Ihr Agent-Stützgerüst ist vermutlich überdimensioniert: Was man entfernen sollte
Ihr Agent-Harness ist vermutlich überdimensioniert. Mit der Verbesserung der Modelle wird das Stützgerüst zu einem Ballast. Wie sich Überprüfungen und Kontextkosten summieren und was man kürzen sollte.
Je intelligenter die Agenten werden, desto mehr verschiebt sich die nützliche Arbeit darauf, ihnen bestimmte Funktionen zu entziehen. Das steht im Widerspruch zu dem, was Teams im vergangenen Jahr meist getan haben, nämlich weitere Fähigkeiten und Funktionen hinzuzufügen.
Fast alle Fortschritte bei Agenten bislang stammen von Hilfssystemen: Planungsschritte, Überprüfungszyklen, Fähigkeiten, Speicher und Verknüpfungen. Als die Modelle schwächer waren, machte das Sinn, denn die Hilfssysteme kompensierten das, was die Modelle allein nicht leisten konnten. Das Problem ist jedoch, dass niemand diese Hilfssysteme wieder entfernt, sobald die Modelle mithalten können. Sobald eine Einschränkung auftaucht, wird eine Workaround-Lösung entwickelt, und diese bleibt dauerhaft bestehen. Dies ist eine dem Agentenkonzept eigene technische Verschuldung, die häufig zu schlechteren Ergebnissen führt.
Wenn das Hilfssystem gegen das Modell kämpft
Betrachten wir eine Konfiguration, die auf den 4,5- und 4,6-Generationen einer Modellfamilie abgestimmt ist. Sie plant, überprüft ihre eigene Arbeit und führt zusätzliche Überprüfungszyklen durch, bevor sie antwortet – was damals ein angemessener Kompromiss war. Wenn man dieselbe Konfiguration auf eine neuere Generation überträgt, wirkt sie gegen einen. Das Modell handelt bereits ohne Anweisung auf diese Weise, doch die Steuerungsstruktur verlangt weiterhin von ihm, an sich selbst zu zweifeln, alles zu überprüfen und von vorn anzufangen. Es plant und überdenkt anschließend den Plan erneut. Es führt aus und stellt die Ausführung in Frage. Es überprüft und streitet anschließend mit der Überprüfung. Bald steckt der Agent in Analyseparalyse fest und verbraucht Tokens damit, Entscheidungen in Frage zu stellen, die eigentlich in Ordnung waren. Das bedeutet einen Schritt vorwärts und einen Schritt rückwärts – mit mehr Nachdenken, das keine bessere Antwort liefert und manchmal sogar eine schlechtere.
Bis jetzt ist das nur ein Gefühl – hier ist also etwas Messbares. Ein Ingenieur verwendet seit Monaten einen Vorlagentext für Prüfungen vor dem Push, der ständig angepasst wird. Er begann mit 22 Zeilen und umfasst jetzt 37, wobei sich die Anzahl der Prüfarten von zwei auf drei erhöht hat. Nichts wurde jemals entfernt – jede Ergänzung war eine Regel, und jede Regel wurde hinzugefügt, weil in einer Pull-Request tatsächlich etwas schiefgelaufen war. Aus der Sicht der Beteiligten sieht so „Unsinn“ aus. Gute Absichten führen dazu, dass solche Strukturen immer weiter an Umfang gewinnen. Jede Änderung löste an dem Tag ihrer Einführung ein echtes Problem, doch der zweite Schritt fehlt: Niemand kehrt später zurück, um zu überprüfen, ob die Regel sich noch lohnt. Niemand schärft den „Axt“.
Anthropic ist auf dasselbe gestoßen. In ihrem Engineering-Beitrag vom April 2026 zur Skalierung von verwalteten Agenten heißt es, dass Harnesses Annahmen darüber kodieren, was ein Modell nicht allein bewältigen kann, und diese Annahmen veralten, je besser die Modelle werden. Ihr Beispiel ist Sonnet 4.5, das frühzeitig aufhört zu arbeiten, sobald es erkennt, dass die Kontextgrenze naht – ein Verhalten, das sie als Kontextangst bezeichnen. Um damit umzugehen, fügten sie Kontext-Reset-Funktionen hinzu. Bei Opus 4.5 war dieses Verhalten verschwunden, und die Resets wurden zu unnötigem Ballast.
