- AI
- News
- Automation
Was kommt nach den Loops? Agent-Teams, die breit suchen und gemeinsam durchziehen
Loops halten einen Agent am Laufen. Der nächste Schritt sind Teams von Agents, die verschiedene Wege ausprobieren, jede Sackgasse teilen und sich auf den Weg sammeln, der funktioniert. Was OpenAI, Anthropic und xAI diesen Herbst gezeigt haben, wo Schwärme scheitern, und eine Checkliste für dein erstes Agent-Team.

Stell dir vor: Du startest vier Agent-Threads auf denselben fiesen Bug. Zwei Stunden später liest du die Logs. Drei davon haben den Nachmittag in derselben Sackgasse verbracht, zwei haben einen Branch mit demselben Namen angelegt, und der eine, der die echte Ursache gefunden hat, hat es den anderen nie gesagt. Du hast vier Agents bezahlt und einen bekommen, plus drei Rechnungen.
Genau dieses Problem soll der nächste Schritt nach den Loops lösen. Ein Loop hält einen Agent am Laufen, bis der Job erledigt ist. Ein Agent-Team verteilt mehrere Agents auf verschiedene Ansätze, lässt sie einander erzählen, was sie gefunden haben, und zieht alle auf den Weg, der funktioniert. Stell es dir wie einen Suchtrupp im Wald vor: Jeder nimmt einen anderen Pfad, funkt, wenn er an einer Felswand steht, und sobald einer die Spur findet, läuft der ganze Trupp hinüber.
💬 Breit suchen. Jede Sackgasse teilen. Dann gemeinsam durchziehen.
In diesem Beitrag bekommst du die Leiter vom einzelnen Agent bis zum Schwarm, wie OpenAI sie auf dem DevDay vorgestellt hat, die zwei Experimente, die zeigen, was Agent-Teams können (OpenAIs Navier–Stokes-Lauf und Anthropics Schwachstellensuche mit 45 Agents), wo Schwärme scheitern, was xAI als Produkt ausliefert, und eine Checkliste für dein erstes Agent-Team. Hier die ganze Geschichte in 56 Sekunden, ohne Ton:
🔁 Schritt eins: Ein Agent, ein Loop
Loops waren ein Workaround. Ältere Modelle hörten oft nach einem Turn auf, obwohl die Aufgabe nicht fertig war, also hat man sie in eine Schleife gepackt, die immer wieder „weiter“ sagte. Geoffrey Huntleys Ralph-Loop hat daraus ein Muster gemacht: Eine Bash-Schleife startet den Agent immer wieder auf derselben Prompt-Datei, jeder Lauf beginnt mit frischem Kontext und übernimmt die Dateien und den Plan, die der letzte Lauf hinterlassen hat.
Auf der OpenAI DevDay Exchange Tokyo am 20. Oktober hat Bonnie Chatterjee (OpenAI) in ihrem Talk gezeigt, wie es weiterging. So steht es in einem ausführlichen Teilnehmerbericht, der auf einer Aufnahme der Session beruht. Codex bekam : ein Ziel, das einzelne Turns überlebt. Der Harness speichert es außerhalb der Unterhaltung, und wenn ein Turn endet, das Ziel aber noch offen ist, startet er den nächsten Turn mit dem Ziel und einer Erinnerung weiterzumachen. presst den Verlauf zu einem kleinen Arbeitsstand zusammen, wenn das Kontextfenster voll wird, damit der Agent behält, was er gelernt hat, und trotzdem Platz hat. Und GPT-6 wurde darauf trainiert, ganz ohne das äußere „weiter“ dranzubleiben.
Weiterlesen
Weitere Beiträge zu KI, Automatisierung und Software-Engineering vom TechChase-Team.