sätze umformulieren oder dieselbe Suche wiederholen und dennoch annehmen, dass die Aufgabe voranschreitet. Statt nur eine maximale Anzahl von Wiederholungen festzulegen, ist es besser, Ergebnisqualität, Zuwachs an neuen Informationen, Fehlerveränderungen und Kosten gemeinsam zu betrachten.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#graph-engineering-strukturiert-die-grenzen-der-autonomie\" class=\"anchor\" id=\"graph-engineering-strukturiert-die-grenzen-der-autonomie\"\u003e\u003c/a\u003eGraph Engineering strukturiert die Grenzen der Autonomie\u003c/h2\u003e\n\u003cp\u003eEin Graph stellt Aufgaben als Knoten und Verbindungslinien dar. Ein Knoten kann ein Modellaufruf, die Ausführung eines Werkzeugs, eine menschliche Genehmigung oder ein Prüfprozess sein, während die Verbindungslinien abhängig vom Zustand die nächste Aktion darstellen.\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#unterschied-zwischen-chain-und-graph\" class=\"anchor\" id=\"unterschied-zwischen-chain-und-graph\"\u003e\u003c/a\u003eUnterschied zwischen Chain und Graph\u003c/h3\u003e\n\u003cul\u003e\n\u003cli\u003e\n\u003cstrong\u003eEine Chain\u003c/strong\u003e eignet sich für lineare Abläufe, die von A zu B und von B zu C führen.\u003c/li\u003e\n\u003cli\u003e\n\u003cstrong\u003eEin Graph\u003c/strong\u003e eignet sich für Aufgaben, die bedingte Verzweigungen, Wiederholungen, parallele Ausführung, Wiederherstellung nach Fehlern oder Zwischenspeicherung erfordern.\u003c/li\u003e\n\u003cli\u003e\n\u003cstrong\u003eEin dynamischer Graph\u003c/strong\u003e lässt das Modell während der Ausführung die nächste Teilaufgabe oder den nächsten Pfad vorschlagen.\u003c/li\u003e\n\u003cli\u003e\n\u003cstrong\u003eEin eingeschränkter Graph\u003c/strong\u003e sorgt dafür, dass sich das Modell selbst bei eigener Auswahl nur innerhalb erlaubter Knoten und Übergänge bewegt.\u003c/li\u003e\n\u003c/ul\u003e\n\u003cp\u003eDas Ziel moderner Graphgestaltung besteht nicht darin, jede Aktion im Voraus durch einen Menschen festzulegen. Vielmehr geht es darum, \u003cstrong\u003eeinzuhaltende Invarianten\u003c/strong\u003e in die Struktur einzubauen, etwa indem vor dem Löschen von Daten zwingend ein Genehmigungsknoten durchlaufen werden muss oder bei fehlgeschlagenen Tests kein Übergang in den Deployment-Zustand möglich ist.\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#anzeichen-daf%C3%BCr-dass-ein-graph-ben%C3%B6tigt-wird\" class=\"anchor\" id=\"anzeichen-dafür-dass-ein-graph-benötigt-wird\"\u003e\u003c/a\u003eAnzeichen dafür, dass ein Graph benötigt wird\u003c/h3\u003e\n\u003cp\u003eWenn mehrere der folgenden Bedingungen zutreffen, lohnt es sich, einen expliziten Graph zu erwägen.\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003eDer Wiederherstellungspunkt, zu dem nach einem Fehlschlag zurückgekehrt werden soll, ist klar.\u003c/li\u003e\n\u003cli\u003eEs gibt einen Schritt, für den zwingend die Genehmigung eines Menschen erforderlich ist.\u003c/li\u003e\n\u003cli\u003eMehrere Aufgaben müssen parallel ausgeführt und ihre Ergebnisse anschließend zusammengeführt werden.\u003c/li\u003e\n\u003cli\u003eDie verfügbaren Werkzeuge oder Berechtigungen unterscheiden sich je nach Zustand.\u003c/li\u003e\n\u003cli\u003eDer gesamte Ausführungspfad muss auditiert oder reproduziert werden.