Daraus ergibt sich eine praktische Gewohnheit: Wenn ein neues Modell verfügbar ist, sollte man zunächst veranlassen, dass es seinen vorhandenen Harness vor der Übernahme neuer Aufgaben überprüft.
Mehr Analyse bedeutet nicht mehr Signal
Wenn man von einem Agenten zusätzliche Analyse verlangt, wird das Signal leise abgebaut – und das geschieht häufiger, als man erwarten würde.
Die Code-Überprüfung zeigt das sehr deutlich. Weisen Sie einem Agenten einen Code zu und bitten Sie ihn, nach Problemen zu suchen – dann liefert er genau diese Probleme zurück. Einige davon sind wichtig, andere sind nur Stilkritikpunkte, hypothetische Randfälle oder Aussagen, die technisch zwar richtig, aber irrelevant sind. Der Agent versagt hier nicht, denn Sie haben nach Problemen gefragt und er hat sie geliefert. Einige Befunde sind einfach falsch, was sein eigenes Problem darstellt, doch die kostspieligen Fälle sind solche, die zwar korrekt sind, aber keine Bedeutung haben.
Probleme entstehen, wenn sich diese Befunde anhäufen. Wenn es zehn plausible Probleme gibt, geht es nicht mehr darum, ob jedes für sich steht, sondern welche davon wirklich wichtig sind. Ein Überprüfungssystem kann Ihnen daher gleichzeitig mehr Informationen als auch weniger relevante Hinweise liefern.
Ein echter Fall macht das konkret. In einem Ticket wurde ein Endpunkt gefordert, der einen 409-Status zurückgibt, doch tatsächlich wurde ein 500-Status zurückgesendet. Die kleinste korrekte Lösung bestand aus zwei Zeilen in einer Datei. Der zurückgeschickte Pull Request betraf 13 Dateien mit fast 500 Zeilen in drei Diensten. Ein Großteil davon waren Tests, also war es nicht vollständig sinnlos, aber dennoch sehr umfangreich. Sechs spezialisierte Prüfer hatten die Änderungen überprüft, wobei jeder seine Aufgabe erledigte und echte Probleme fand; der Hauptprüfer wendete alle diese Anmerkungen an, wodurch der PR immer größer wurde. Ein Mensch erkannte den Übermaß, schrieb die zweizeilige Lösung, und diese Version wurde integriert. Die überdimensionale Version wurde schließlich geschlossen.
Kein einzelner Prüfer versagte. Dreizehn Dateien bedeuteten niemals eine einzige Entscheidung – es waren dreizehn begründete Entscheidungen, die niemand zusammenzählte. Jeder Prüfer fragte, ob der Code korrekt sei, doch keiner fragte, ob er überhaupt existieren sollte.
Den Reviewer wegzulassen war nicht die Lösung. Stattdessen gaben die Entwickler einem neuen Reviewer genau entgegengesetzte Anweisungen: Er sollte den Diff als etwas betrachten, das vermutlich nicht existieren sollte, und der Autor musste jeden Dateiänderungsvorschlag verteidigen, um die Datei beizubehalten. CUT war die Standard-Einstellung. Es wird dabei ein einziger Wert angezeigt – die Anzahl der eingereichten Dateien im Verhältnis zur Mindestanzahl – und dieser Wert zeigt an, ob die Änderung angemessen groß ist.
Die Massenanalyse kostet nichts. Das Signal hingegen ist knapp, und ein leistungsstärkeres Modell gibt es nicht kostenlos heraus.
