Agent Loop Architect (Loop Engineering)

Was macht Agent Loop Architect (Loop Engineering)?

Überblick

Agent Loop Architect ist ein Ausführungsstandard und ein Entwurfsmuster für die Orchestrierung komplexer, mehrstufiger Agenten-Workflows durch geschlossene Iterationen mit persistentem Speicher und Zustandsverfolgung.

Anstatt Agentenausführungen als einmalige Aufforderungen oder lineare Pipelines zu behandeln, erzwingt der Agent Loop einen iterativen Lebenszyklus, in dem Teilagenten spezialisiert arbeiten, ihre Arbeit durch objektive Prüfgates verifizieren und systematisch über mehrere Durchläufe hinweg lernen.

Die zwei goldenen Regeln des Loops

1. Keine Ausführung ohne vorheriges Lernen: Bevor Agenten eine Lösung vorschlagen oder implementieren, müssen sie die Lern-Phase ausführen, indem sie vorhandene positive und negative Muster im Speicher konsultieren.
2. Kein Abschluss ohne Komprimierung: Ein Zyklus ist nicht beendet, wenn Code oder Inhalt geschrieben ist; er endet erst, nachdem die Komprimierungs-Phase das Ergebnis in den Speicher destilliert und den Zustand aktualisiert hat.

flowchart TD
    Start([Aufgabe gestartet]) --> Learn[1. LERNEN: .loop-memory/ einlesen]
    Learn --> Plan[2. PLANEN: Phasenzielegung & etapas.json]
    Plan --> Exec[3. AUSFÜHREN: Spezialisierte Sub-Agenten eingesetzt]
    Exec --> Verify{4. VERIFIZIEREN: Objektive Gates bestanden?}
    Verify -- Nein: Regression / Kehrtwende --> Learn
    Verify -- Ja --> Compress[5. KOMPRIMIEREN: Speicher destillieren & Zustand aktualisieren]
    Compress --> Done([Loop abgeschlossen])

---

Die 5 Phasen des Loops

Jeder Loop-Zyklus durchläuft streng fünf Phasen:

Phase 1: Lernen (Vorbereitende Übernahme)

• Pflichtprüfung: Sub-Agenten müssen lesen:
  • .loop-memory/positive-cases/ (erfolgreiche Muster, bestätigte Korrekturen, hochkonvertierende Copy-Winkel, optimale Prompt-Vorlagen).
  • .loop-memory/negative-cases/ (Anti-Muster, fehlgeschlagene Hypothesen, Randfall-Regressionen, verbotene Ansätze).
• Ziel: Verhindern, dass Agenten zuvor dokumentierte Fehler wiederholen, und die Wiederverwendung bewährter M erzwingen.

Phase 2: Planen & Orchestrieren (Zustandsinitialisierung)

• Das Ziel in diskrete, geordnete Phasen zerlegen.
• etapas.json mit Phasenstatus, zugewiesenen Sub-Agenten, Eingaben, Ausgaben und Akzeptanzkriterien initialisieren oder aktualisieren.
• Dedizierte Sub-Agenten-Rollen zuweisen, die den Domänenanforderungen entsprechen.

Phase 3: Ausführen (Einsatz spezialisierter Sub-Agenten)

• Sub-Agenten sequenziell oder parallel basierend auf Phasenabhängigkeiten ausführen.
• Sub-Agenten arbeiten in isoliertem Kontext und geben präzise Artefakte oder Diffs weiter, anstatt vollständigen Gesprächsverlauf.

Phase 4: Verifizieren & Bewerten (Objektive Akzeptanzgates)

• Ausgabe der Ausführung anhand expliziter, automatisierter oder deterministischer Kriterien validieren (z.B. Ergebnisse von Unit-/Integrationstests, Linting, Faktenprüfung von Zitaten, Toneinhaltung).
• Falls die Verifikation fehlschlägt:
  • Den Fehler als intermediäres negatives Muster dokumentieren.
  • Mit dem Fehlerfeedback zur Lern-/Plan-Phase zurückkehren.
• Falls die Verifikation besteht: zur Komprimierungs-Phase übergehen.