\u003c/li\u003e\n\u003cli\u003eEin Loop eines einzelnen Agenten wiederholt denselben Fehler.\u003c/li\u003e\n\u003c/ul\u003e\n\u003cp\u003eWerden selbst einfache Dokumentzusammenfassungen oder einmalige Datentransformationen als Graph modelliert, kann dies lediglich die Komplexität erhöhen.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#praktische-einf%C3%BChrungsreihenfolge-mit-dem-harness-beginnen-und-nach-bedarf-erweitern\" class=\"anchor\" id=\"praktische-einführungsreihenfolge-mit-dem-harness-beginnen-und-nach-bedarf-erweitern\"\u003e\u003c/a\u003ePraktische Einführungsreihenfolge: Mit dem Harness beginnen und nach Bedarf erweitern\u003c/h2\u003e\n\u003cp\u003eFür die meisten Teams ist die folgende Reihenfolge realistisch.\u003c/p\u003e\n\u003col\u003e\n\u003cli\u003e\n\u003cstrong\u003eEine einzelne Aufgabe und ihre Erfolgskriterien definieren.\u003c/strong\u003e Zunächst Eingaben, erwartete Ausgaben und Fehlerfälle sammeln.\u003c/li\u003e\n\u003cli\u003e\n\u003cstrong\u003eEinen minimalen Harness erstellen.\u003c/strong\u003e Nur den erforderlichen Kontext und die benötigten Werkzeuge bereitstellen sowie Berechtigungen, Tests, Logs und Kostenlimits festlegen.\u003c/li\u003e\n\u003cli\u003e\n\u003cstrong\u003eEin Evaluationsset aufbauen.\u003c/strong\u003e Neben normalen Fällen auch mehrdeutige Anfragen, fehlerhafte Dokumente, Werkzeugfehler und Versuche zur Überschreitung von Berechtigungen einbeziehen.\u003c/li\u003e\n\u003cli\u003e\n\u003cstrong\u003ePunkte mit Wiederholungsbedarf in Loops umwandeln.\u003c/strong\u003e Wiederholungsversuche nur in Bereichen erlauben, in denen Prüfung und Korrektur die tatsächliche Qualität erhöhen.\u003c/li\u003e\n\u003cli\u003e\n\u003cstrong\u003eBei komplexen Verzweigungs- und Wiederherstellungsprozessen zu einem Graph erweitern.\u003c/strong\u003e Zustände und Übergänge explizit definieren und vor riskanten Aktionen Genehmigungsknoten einfügen.\u003c/li\u003e\n\u003cli\u003e\n\u003cstrong\u003eMulti-Agenten-Systeme nur verwenden, wenn eine Aufgabenteilung Vorteile bietet.\u003c/strong\u003e Sind weder parallele Exploration noch unterschiedliche Fachrollen erforderlich, kann ein einzelner Agent einfacher und kostengünstiger sein.\u003c/li\u003e\n\u003c/ol\u003e\n\u003ch2\u003e\n\u003ca href=\"#unterschiede-bei-der-anwendung-auf-coding-und-recherche\" class=\"anchor\" id=\"unterschiede-bei-der-anwendung-auf-coding-und-recherche\"\u003e\u003c/a\u003eUnterschiede bei der Anwendung auf Coding und Recherche\u003c/h2\u003e\n\u003cdiv class=\"overflow-x-auto\"\u003e\u003ctable\u003e\n\u003cthead\u003e\n\u003ctr\u003e\n\u003cth\u003eAspekt\u003c/th\u003e\n\u003cth\u003eCoding-Aufgaben\u003c/th\u003e\n\u003cth\u003eRechercheaufgaben\u003c/th\u003e\n\u003c/tr\u003e\n\u003c/thead\u003e\n\u003ctbody\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Aspekt\"\u003ePrüfbarkeit\u003c/td\u003e\n\u003ctd data-label=\"Coding-Aufgaben\"\u003eAutomatische Prüfung durch Tests, Builds, Typprüfungen usw. ist vergleichsweise einfach\u003c/td\u003e\n\u003ctd data-label=\"Rechercheaufgaben\"\u003eQuellenqualität, Auslassungen und widersprüchliche Belege müssen umfassend beurteilt werden\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Aspekt\"\u003eWert