Auch Anthropic stieß auf dieses Problem. Ihr Beitrag vom März 2026 zum Design von Tools für langlaufende Anwendungen erklärt, warum der Programmieragent und sein Bewertungsmodul getrennt wurden. Wenn Agenten aufgefordert werden, ihre eigenen Erzeugnisse zu bewerten, neigen sie dazu, diese selbstbewusst zu loben – selbst dann, wenn ein Mensch die Qualität als durchaus mittelmäßig einstufen würde. Einem separaten Bewertungsmodul kann gesagt werden, skeptisch zu sein, während ein selbstbewertendes Modul dies nicht kann. Wie wertvoll dieses Bewertungsmodul jedoch war, hing von der Aufgabe ab: Bei einfachen Aufgaben wurde es zu einer Belastung, während es bei schwierigen Aufgaben tatsächlich einen echten Mehrwert bot.
Die Kluft zwischen „beschäftigt“ und „nützlich“ wird größer, sobald ein Agent den ganzen Tag über läuft.
Ein ständig aktiver Agent sollte nicht ständig nachdenken
Nehmen Sie einen Agenten, der für eine Schichtwechsel-Überwachung entwickelt wurde. Er beobachtet die Engineering-Kanäle und bringt alles zu Tage, was die Person im Bereitschaftsdienst wissen sollte. Diese Kanäle sind sehr aktiv, und kein Mensch im Dienst liest sie alle, sodass ein Agent, der rund um die Uhr aktiv ist, das erkennen kann, was einem Menschen entgeht.
Die erste Version war überdimensioniert: Werkzeuge für Wartungsfenster, Service-Inspektionen, Abfragen zur Eskalationspolitik sowie ein Handbuch darüber, wann welche Werkzeuge verwendet werden sollen. Der Entwickler nannte das „on-call maxxing“ und stellte die Arbeit nach einer Weile ein. Die tatsächlichen Anforderungen beschränkten sich auf zwei Dinge: Incidents schnell genug zu erkennen, damit niemand per Pager kontaktiert wird, und die Kanäle ausreichend im Auge zu behalten, damit echte Probleme früh entdeckt werden. Für die Erkennung von Incidents reichte ein Befehl ohne Argumente aus. Der Rest fügte nichts hinzu und wurde entfernt.
Kurz darauf trat derselbe Fehler in einer tieferen Schicht der Architektur selbst auf. Ein Timer löste alle zehn Minuten während jeder Schicht den Zyklus aus, wodurch eine Sitzung weiterhin Kontext sammelte. Jeder Durchlauf las daher einen immer länger werdenden Transkripttext erneut – dies wurde als Opus-Cache-Lesungen verbucht – und am Ende einer Schicht betrug die Länge bereits über 150.000 Tokens. Im überprüften Zeitraum beliefen sich die gemeldeten Cache-Lesungen insgesamt auf 2,1 Milliarden Tokens, was bei den Preisen des Teams etwa 1.050 Dollar entsprach. Ein Pauschalpreismodell bedeutete zwar keine direkte Rechnung, doch das wöchentliche Limit wurde bereits erreicht, selbst nachdem eine Prämie von 50 Prozent hinzugefügt worden war. Die Nachverfolgung des Verbrauchs wies eindeutig auf den Schuldigen hin.
Eine präzisere Anweisung war nicht die Lösung – ein anderes Design schon. Bei jeder Durchlaufschleife wird nun ein kurzlebiger Sonnet-Agent erzeugt, dessen Aufgabe einfach ist: Alles Neue lesen, für jeden Kanal einen Zeitstempel der letzten Sichtung in einer kleinen Datei speichern und anschließend eine Zeile zurückgeben. Da die eigene Sitzung der Schleife unverändert bleibt, wird das ressourcenintensive Modell nur dann ausgeführt, wenn das kleinere Modell überlastet ist. In kodischer Hinsicht wurden dadurch 79 Zeilen sowie ein ganzer Komponententeil entfernt. Der nächste Schichtwechsel verlief ohne Auslass wichtiger Informationen, und die Überwachung geht weiter.
