Im vorherigen Artikel haben wir darüber geschrieben, was es bedeutet, im Zeitalter von KI Entwickler zu sein, und warum Agentic Engineering die Grundlagen nicht ersetzt. KI-Agenten können Code schreiben, Dateien untersuchen, Befehle ausführen, Recherche zusammenfassen und Teile der Produktentwicklung automatisieren. Aber sie brauchen weiterhin Richtung.

Dieser Folgeartikel dreht sich um die nächste praktische Frage.

Wie bekommst du bessere Ergebnisse von KI-Agenten?

Die häufige Antwort lautet: Schreibe bessere Prompts.

Das ist nicht falsch, aber unvollständig. Prompt Engineering ist wichtig, aber die besten KI-Agenten-Ergebnisse entstehen selten durch den einen perfekten Prompt. Sie entstehen durch das Betriebssystem rund um den Agenten: Ziel, Kontext, Tools, Gedächtnis, Feedback Loop, Verifikation und menschliche Urteilskraft.

Wenn ein KI-Agent immer wieder generische, falsche oder fragile Ergebnisse produziert, ist nicht unbedingt nur das Modell das Problem. Oft fehlen dem Agenten dieselben Dinge, die auch ein menschlicher Teamkollege brauchen würde: klare Anweisungen, Zugriff auf relevante Informationen, Beispiele für gute Arbeit, Einschränkungen, Tools und Feedback.

KI-Agenten-Performance ist nicht hauptsächlich ein Magic-Prompt-Problem. Es ist ein Workflow-Design-Problem.

Warum KI-Agenten scheitern

KI-Agenten können inkonsistent wirken. An einem Tag helfen sie dir, in Minuten einen nützlichen Prototypen zu bauen. Am nächsten Tag missverstehen sie eine einfache Anforderung, überentwickeln eine Lösung oder erklären selbstbewusst etwas, das falsch ist.

Diese Inkonsistenz hat meistens Muster.

KI-Agenten scheitern, wenn:

Das Ziel vage ist.
Der Agent nicht genug Kontext hat.
Die Aufgabe zu gross ist.
Einschränkungen fehlen.
Der Agent nicht auf die richtigen Dateien, Tools oder Dokumente zugreifen kann.
Es keinen Feedback Loop gibt.
Niemand prüft, ob das Ergebnis wirklich korrekt ist.
Der Agent Entscheidungen treffen soll, die einem menschlichen Owner gehören.

Das ist nicht einzigartig für KI. Auch ein menschlicher Entwickler, Designer, Marketer oder Assistent würde mit vagen Anweisungen und fehlendem Kontext kämpfen.

Wenn du einer Person sagst: "Baue mir ein Dashboard", wird sie Rückfragen stellen. Was für ein Dashboard? Für wen? Welche Daten? Welches Design System? Welche Bildschirmgrössen? Was soll passieren, wenn Daten fehlen? Woran messen wir Erfolg?

KI-Agenten versuchen oft trotzdem zu antworten. Das ist ein Teil ihres Nutzens und ein Teil ihrer Gefahr. Sie füllen Lücken mit Annahmen.

Bessere KI-Agenten-Performance beginnt damit, die Anzahl der Annahmen zu reduzieren, die der Agent erfinden muss.

Bessere Prompts sind nur der Anfang

Prompt Engineering bedeutet, der KI klarere Anweisungen zu geben. Für nicht-technische Leser ist ein Prompt einfach die Aufgabenbeschreibung, die du der KI gibst.

Ein schwacher Prompt beschreibt grob, was du willst.

Baue mir ein Dashboard.

Ein stärkerer Prompt gibt dem Agenten Kontext, Einschränkungen und Erfolgskriterien.

Baue ein Dashboard für einen SaaS-Gründer, um monatlich wiederkehrenden Umsatz, Churn, aktive Nutzer, fehlgeschlagene Zahlungen und Support-Tickets zu verfolgen. Nutze das bestehende Design System. Füge keine neuen Dependencies hinzu. Untersuche zuerst die aktuelle Frontend-Struktur und schlage einen Plan vor. Führe nach der Implementierung die relevanten Checks aus und liste Annahmen, Risiken und fehlende Daten auf.