dynamischer Exploration\u003c/td\u003e\n\u003ctd data-label=\"Coding-Aufgaben\"\u003eKann begrenzt sein, wenn der Änderungsumfang klar ist\u003c/td\u003e\n\u003ctd data-label=\"Rechercheaufgaben\"\u003eHoch beim Vergleich verschiedener Suchpfade und Hypothesen\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Aspekt\"\u003eHauptrisiken\u003c/td\u003e\n\u003ctd data-label=\"Coding-Aufgaben\"\u003eFehlerhafte Änderungen, Sicherheitslücken, ausschließlich auf Tests zugeschnittener Code\u003c/td\u003e\n\u003ctd data-label=\"Rechercheaufgaben\"\u003eAussagen ohne Quellen, redundantes Material, Bestätigungsfehler\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Aspekt\"\u003eGeeignete Kontrollen\u003c/td\u003e\n\u003ctd data-label=\"Coding-Aufgaben\"\u003eBegrenzung auf den Repository-Bereich, Tests, Prüfung des diff, Deployment-Genehmigung\u003c/td\u003e\n\u003ctd data-label=\"Rechercheaufgaben\"\u003eDokumentation von Quellen, unabhängige Suche, Suche nach Gegenbelegen, Prüfung von Zitaten\u003c/td\u003e\n\u003c/tr\u003e\n\u003c/tbody\u003e\n\u003c/table\u003e\u003c/div\u003e\n\u003cp\u003eEs lässt sich nicht pauschal behaupten, dass dynamische Workflows beim Coding immer ineffizient und bei der Recherche immer vorteilhaft seien. Eine testbare Migration im großen Maßstab kann für einen autonomen Agenten geeignet sein, während bei einer Faktenabfrage mit eindeutiger Antwort ein festgelegtes Rechercheverfahren effizienter sein kann. Die entscheidenden Variablen sind weniger das Fachgebiet als vielmehr \u003cstrong\u003edie Klarheit des Ziels, die Möglichkeit automatischer Prüfung, der Explorationsraum und die Fehlerkosten\u003c/strong\u003e.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#code-reviews-verschwinden-nicht-sondern-ihre-pr%C3%BCfungseinheit-ver%C3%A4ndert-sich\" class=\"anchor\" id=\"code-reviews-verschwinden-nicht-sondern-ihre-prüfungseinheit-verändert-sich\"\u003e\u003c/a\u003eCode Reviews verschwinden nicht, sondern ihre Prüfungseinheit verändert sich\u003c/h2\u003e\n\u003cp\u003eWenn Agenten Code schreiben, übernehmen Entwickler zunehmend die Rolle, Anforderungen, Design, Testergebnisse, Änderungsumfang und Risiken zu überwachen, statt jede Zeile selbst einzugeben. Zusammenfassungen von Pull Requests und Berichte von Agenten können den Prüfprozess beschleunigen.\u003c/p\u003e\n\u003cp\u003eEs ist jedoch kein sicherer Standard, ausschließlich eine Zusammenfassung zu lesen und dann zu genehmigen. Änderungen, die der Agent ausgelassen hat, oder falsch verstandene Logik erscheinen möglicherweise auch nicht in der Zusammenfassung. In den folgenden Situationen müssen der ursprüngliche diff und der relevante Code direkt geprüft werden.\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003eÄnderungen an Authentifizierung, Zahlungen, personenbezogenen Daten, Verschlüsselung oder Zugriffskontrollen\u003c/li\u003e\n\u003cli\u003eÄnderungen am Datenbankschema oder irreversible Migrationen\u003c/li\u003e\n\u003cli\u003eLeistungs- und nebenläufigkeitskritischer Code\u003c/li\u003e\n\u003cli\u003eUmfangreiches Refactoring außerhalb der Testabdeckung\u003c/li\u003e\n\u003cli\u003eÄnderungen an externen Abhängigkeiten, Deployment-Konfigurationen oder der Verarbeitung von Geheimnissen\u003c/li\u003e\n\u003cli\u003eFälle, in denen die Erklärung des Agenten nicht mit dem tatsächlichen diff übereinstimmt\u003c/li\u003e\n\u003c/ul\u003e\n\u003cp\u003eHuman-in-the-loop bedeutet nicht, dass ein Mensch lediglich formal auf eine Schaltfläche klickt. Es umfasst auch die Bereitstellung von Änderungsnachweisen, Testergebnissen, möglichen Fehlern und Rollback-Verfahren, damit Menschen eine fundierte Entscheidung treffen können.