Die Prognose lautete, dass sich die Kosten bei einer regulären Iteration von etwa 0,25 Dollar auf rund 0,03 Dollar verringern würden. Die Messung von 433 Iterationen des alten Designs im Vergleich zu einem vollen Schichtwechsel des neuen Designs ergab im übertragenen Maßstab das richtige Verhältnis: etwa 1,85 Dollar pro Iteration zuvor und etwa 0,19 Dollar danach – also etwa zehnmal günstiger. Die Art des Problems wurde richtig eingeschätzt, während seine Größe unterschätzt wurde.
Genauso aufschlussreich ist, was die Kosten nicht verursacht hat. Das ursprüngliche Design nutzte bereits ein günstiges Modell, Haiku, für die eigentliche Kanallesung – dieses war für weniger als 1 Prozent der Cache-Lesungen verantwortlich. Die Kosten entstanden dadurch, dass die übergeordnete Sitzung bei jedem Durchlauf ihren eigenen, stetig wachsenden Transkript wieder las. Das günstige Modell erledigte die Arbeit, während das teure Modell alles erneut lesen musste.
Daraus ergeben sich zwei Lehren. Erstens: Stellen Sie sicher, dass das teure Modell keine Arbeit wiederholt, die das günstige Modell bereits erledigt hat. Zweitens: Bei einer häufigen, weniger kritischen Aufgabe bringt ein leistungsstärkeres Modell fast keinen Vorteil – es lohnt sich erst, wenn es um komplexe Produktionsprobleme geht. Das klügste Modell muss nicht unbedingt das am meisten genutzte sein.
Kontext ist nicht kostenlos
Je größer die Kontextfenster werden, desto stärker wird der Drang, übermäßig komplexe Lösungen zu entwickeln. Als der Kontext knapp war, war die Auswahl erzwungen. Heute ist es einfach, den Kontext wie Speicher zu behandeln: Man fügt die Unterhaltungen, Dokumente, Toolbeschreibungen, die Historie sowie alle möglicherweise hilfreichen Fähigkeiten hinzu und lässt das Modell daraus sortieren. Das Modell erlebt den Kontext jedoch nicht als Speicher – alles davon ist Teil des Problems, das gelöst werden muss. Jede Anweisung ist etwas, das interpretiert werden muss, und jedes Tool etwas, auf das das Modell zurückgreifen kann. Ein intelligenterer Agent, genauso wie eine intelligente Person, benötigt mehr Konzentration und nicht mehr Eingaben.
Das wirft eine Frage auf, die man jedem Agenten stellen kann: Was könnte hinzugefügt werden, ohne die Situation zu verschlechtern? Anstatt eine weitere Fähigkeit hinzuzufügen, sollte man lieber eine löschen. Arbeiten Sie mit weniger Kontext, als Ihnen sicher erscheint. Entfernen Sie einen Überprüfungszyklus. Führen Sie Abfragen in einem langsameren Rhythmus durch. Lassen Sie anschließend das Ergebnis sprechen. Wenn sich nichts verschlechtert, wurde der Agent kostengünstig verbessert – vermutlich sogar verbessert –, da das Modell weniger zu verarbeiten hat. Wenn sich die Qualität verschlechtert, haben Sie gelernt, dass dieser Bestandteil für dieses Modell nicht geeignet ist.
Von der Maximierung aller Aspekte zur agilen Agentenentwicklung
Hinter all dem steckt eine Gewohnheit: Teams sind hervorragend darin geworden, alles zu maximieren – mehr Token, Kontext, Fähigkeiten, Tools, Speicher, Hooks, Schlussfolgerungen, Überprüfungen und Subagenten. Dinge hinzuzufügen wirkt wie Fortschritt, da das System immer komplexer wird, doch komplex und nützlich sind keine Synonyme. Irgendwann entsteht um den Agenten herum eine Bürokratie, und Bürokratien sind in der Regel verschwenderisch.