Phase 5: Komprimieren (Speicherdestillation nach dem Flug)

• Positive Destillation: Das genaue Muster, die Vorlage, das Prompt-Fragment oder die Code-Korrektur extrahieren, das/die erfolgreich war, und in .loop-memory/positive-cases/CASE-<ID>.md schreiben.
• Negative Destillation: Sackgassen, abgelehnte Hypothesen und Regressionen in .loop-memory/negative-cases/CASE-<ID>.md dokumentieren.
• Zustand finalisieren: etapas.json mit abgeschlossenen Zeitstempeln, endgültigen Artefakten und Ausführungsmetriken aktualisieren.

---

Verzeichnisstruktur und Speicherarchitektur

Jedes Projekt, das mit dem Loop-Muster arbeitet, hält folgende Root- oder Workspace-Struktur ein:

<project-root>/
├── .loop-memory/
│   ├── positive-cases/
│   │   ├── CASE-001-fix-auth-race-condition.md
│   │   └── CASE-002-high-conversion-cold-hook.md
│   └── negative-cases/
│       ├── CASE-001-failed-jwt-in-localstorage.md
│       └── CASE-002-clickbait-hook-bounce.md
├── etapas.json
├── references/
│   └── domain-examples.md
└── SKILL.md

Speicher-Fall-Schema (.loop-memory/*/CASE-*.md)

Jede Falldatei muss dieser standardisierten Markdown-Vorlage folgen:

# Fall: [Kurzer beschreibender Titel]
- **Datum:** YYYY-MM-DD
- **Domäne:** [Engineering | Copywriting | Vertrieb | Forschung]
- **Typ:** [Positiv | Negativ]
- **Auslöser / Kontext:** [Genauer Sachverhalt, Fehlermeldung oder Prompt-Ziel]

## Muster / Technik
[Detaillierte Beschreibung, was funktioniert hat oder warum es fehlgeschlagen ist]

## Konkretes Artefakt / Code-Ausschnitt / Prompt
```[Sprache]
[Hier den konkreten Ausschnitt, die Vorlage oder den Diff einfügen]

Erkenntnis & Heuristik

• Tun: [Handlungsregel für zukünftige Agenten]
• Lassen: [Was vermieden werden muss]

### `etapas.json`-Schema

Die Datei `etapas.json` verfolgt den aktuellen Lebenszyklus-Fortschritt:

```json
{
  "project": "agent-loop-project",
  "loop_version": "2.0.0",
  "updated_at": "2026-11-06T21:00:00Z",
  "current_stage": "fix",
  "stages": [
    {
      "id": "reproduce",
      "role": "QA-Reproduktions-Sub-Agent",
      "status": "completed",
      "input": "Bug-Report #402",
      "output": "tests/repro_spec.ts",
      "memory_consulted": ["CASE-001-fix-auth-race-condition.md"]
    },
    {
      "id": "fix",
      "role": "Core-Fix-Engineer-Sub-Agent",
      "status": "in_progress",
      "input": "tests/repro_spec.ts",
      "output": null,
      "memory_consulted": []
    }
  ],
  "metrics": {
    "total_cycles": 1,
    "positive_patterns_harvested": 0,
    "negative_patterns_avoided": 1
  }
}

---

Integrierte Domänen-Archetypen

Agent Loop Architect enthält 4 kampferprobte Domänen-Pipelines. Vollständige Schritt-für-Schritt-Anleitungen und Prompts für jeden Archetypen finden Sie in domain-examples.md.

1. Fehlerbehebung & Engineering

• Pipeline: Reproduzieren -> Ursache -> Beheben -> Testen -> Dokumentieren
• Lernprüfung: Vorherige Korrekturen für verwandte Subsysteme einlesen; vergangene Regressionen vermeiden.
• Verifikations-Gate: Reproduktionstest ändert sich von ROT auf GRÜN; keine Kollateraltestbrüche.
• Komprimieren: Die Ursachenerklärung und den minimalen Fix-Diff in .loop-memory/positive-cases/ speichern.