Der zweite Prompt ist besser, weil er Mehrdeutigkeit reduziert.

Er sagt dem Agenten:

Wer der Nutzer ist.
Was das Ergebnis enthalten soll.
Welche Einschränkungen wichtig sind.
Was vor der Implementierung passieren soll.
Wie die Arbeit beurteilt wird.
Was danach berichtet werden soll.

Gute Prompts enthalten oft sieben Zutaten:

Ziel: Was soll erreicht werden?
Zielgruppe: Für wen ist das Ergebnis?
Kontext: Was soll der Agent wissen, bevor er handelt?
Einschränkungen: Was soll der Agent vermeiden?
Beispiele: Wie sieht gute Arbeit aus?
Akzeptanzkriterien: Wie wird Erfolg bewertet?
Review-Auftrag: Was soll der Agent vor oder nach der Arbeit erklären?

Prompt Engineering ist nützlich, aber es hat Grenzen. Wenn der Agent dein Produkt, deine Kunden, deine Codebase, dein Geschäftsmodell oder deine früheren Entscheidungen nicht kennt, kommt selbst ein gut geschriebener Prompt nur begrenzt weit.

Kontext ist der eigentliche Performance-Multiplikator

Kontext ist die Information, die ein Agent braucht, um eine Aufgabe gut zu erledigen.

Für einen menschlichen Teamkollegen kann Kontext Produktziele, Kundenfeedback, technische Dokumentation, Designregeln, frühere Entscheidungen, Beispiele und geschäftliche Einschränkungen umfassen. KI-Agenten brauchen dieselbe Art von Information.

Je weniger Kontext du gibst, desto mehr muss der Agent raten.

Für Gründer kann Kontext enthalten:

Zielkunde.
Das Problem, das gelöst wird.
Die aktuelle Phase des Unternehmens.
Der Unterschied zwischen Prototyp-Code und Produktionscode.
Wichtige geschäftliche Einschränkungen wie Budget, Geschwindigkeit, Compliance oder Time to Market.
Bestehende Produktentscheidungen, die nicht leichtfertig wieder geöffnet werden sollen.

Für Entwickler kann Kontext enthalten:

Projektstruktur.
Coding Conventions.
Architekturentscheidungen.
Testbefehle.
API-Verträge.
Datenbankmodelle.
Sicherheitsanforderungen.
Beispiele für ähnlichen bestehenden Code.

Für Content-, Marketing- und Operations-Teams kann Kontext enthalten:

Brand Voice.
Kundenpersonas.
Frühere Kampagnen.
SEO-Ziele.
Rechtliche Einschränkungen.
Beispiele freigegebener Arbeit.

Deshalb wird Projektdokumentation im Zeitalter von KI-Agenten wichtiger, nicht unwichtiger. Dokumentation ist nicht mehr nur für Menschen. Sie ist auch Treibstoff für KI-Systeme.

Wenn Unternehmenswissen nur in den Köpfen von Menschen existiert, können KI-Agenten es nicht zuverlässig nutzen. Wenn Produktentscheidungen nicht dokumentiert sind, wird der Agent sie neu verhandeln. Wenn Coding Conventions implizit sind, wird der Agent eigene erfinden.

Guter Kontext verwandelt einen KI-Agenten von einem generischen Assistenten in etwas, das eher wie ein nützlicher Teamkollege arbeitet.

Refining ist der Ort, an dem Qualität entsteht

Viele Menschen beurteilen KI-Agenten nach der ersten Antwort. Das ist ein Fehler.

Die erste Antwort ist oft ein Entwurf. Qualität entsteht durch Refinement.

Refining bedeutet, Feedback zu geben, Alternativen anzufordern, Tradeoffs sichtbar zu machen und das Ergebnis Schritt für Schritt zu verbessern.