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#h%C3%A4ufige-fallstricke\" class=\"anchor\" id=\"häufige-fallstricke\"\u003e\u003c/a\u003eHäufige Fallstricke\u003c/h2\u003e\n\u003ch3\u003e\n\u003ca href=\"#multi-agenten-systeme-ohne-zweck\" class=\"anchor\" id=\"multi-agenten-systeme-ohne-zweck\"\u003e\u003c/a\u003eMulti-Agenten-Systeme ohne Zweck\u003c/h3\u003e\n\u003cp\u003eMehr Agenten verursachen Kosten für Rollenabstimmung, redundante Aufrufe, Kontextübertragung und Zusammenführung von Ergebnissen. Wenn weder eine parallele Exploration aus unterschiedlichen Perspektiven erforderlich ist noch ein Grund zur Trennung des Kontexts besteht, ist ein einzelner Agent besser.\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#unbegrenzte-dynamische-workflows\" class=\"anchor\" id=\"unbegrenzte-dynamische-workflows\"\u003e\u003c/a\u003eUnbegrenzte dynamische Workflows\u003c/h3\u003e\n\u003cp\u003eDarf ein Agent fortlaufend neue Teilaufgaben erstellen, steigen die Kosten für Token und Werkzeugaufrufe schnell an. Die Kosten ergeben sich ungefähr aus der Summe der Kosten für Ein- und Ausgabe-Token jedes Schritts, der Werkzeugkosten, der Zahl paralleler Agenten und der Anzahl der Wiederholungen. Die Zahl der Aufrufe, die Anzahl gleichzeitiger Ausführungen, das Gesamtbudget und die maximale Ausführungszeit müssen jeweils separat begrenzt werden.\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#optimierung-nur-einer-bewertungskennzahl\" class=\"anchor\" id=\"optimierung-nur-einer-bewertungskennzahl\"\u003e\u003c/a\u003eOptimierung nur einer Bewertungskennzahl\u003c/h3\u003e\n\u003cp\u003eWird ausschließlich die Testbestehensquote als Ziel vorgegeben, kann eine Fehloptimierung entstehen, bei der Tests abgeschwächt oder Ausnahmebehandlungen verborgen werden. Qualität, Sicherheit, Änderungsumfang, Kosten, Latenz und menschliche Bewertungen müssen gemeinsam berücksichtigt werden.\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#verwechslung-von-dokumenteinspeisung-mit-fine-tuning\" class=\"anchor\" id=\"verwechslung-von-dokumenteinspeisung-mit-fine-tuning\"\u003e\u003c/a\u003eVerwechslung von Dokumenteinspeisung mit Fine-Tuning\u003c/h3\u003e\n\u003cp\u003eDokumentsuche oder Projektanweisungen können Ergebnisse dauerhaft verändern, ohne dass sich die Modellgewichte ändern. Im weiteren Sinne lässt sich dies als Lerneffekt des Systems beschreiben, genau genommen handelt es sich jedoch um eine Anpassung mithilfe von externem Memory und Kontext. Dokumente oder Suchindizes müssen erhalten bleiben, damit die Veränderungen auch bei der nächsten Ausführung bestehen.