Agent Wiki Topic
Context Engineering
Kontext, Quellen, Schemas, Skills und Aufgabenzerlegung statt nur laengere Prompts.
Agentenlesbare Einstiegspunkte
Verwandte Seiten
blog
Agent Skills sind kein Markdown. Sie brauchen ein Qualitäts-Gate.
Ein praktisches Qualitäts-Gate für Agent Skills: Nutzen gegen eine No-Skill-Baseline messen, Aktivierung und Trajektorie prüfen, Rechte außerhalb des Skill-Texts binden und nur versionierte, überprüfbare Kandidaten promoten.
blog
Wie ich aus einer Messenger-App ein Betriebssystem für Domain Agents gebaut habe
Ich betreibe nicht für jede Aufgabe einen eigenen Bot. Mehrere getrennte Chat-Sessions greifen auf dieselbe agentische Runtime zu. Im zentralen Boba-DM entwerfe ich nach einem festen Factory-Playbook neue Domain-Profile aus Regeln, Memory, Skills, Tools und überprüfbaren Flows.
blog
Agent Plugins sind npm für Agent-Verhalten — aber ohne Lockfile
Agent Plugins machen aus Skills und MCP-Konfigurationen ein portables Paket. Der Guide zeigt den kleinsten Aufbau, die Integration in mehrere Clients sowie die fehlenden Produktionskontrollen für Permissions, Updates, Evals und Rollback.
blog
Dein AI Agent lernt nichts aus seinen Runs
Ein Agent verbessert sich nicht, nur weil seine Runs gespeichert werden. Ein Knowledge Flywheel extrahiert aus mehreren Runs belegte Lessons, prüft Widersprüche, versioniert das Ergebnis und liefert dem nächsten Agenten nur das Wissen, das zu seinem Task passt.
blog
Graph Engineering beginnt dort, wo Routing zum Produktverhalten wird
Graph Engineering ist nicht das Zeichnen komplexer Agentendiagramme. Es beginnt dann, wenn Retry, Eskalation, Evidenzprüfung oder menschliche Freigabe sichtbares und testbares Produktverhalten werden.
blog
Dein Agent scheiterte drei Schritte vor dem Fehler
Bei langen Agentenläufen ist der letzte Fehler oft nur das Symptom. Der bessere Debugging-Loop sucht den frühesten kausal verantwortlichen Schritt, formuliert eine minimale Korrektur und prüft sie in einem kontrollierten Rerun.
blog
Von 'Prompt-Klappern' zu Prompt-Debugging
Prompt-Optimierung ist kein Suchproblem mehr — es ist ein Debugging-Problem. Contrastive Reflection liefert das Framework, um Fehler gezielt zu fangen, statt blind zu raten.
blog
Teste deine Coding-Agent-Instruktionen wie Code
Eine gute AGENTS.md ist kein Prompt-Dokument, das man einmal schreibt. Sie ist ein kleines Betriebshandbuch fuer den Agenten. Und Betriebshandbuecher werden besser, wenn man sie gegen konkrete Fehler testet.
blog
Automatisch generierte Agent Skills brauchen eine Supply Chain
Das OpenClaw-Skill-Paper ist ein starkes Signal: Agent Skills werden nicht nur manuell geschrieben, sondern aus Trajektorien, Skill-Bäumen und Transfer-Evals gelernt. Aber genau das macht eine Skill-Supply-Chain wichtiger, nicht unwichtiger.
tools
Agent Save File Starter
Ein leichtgewichtiges Projektgerüst für Agent-Kontextdateien. Es trennt harte Regeln, sichere Commands, gültige Entscheidungen und alte Hinweise, damit Agents nicht aus Chat-Müll arbeiten.
tools
DeepResearch Skill
DeepResearch zwingt Agenten aus dem schnellen Suchmaschinen-Summary-Modus heraus. Der Skill schreibt Recherche-Artefakte, trennt Primär- von Sekundärquellen und verlangt URL-gestützte Evidenz vor der Synthese.
tools
Is This Agentic Change Good?
Dieser Skill prüft Branches, die zukünftiges Agent-Verhalten verändern. Er sammelt lokale Git-Evidenz, bewertet Skill-Kollisionen, Kontextbudget, Sicherheitsrisiken und Runtime-Sichtbarkeit, bevor ein Merge empfohlen wird.
blog
Dein Coding Agent braucht eine Verfassung und ein Logbuch
Coding Agents werden nicht nur durch bessere Modelle nützlich. Teams brauchen eine kleine Verfassung für Agent-Verhalten und ein kuratiertes Logbuch für Projektwissen, sonst wird Memory zu Kontext-Müll.
blog
RAG 2026: Vergiss GraphRAG als Default
RAG wird 2026 nicht dadurch besser, dass man GraphRAG auf alles wirft. Der robuste Default ist Contextual Hybrid RAG: saubere Ingestion, BM25 plus Embeddings, Reranking, Quellenpflicht und harte Evals.
blog
AGENTS.md ist kein Kontext. Es ist eine Steuerfläche.