Nützliche Refinement-Prompts sind:

Welche Annahmen hast du getroffen?
Was könnte bei diesem Ansatz schiefgehen?
Gib mir eine einfachere Version.
Vergleiche zwei mögliche Lösungen und empfehle eine.
Was hast du nicht verifiziert?
Welche Teile sind für Produktion riskant?
Was würdest du vor der Implementierung fragen?
Schreibe das für einen nicht-technischen Gründer um.
Schreibe das für einen Senior Engineer um.
Finde Edge Cases, die wir verpasst haben könnten.

Das ist besonders wichtig für Gründer und nicht-technische Teams. Du weisst vielleicht nicht, ob der Code gut ist, aber du kannst den Agenten trotzdem bitten, Annahmen offenzulegen, Tradeoffs zu erklären und Fakten von Vermutungen zu trennen.

Für technische Teams sollte Refinement auch bedeuten, den tatsächlichen Output zu prüfen: Diffs lesen, Tests prüfen, Logs anschauen und Verhalten validieren. Agenten-Zusammenfassungen sind nützlich, aber sie sind kein Beweis.

Die besten KI-Workflows sind keine One-Shot-Gespräche. Sie sind Schleifen:

Aufgabe geben.
Plan prüfen.
Agent handeln lassen.
Output inspizieren.
Feedback geben.
Ergebnis verifizieren.
Festhalten, was beim nächsten Mal wiederverwendet werden soll.

In dieser Schleife wird Agentic Engineering zu einer ernsthaften Praxis statt nur zu einem Produktivitätstrick.

RAG: Agenten das richtige Wissen geben

RAG steht für Retrieval-Augmented Generation.

Einfach gesagt bedeutet RAG, dass die KI relevante Informationen suchen kann, bevor sie antwortet. Statt nur auf das zurückzugreifen, was das Modell bereits weiss, ruft der Agent Dokumente, Code, Tickets, Richtlinien oder andere Daten ab und nutzt diese Informationen für eine bessere Antwort.

RAG kann einem KI-Agenten helfen, Fragen wie diese zu beantworten:

Was sagt unsere Rückerstattungsrichtlinie?
Welcher API-Endpunkt verarbeitet User Invitations?
Was haben wir letztes Quartal zu Pricing entschieden?
Welche Kundenbeschwerden erwähnen Onboarding?
Welche Sicherheitsanforderungen gelten für dieses Feature?
Auf welche früheren Blogposts sollte dieser Artikel verlinken?

Für Gründer ist RAG wichtig, weil es Unternehmenswissen in nutzbaren Hebel verwandelt. Wenn Pitch-Notizen, Kundeninterviews, Produktspezifikationen und Support-Gespräche durchsuchbar sind, können KI-Agenten schneller Muster finden.

Für Entwickler ist RAG wichtig, weil der Agent die Codebase, Dokumentation, Architekturentscheide, API-Referenzen und Issue-Historie durchsuchen kann, bevor er eine Änderung vorschlägt.

Für nicht-technische Teams ist RAG wichtig, weil sie Kontext nicht jedes Mal manuell wiederholen müssen. Der Agent kann die passende Hintergrundinformation im richtigen Moment abrufen.

Aber RAG ist keine Magie.

Schlechte Dokumente erzeugen schlechte Antworten. Veraltete Dokumentation erzeugt veraltete Empfehlungen. Unordentliche Wissensdatenbanken erzeugen unordentliche Retrieval-Ergebnisse. Wenn das Quellmaterial schwach ist, kann die KI mit Zitaten selbstbewusst falsch liegen.

Die praktische Lektion ist einfach: Wenn du bessere KI-Agenten willst, verbessere das Wissen, das sie abrufen.

Tools, Plugins, MCP Server, Skills, Subagents und LSP Server

Der nächste Schritt nach Prompts und Kontext ist Tooling.

Ein einfacher Chatbot kann antworten. Ein Agent mit Tools kann handeln.