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#evaluation-sicherheit-und-wirtschaftlichkeit-die-im-betrieb-leicht-%C3%BCbersehen-werden\" class=\"anchor\" id=\"evaluation-sicherheit-und-wirtschaftlichkeit-die-im-betrieb-leicht-übersehen-werden\"\u003e\u003c/a\u003eEvaluation, Sicherheit und Wirtschaftlichkeit, die im Betrieb leicht übersehen werden\u003c/h2\u003e\n\u003cp\u003eAgentendesign endet nicht bei einem Architekturdiagramm. Im realen Betrieb ist ein System wichtig, das \u003cstrong\u003enicht nur misst, was erlaubt wurde, sondern was tatsächlich geschehen ist\u003c/strong\u003e.\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#minimale-betriebskennzahlen\" class=\"anchor\" id=\"minimale-betriebskennzahlen\"\u003e\u003c/a\u003eMinimale Betriebskennzahlen\u003c/h3\u003e\n\u003cul\u003e\n\u003cli\u003eErfolgsquote der Aufgaben und menschliche Korrekturrate\u003c/li\u003e\n\u003cli\u003eModell- und Werkzeugkosten pro Aufgabe sowie Gesamtausführungszeit\u003c/li\u003e\n\u003cli\u003eAnzahl der Wiederholungen und Anteil der ohne Fortschritt verbrauchten Aufrufe\u003c/li\u003e\n\u003cli\u003eAnzahl der Genehmigungsanfragen, Ablehnungen und Versuche zur Überschreitung von Berechtigungen\u003c/li\u003e\n\u003cli\u003eFehlerhafte Werkzeugaufrufe und Erfolgsquote der Wiederherstellung\u003c/li\u003e\n\u003cli\u003eAnteil der ohne Quellen oder Tests eingereichten Ergebnisse\u003c/li\u003e\n\u003cli\u003eAusmaß, in dem Ergebnisse bei gleicher Eingabe variieren\u003c/li\u003e\n\u003c/ul\u003e\n\u003ch3\u003e\n\u003ca href=\"#f%C3%BCr-die-sicherheit-erforderliche-invarianten\" class=\"anchor\" id=\"für-die-sicherheit-erforderliche-invarianten\"\u003e\u003c/a\u003eFür die Sicherheit erforderliche Invarianten\u003c/h3\u003e\n\u003cul\u003e\n\u003cli\u003eAnweisungen in externen Dokumenten erhalten keine höhere Priorität als Systemrichtlinien.\u003c/li\u003e\n\u003cli\u003eGeheimnisse werden nicht unnötig in Modelleingaben und Logs offengelegt.\u003c/li\u003e\n\u003cli\u003eLeseberechtigungen werden von Schreib-, Lösch- und Deployment-Berechtigungen getrennt.\u003c/li\u003e\n\u003cli\u003eFür externe Übertragungen und irreversible Aktionen gelten separate Genehmigungen oder Richtlinienprüfungen.\u003c/li\u003e\n\u003cli\u003eAgenten dürfen ihre eigenen Bewertungskriterien, Tests oder Audit-Logs nicht nach Belieben ändern.\u003c/li\u003e\n\u003c/ul\u003e\n\u003cp\u003eDiese Invarianten lassen sich sicherer durch Sandboxes, Zugriffskontrollen, Graphübergänge und unabhängige Prüfsysteme erzwingen als durch einen einzelnen Satz in einem Prompt. Das Risikomanagement für generative AI muss neben der Genauigkeit des Modells auch die Betriebsumgebung, menschliche Aufsicht und Reaktion auf Zwischenfälle umfassen.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#welches-konzept-sollte-man-zuerst-lernen\" class=\"anchor\" id=\"welches-konzept-sollte-man-zuerst-lernen\"\u003e\u003c/a\u003eWelches Konzept sollte man zuerst lernen?\u003c/h2\u003e\n\u003cp\u003eIn der heutigen Praxis sollte man sich zuerst mit Harness Engineering vertraut machen. Ein präziser Kontext, minimale Berechtigungen, automatische Prüfungen, Logs, Genehmigungen und Kostenlimits können viele Fehler eines einzelnen Agenten reduzieren.\u003c/p\u003e\n\u003cp\u003eAnschließend werden Aufgaben, bei denen Wiederholungen die Qualität erhöhen, um Loops mit klaren Abbruchbedingungen ergänzt. Wenn Verzweigungen, Parallelverarbeitung, Wiederherstellung und Genehmigungsverfahren komplex werden, werden sie explizit als Graph modelliert. Wichtiger als die Übernahme komplexer Begriffe ist es, Ziele, Berechtigungen, Belege, Kosten und Abbruchbedingungen des Agenten in messbarer Form festzulegen.