Betrachten Sie jeden Bestandteil eines „Harness“ als eine Hypothese, wie zum Beispiel:
- Diese Fähigkeit lässt den Agenten besseren Code schreiben.
- Dieser Hook verhindert echte Fehler.
- Eine weitere Überprüfungstour findet Fehler, die der Hauptagent übersehen hat.
- Mehr Subagenten erledigen die Arbeit schneller.
Etwas, das nützlich erscheint, ist lediglich eine Vermutung bezüglich Ihres Systems und keine Tatsache. Der langweilige Teil – nämlich das Experimentieren – lässt sich nicht vermeiden. Führen Sie den Ablauf mit und ohne die entsprechende Fähigkeit sowie mit und ohne den „Hook“ durch und messen Sie die Ergebnisse.
In Anthropics Beitrag zur Konzeption der „Harness“-Struktur wird dieses Prinzip direkt formuliert: Jedes Komponente in einem „Harness“ enthält eine Vermutung darüber, was das Modell allein nicht bewältigen kann, und diese Vermutungen sollten stressgetestet werden. Ihr Team entwickelte zunächst ein umfangreiches „Harness“, das funktionierte, entfernte anschließend nach und nach Teile, um herauszufinden, welche wichtig waren. Die Aufteilung in Sprints wurde aufgegeben, da durch die Verbesserungen in Opus 4.6 gute Gründe bestanden, anzunehmen, dass das Modell diese Aufgabe eigenständig bewältigen könnte.
Das lehrt mehr als der Slogan, dass einfache Agenten gewinnen. Betrachten Sie ein „Harness“ als etwas, das man misst und anpasst. Einige Komponenten werden überflüssig, andere bleiben, weil das Modell diese Aufgabe noch immer nicht bewältigen kann. Ein Komponente zu entfernen und zu zeigen, dass niemand etwas vermisst, ist schwieriger als eine hinzuzufügen – und das markiert die Grenze zwischen dem Maximieren aller Aspekte und der Agenten-Ingenieurkunst. Die eine Methode zielt darauf ab, das zu maximieren, was das System leistet. Die andere maximiert das nützliche Signal pro ausgegebenem Token.
Die Axt schärfen
Je besser die Modelle werden, desto länger wird die Liste der Dinge, die entfernt werden müssen. Arbeiten, die früher Unterstützung benötigten, werden allmählich selbstständig möglich, Überprüfungszyklen rechtfertigen ihren Aufwand nicht mehr, und Teile, die ursprünglich als grundlegend galten, erweisen sich als nur zur Behebung von Problemen bei bereits veralteten Modellen. Ein „Harness“ ist niemals fertig. Fragen Sie sich nur, ob ein bestimmter Bestandteil die Ergebnisse für dieses Modell und diese Aufgabe weiter verbessert, messen Sie ihn, entfernen Sie ihn und führen Sie ihn nur dann wieder ein, wenn die Beweise zeigen, dass er wichtig ist.
Es gibt ein Sprichwort über Lincoln, dem zufolge er, wenn ihm sechs Stunden zur Fällung eines Baumes gegeben würden, die ersten vier Stunden damit verbringen würde, die Axt zu schärfen. Schärfen Sie die Axt.
Verwandte Artikel
- Warum Stimmenagenten roboterhaft klingen: Kaskadierte Prozesse, Sprechertrennung und das TEN-Framework — Wie kaskadierte STT-LLM-TTS-Pipelines zu Unterbrechungen und schlechten Kommunikationsbedingungen führen, die vier Arten von Stimmenagenten sowie wie das TEN-Framework die Sprechertrennung und parallele Graphen handhabt.
- Warum KI-Agenten eine Governance-Schicht benötigen – und nicht nur bessere Anfragen — Anfragen prägen nur einen einzelnen Austausch, nicht einen gesamten Arbeitsablauf. Wie eine Governance-Schicht mit Regeln, begrenztem Kontext, Autorisierungslimits und Nachweisen der Erledigung KI-Agenten zuverlässig macht.