Die überraschende Lektion aus AGENTS.md-Benchmarks ist nicht, dass Kontextdateien nutzlos sind. Sie verändern Agent-Verhalten, manchmal in Richtung teurerer und weniger nützlicher Arbeit. Behandle sie als Steuerfläche, nicht als Repo-Handbuch.
blog
Agenten brauchen Runtime Contracts, nicht längere Prompts
Bessere Prompts machen Agenten nicht automatisch zuverlässig. Entwickler brauchen Runtime Contracts: explizite Verträge dafür, welche Tools ein Agent nutzen darf, was er erinnern darf, wann er stoppen muss und wie seine Behauptungen geprüft werden.
blog
Bewerte KI-Code nicht am Diff
Besseres KI-Coding entsteht nicht primär durch bessere Prompts, sondern durch den Harness um das Modell: explizite Contracts, getrennte Builder- und Reviewer-Rollen, Belege und eine Schleife, die Fehler in bessere Spezifikationen zurückführt.
blog
Deine KI-generierte UI braucht einen Playtester, keinen Screenshot-Review
KI-generierte Interfaces sehen oft fertig aus, bevor sie sich korrekt verhalten. Eine GUI-Playtester-Loop schickt einen separaten Browser-Agenten in die App, protokolliert Interaktionen, speichert Screenshots und Logs, macht aus kaputten Flows reproduzierbare Bug Reports und rerunnt denselben Test nach dem Fix.
blog
Spec-Driven Context Resets für Coding-Agenten
Lange Agenten-Chats verrotten. Besser ist es, Entscheidungen in kleine Spec-Dateien zu verschieben, zwischen den Ebenen bewusst den Kontext zu resetten und jede Coding-Agent-Session nur das lesen zu lassen, was sie wirklich braucht.
blog
KI-Agenten brauchen Belege, bevor sie klicken
Wenn ein Agent klickt, sendet, kauft oder Daten extrahiert, darf die entscheidende Wahrheit nicht nur aus Modell-Prosa kommen. Baue vor riskanten Tool Calls ein kleines Evidenz-Gate: Predicate, Belegtyp, Quelle, Entscheidung.
blog
Hör auf, KI zum kritischen Selbstcheck zu bitten
Offene Anweisungen wie „prüf das kritisch“ belohnen das Modell ungewollt dafür, Kritik zu produzieren. Die Lösung ist nicht weniger Review, sondern kalibriertes Review: klare Kriterien, PASS_NO_CHANGE, Evidenz pro Finding, Severity-Schwellen und ein kleines Änderungsbudget.
blog
AGENTS.md reicht nicht: Dein Coding Agent braucht einen Harness
Ein Coding Agent wird nicht durch einen magischen Prompt zuverlässig. Er braucht einen Harness: AGENTS.md, Skills, Tool-Permissions, Hooks und Evals, die merken, wenn sich sein Verhalten verschiebt.
blog
gib jedem Kundenprojekt einen kleinen Agenten
Der nützliche Move ist nicht ein Mega-Assistent für alle Kunden. Gib jedem Kundenprojekt einen kleinen, isolierten Agenten mit eigener Erinnerung, Aufgabenliste, Preview-URL-Gewohnheit und langweiligem Daily Standup.
blog
Prompt Decomposition: So zerlegst du KI-Aufgaben richtig
Nach Context Engineering kommt Decomposition: Entwickler sollten nicht alles in einen Prompt stopfen, sondern Aufgaben in direkte Prompts, Subtasks, Pipelines, Agent-Loops oder Skills zerlegen.
blog
LLM-native Entwickler brauchen mehr als gute Prompts
Die nächste Entwicklerfähigkeit ist nicht der cleverste Prompt. Es ist das Betriebssystem um LLMs herum: Datenqualität, Model-Versioning, Evals, Guardrails, Incident Response, Review-UX und Repo-Anweisungen, denen Agents wirklich folgen können.
blog
Sprachnachrichten sind das beste Interface für kleine Agentenjobs
Voice ist nicht gut für alles. Aber für kleine Agentenjobs ist es brutal praktisch: unterwegs eine Aufgabe diktieren, lokal transkribieren, vom bestehenden Agenten ausführen lassen und nur eine kurze Antwort zurückbekommen.
blog
Prompting ist tot. Context zählt.
2026 geht es nicht mehr um den einen magischen Prompt. Der bessere Ansatz: Kontext wählen, Tools und Schemas definieren, Agent-Regeln setzen und mit Evals prüfen.
blog
Hermes Agent: Self-Review statt One-Shot
Hermes wird interessant, wenn ein Agent nicht nur liefert, sondern die eigene Arbeit reviewed: ausführen, messen, kritisieren, Skill umbauen, nochmal laufen lassen. Der Nutzen entsteht vor allem bei wiederholbaren Workflows.
blog
AI-first Architektur: schneller entscheiden, sauber bleiben
AI-first Architektur heißt nicht: Modell entscheidet. Es heißt: KI erzeugt Optionen, findet Risiken, verdichtet Kontext — das Team entscheidet und dokumentiert nachvollziehbar.