\u003c/p\u003e\n","tags":["Kontext Engineering","Harness Engineering","KI-Agent","Claude Code","KI Entwicklung","Programmieragent"],"faqs":[{"question":"Worin unterscheidet sich Harness Engineering von Prompt Engineering?","answer":"Prompt Engineering befasst sich hauptsächlich mit den Anweisungen und Formulierungen, die an das Modell übermittelt werden. Harness Engineering bezeichnet die Gestaltung einer umfassenderen Ausführungsumgebung, die neben Prompts auch die Kontextsuche, Werkzeuge, Berechtigungen, Sandboxes, Tests, Protokolle, menschliche Freigaben und die Fehlerbehebung umfasst."},{"question":"Bedeuten Context Engineering und Harness Engineering dasselbe?","answer":"Nein. Context Engineering konzentriert sich darauf, die Informationen, die das Modell aktuell kennen muss, auszuwählen, zu suchen, zusammenzufassen und anzuordnen. Harness Engineering befasst sich über die Kontextverwaltung hinaus auch mit Berechtigungen, Werkzeugen, Validierung, Kostenlimits und Betriebsrichtlinien."},{"question":"Was ist der wichtigste Unterschied zwischen einer Schleife und einem Graphen?","answer":"Eine Schleife definiert, was wiederholt wird und wann sie endet, etwa Planung, Ausführung, Validierung und Korrektur. Ein Graph definiert, welche Zustände existieren und wie von einem Zustand in einen anderen gewechselt werden kann. Ein Graph kann eine oder mehrere Schleifen enthalten."},{"question":"Benötigen alle KI-Agenten ein Graph-Framework wie LangGraph?","answer":"Nein. Für einfache, kurze Aufgaben können ein einzelner Agent und ein minimales Harness ausreichen. Der Nutzen eines Graphen steigt, wenn bedingte Verzweigungen, parallele Verarbeitung, Zwischenspeicherung, Fehlerbehebung, menschliche Freigaben oder eine Prüfung des Ausführungspfads erforderlich sind."},{"question":"Erzielen Multi-Agenten-Systeme immer eine bessere Leistung als einzelne Agenten?","answer":"Nein. Multi-Agenten-Systeme sind nützlich, wenn parallele Recherchen, unterschiedliche spezialisierte Rollen oder eine Trennung der Kontexte erforderlich sind. Wenn sich Rollen überschneiden oder Ziele unklar sind, können lediglich redundante Arbeit, Übergabefehler, Verzögerungen und Kosten zunehmen."},{"question":"Wie lässt sich eine Endlosschleife bei Agenten verhindern?","answer":"Neben einer maximalen Anzahl von Wiederholungen müssen auch Budgets für Zeit, Tokens, Werkzeugaufrufe und Kosten festgelegt werden. Ein Zustand ohne neue Informationen oder Fehlerreduktion sollte als mangelnder Fortschritt eingestuft werden, und das System muss so gestaltet sein, dass es bei Erreichen bestimmter Kriterien abbricht oder die Aufgabe an einen Menschen übergibt."},{"question":"Reicht es aus, bei von KI erstelltem Code nur die Zusammenfassung des Pull Request zu prüfen?","answer":"Die Zusammenfassung ist lediglich ein Hilfsmittel und ersetzt nicht die Prüfung der eigentlichen Änderungen. Bei risikoreichen Änderungen, etwa an Authentifizierung, Zahlungen, personenbezogenen Daten, Datenmigrationen und Bereitstellungseinstellungen, müssen der tatsächliche diff, der Testumfang, die Abhängigkeiten und das Verfahren zur Rückgängigmachung direkt geprüft werden."