2. Content & Copywriting

• Pipeline: Zielgruppen- & Winkel-Recherche -> Hook & Narrative Entwurf -> Kritik & Ton-Politur -> Korrektur & Faktencheck -> Distributionsverpackung
• Lernprüfung: Die leistungsstärksten Hooks und verbotene Buzzwords/Phrasen lesen.
• Verifikations-Gate: Ziel-Leseniveau, Markenstimmen-Bewertung ≥ 8,5/10, überprüfte Faktenbehauptungen.
• Komprimieren: Leistungsstarke Winkel und Hook-Formeln in den Speicher übernehmen.

3. Vertriebsansprache

• Pipeline: ICP-Intelligenz -> Wert-Hypothese -> Personalisierte Sequenzierung -> Einwandbehandlung -> Versandvorbereitung
• Lernprüfung: Antwortraten zu Wertversprechen, Einwandmuster und ungültige Annahmen abfragen.
• Verifikations-Gate: Spezifitäts-Checkliste (keine generischen Serienbriefzeilen), Einhaltung von Spam-Richtlinien.
• Komprimieren: Erfolgreiche Personalisierungs-Hooks speichern und Winkel mit niedriger Antwort in negativen Fällen aufzeichnen.

4. Forschung, Finanz- & Rechtsanalyse

• Pipeline: Entdeckung & Quellenaufnahme -> Faktencheck & Risikomatrix -> Quantitative / Rechtliche Synthese -> Szenario-Stresstest -> Executive-Briefing
• Lernprüfung: Präzedenzfälle, vergangene Analyseübersehen und Datenvaliditätsstandards einlesen.
• Verifikations-Gate: 100% zitierte Quellenrückverfolgung; Risikomatrizen gegen Stressszenarien getestet.
• Komprimieren: Synthesevorlagen, Quellenzuverlässigkeitsbewertungen und Risikobewertungsheuristiken speichern.

---

Richtlinien für den Sub-Agenten-Einsatz

Beim Einsatz von Sub-Agenten innerhalb eines Loops:

1. Rollenspezifität: Niemals einen Generalisten-Agenten verwenden. Prompts mit Domänenrollenanweisungen versehen (z.B. Du bist der QA-Reproduktions-Sub-Agent...).
2. Speicherinjektion: Immer die Pfade oder eine Zusammenfassung der relevanten .loop-memory/-Fälle im initialen Sub-Agenten-Prompt angeben.
3. Diskrete Übergaben: Sub-Agenten sollten über explizite Dateien kommunizieren (z.B. Reproduktionsskripte, Entwurfsdateien, Bewertungsrubriken) anstatt über Gesprächsverlauf.
4. Autonomes Phasengate: Ein Sub-Agent darf den Status in etapas.json NICHT auf "completed" setzen, ohne überprüfbare Beweise zu liefern (Logs, Testausgaben, Validierungsergebnisse).

---

Häufige Fehler & Anti-Muster

Anti-Muster	Warum es den Loop bricht	Die richtige Praxis
Die Lernphase überspringen	Agenten erfinden bekannte Fehler neu oder verwenden abgelehnte Copy-Winkel.	Erzwinge das Lesen von .loop-memory/ als Schritt 0 in jedem Prompt.
Die Komprimierungsphase auslassen	Lektionen gehen verloren, sobald der Sitzungskontext zurückgesetzt wird.	Beende eine Aufgabe nie, ohne erfolgreiche/fehlgeschlagene Fälle in Dateien zu destillieren.
Monolithische Agentenausführung	Ein einzelner Agent wird verwirrt, wenn er gleichzeitig planen, coden, verifizieren und dokumentieren soll.	Setze spezialisierte Sub-Agenten für jede diskrete Phase ein.
Weiche Verifikation („sieht gut aus“)	Halluzinationen gelangen in die Produktion.	Verwende deterministische Gates: Test-Suites, Linter-Ausgabe, Faktenzitate.
Unbegrenzte Wiederholungsschleifen	Der Agent loopiert endlos auf einem nicht behebbaren Fehler.	Begrenze Loop-Wiederholungen auf 3 Iterationen, bevor ein Eskalations-Gate für Menschen ausgelöst wird.