},{"question":"Hat das Modell gelernt, wenn ihm fortlaufend Unternehmensdokumente zugeführt werden?","answer":"Die Ergebnisse können sich dauerhaft verändern, doch die Modellgewichte wurden dadurch nicht aktualisiert. Es handelt sich um eine Anpassung auf Systemebene, bei der externe Dokumente, Suchindizes, Speicherinhalte und Anweisungen aufbewahrt und bei der nächsten Ausführung erneut bereitgestellt werden; dies ist von Fine-Tuning im strengen Sinne zu unterscheiden."},{"question":"Bedeutet Graph Engineering eine Rückkehr zu den festen Workflows der Anfangszeit?","answer":"Nicht unbedingt. Moderne Graphen ähneln eher einer hybriden Steuerung: Sie erlauben Agenten, in bestimmten Abschnitten autonom zu planen und Werkzeuge auszuwählen, schränken zugleich jedoch riskante Übergänge und obligatorische Freigabepunkte explizit ein."},{"question":"Was sollte bei der Gestaltung eines Harness zuerst festgelegt werden?","answer":"Zuerst müssen die Erfolgskriterien der Aufgabe und die Kosten eines Fehlschlags festgelegt werden. Anschließend sollten nur der erforderliche Kontext und die erforderlichen Werkzeuge bereitgestellt sowie minimale Berechtigungen, automatische Validierung, Ausführungsprotokolle, Kostenlimits und Abbruchbedingungen eingerichtet werden."}],"sources":[{"url":"https://www.anthropic.com/research/building-effective-agents","title":"Anthropic — Entwicklung effektiver Agenten","type":"source"},{"url":"https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents","title":"Anthropic — Effektives Kontext-Engineering für KI-Agenten","type":"source"},{"url":"https://www.anthropic.com/engineering/multi-agent-research-system","title":"Anthropic — Wie wir unser Multi-Agenten-Forschungssystem entwickelt haben","type":"source"},{"url":"https://docs.langchain.com/oss/python/langgraph/overview","title":"Überblick über LangGraph","type":"source"},{"url":"https://arxiv.org/abs/2210.03629","title":"ReAct: Synergie von Schlussfolgern und Handeln in Sprachmodellen","type":"source"},{"url":"https://nvlpubs.nist.gov/nistpubs/ai/NIST.AI.600-1.pdf","title":"NIST AI 600-1 — Rahmenwerk für das Risikomanagement künstlicher Intelligenz: Profil für generative künstliche Intelligenz","type":"source"}],"images":[{"id":662,"url":"https://injoys.com/rails/active_storage/blobs/proxy/eyJfcmFpbHMiOnsiZGF0YSI6ODI0NSwicHVyIjoiYmxvYl9pZCJ9fQ==--3a03e254c3d24990df4c3fc46145a5db24e457ba/ai-eb0e40fe.webp","is_representative":true,"generation_method":"ai_image","license":"ai_generated","mime_type":"image/webp","translations":{"ko":{"alt":"중앙 AI 시스템을 순환 화살표와 성공·실패 노드 그래프가 둘러싼 다이어그램","caption":"AI 에이전트의 실행 루프와 보안 검증, 분기 경로를 시각화한 구성도다.","description":null},"en":{"alt":"Central AI system surrounded by loop arrows and a graph of success and failure nodes","caption":"The diagram visualizes an AI agent’s execution loop, security checks, and branching paths.","description":null},"ja":{"alt":"中央のAIシステムを循環矢印と成功・失敗ノードのグラフが囲む図","caption":"AIエージェントの実行ループ、セキュリティ検証、分岐経路を可視化している。","description":null},"es":{"alt":"Sistema de IA central rodeado de flechas cíclicas y una red de nodos de éxito y error","caption":"El diagrama representa el bucle de ejecución, las verificaciones y las rutas de un agente de IA.","description":null},"id":{"alt":"Sistem AI pusat dikelilingi panah berulang dan graf simpul keberhasilan serta kegagalan","caption":"Diagram ini memvisualkan loop eksekusi, pemeriksaan keamanan, dan jalur bercabang agen AI.","description":null},"pt":{"alt":"Sistema central de IA cercado por setas cíclicas e uma rede de nós de sucesso e falha","caption":"O diagrama mostra o ciclo de execução, as verificações de segurança e as rotas de um agente de IA.","description":null},"zh-hant":{"alt":"中央 AI 系統周圍環繞循環箭頭與成功、失敗節點組成的路徑圖","caption":"此圖呈現 AI 代理的執行迴圈、安全檢查與分支路徑。","description":null},"de":{"alt":"Zentrales KI-System, umgeben von Kreispfeilen und einem Netz aus Erfolgs- und Fehlerknoten","caption":"Das Diagramm zeigt Ausführungsschleife, Sicherheitsprüfungen und verzweigte Pfade eines KI-Agenten.","description":null}}},{"id":663,"url":"https://injoys.com/rails/active_storage/blobs/proxy/eyJfcmFpbHMiOnsiZGF0YSI6ODI1MSwicHVyIjoiYmxvYl9pZCJ9fQ==--cea797c99aabaa4b8f760264327fe2ee8b34b423/ai-23d7d97a.webp","is_representative":false,"generation_method":"ai_image","license":"ai_generated","mime_type":"image/webp","translations":{"ko":{"alt":"보안 하네스 속 AI 로봇이 도구 루프와 분기 그래프를 거쳐 검증 및 경고 단계로 이동하는 흐름","caption":"AI 에이전트가 보호된 환경에서 반복 작업과 그래프 분기를 거쳐 사람의 검증을 받는 과정을 보여준다.","description":null},"en":{"alt":"AI robot moves from a secure harness through a tool loop and branching graph to validation and a warning gate","caption":"The diagram shows an AI agent progressing through protected execution, iterative tools, graph branches, and human validation.","description":null},"ja":{"alt":"保護されたAIロボットがツールのループと分岐グラフを経て検証と警告ゲートへ進む流れ","caption":"AIエージェントが保護環境から反復処理、グラフ分岐、人による検証へ進む工程を示している。","description":null},"es":{"alt":"Un robot de IA pasa de un entorno seguro a un bucle de herramientas, un grafo ramificado y una puerta de alerta","caption":"El diagrama muestra a un agente de IA avanzando por ejecución protegida, iteraciones, ramas y validación humana.","description":null},"id":{"alt":"Robot AI bergerak dari lingkungan aman melalui loop alat dan graf bercabang menuju validasi serta gerbang peringatan","caption":"Diagram ini menunjukkan agen AI melalui eksekusi terlindungi, proses berulang, cabang graf, dan validasi manusia.","description":null},"pt":{"alt":"Robô de IA passa de um ambiente seguro por um ciclo de ferramentas e grafo ramificado até validação e alerta","caption":"O diagrama mostra um agente de IA avançando por execução protegida, iterações, ramificações e validação humana.","description":null},"zh-hant":{"alt":"AI 機器人從安全框架經過工具迴圈與分支圖，走向人工驗證及警示閘門","caption":"此圖呈現 AI 代理從受保護執行、反覆工具操作和圖形分支走向人工驗證的流程。","description":null},"de":{"alt":"KI-Roboter durchläuft eine sichere Umgebung, eine Werkzeugschleife und einen verzweigten Graphen bis zur Warnschranke","caption":"Die Grafik zeigt einen KI-Agenten bei geschützter Ausführung, iterativen Abläufen, Graphverzweigungen und menschlicher Prüfung.","description":null}}}],"published_at":"2026-08-16T00:45:12+09:00","updated_at":"2026-08-16T00:45:12+09:00","license":"cc_by","translation_status":"reviewed","available_locales":["ko","en","ja","es"],"data_locales":["ko","en","ja","es","id","pt","zh-hant","de"],"url":"https://injoys.com/en/articles/ai-agent-harness-loop-graph-engineering"}