Tools erlauben KI-Agenten, Dateien zu suchen, Tests auszuführen, Logs zu prüfen, Datenbanken abzufragen, Webseiten abzurufen, Tickets zu erstellen, APIs aufzurufen oder Reports zu generieren. Dadurch wird der Agent von einem Textgenerator zu einem Arbeiter in einer kontrollierten Umgebung.

Hier ist ein praktisches Glossar.

Konzept	Einfache Bedeutung	Warum es KI-Agenten verbessert
Prompt Engineering	Bessere Aufgabenanweisungen	Reduziert Mehrdeutigkeit und verbessert erste Entwürfe
Kontext	Relevante Hintergrundinformation	Reduziert Raten und generischen Output
RAG	Vor dem Antworten vertrauenswürdiges Wissen suchen	Gibt dem Agenten aktuelle und spezifische Informationen
Tools	Aktionen, die der Agent ausführen darf	Lässt den Agenten echte Systeme inspizieren, testen, abrufen und ändern
Plugins	Paketierte Fähigkeiten in einer KI-Umgebung	Macht spezialisierte Funktionen leichter wiederverwendbar
MCP Server	Standardisierte Brücken zwischen KI-Agenten und externen Systemen	Verbindet Agenten konsistent mit Tools, Dateien, APIs, Datenbanken und Services
Skills	Wiederverwendbare Anweisungen und Workflows für bestimmte Aufgaben	Macht Agentenverhalten konsistenter und spezialisierter
Agents	KI-Arbeiter, die planen und auf ein Ziel hinarbeiten können	Erledigen mehrstufige Aufgaben statt nur einzelne Antworten zu geben
Subagents	Spezialisierte Agenten für fokussierte Teile einer Aufgabe	Teilen komplexe Arbeit in Recherche, Implementierung, Review, Testing oder Debugging auf
LSP Server	Sprachintelligenz für Code-Editoren und Tools	Hilft Agenten, Code-Struktur, Typen, Referenzen, Fehler und Symbole zu verstehen

Der wichtige Punkt ist nicht die Terminologie. Der wichtige Punkt ist, welches Problem jede Schicht löst.

Prompts verbessern Anweisungen. Kontext verbessert Verständnis. RAG verbessert Wissenszugriff. Tools verbessern Handlungsfähigkeit. Skills verbessern Wiederholbarkeit. Subagents verbessern Fokus. LSP Server verbessern Code-Verständnis. Verifikation verbessert Vertrauen.

Bessere Agenten sind nicht einfach schlauere Chatfenster. Sie sind mit besseren Systemen verbunden.

Der AI Agent Performance Stack

Wenn wir ein praktisches Modell zur Verbesserung von KI-Agenten-Performance wollen, können wir in Schichten denken.

1. Intent

Was wollen wir erreichen?

Der Agent braucht ein Ziel, das spezifisch genug ist, um handeln zu können. "Verbessere das Produkt" ist zu vage. "Reduziere Onboarding-Drop-off, indem der Account-Setup-Flow vereinfacht wird" ist besser.

2. Kontext

Was muss der Agent wissen?

Dazu gehören Produkthintergrund, Nutzer, Geschäftsregeln, Codebase-Konventionen, frühere Entscheidungen, Beispiele und Einschränkungen.

3. Einschränkungen

Was soll der Agent vermeiden?

Beispiele sind: keine Dependencies hinzufügen, die öffentliche API nicht ändern, keine personenbezogenen Daten speichern, das Design System nicht verändern, keine Produktionsänderungen ohne Review machen.

Einschränkungen verhindern, dass Agenten das richtige Problem auf die falsche Weise lösen.

4. Tools

Was darf der Agent nutzen?

Ein Agent, der Dateien inspizieren, Tests ausführen, Dokumentation durchsuchen oder eine API aufrufen kann, produziert fundiertere Arbeit als ein Agent, der nur aus einem Prompt heraus raten kann.

5. Gedächtnis und Retrieval

Was soll der Agent erinnern oder abrufen?

Hier werden RAG, Dokumentation, Knowledge Bases, frühere Entscheidungen und Beispiele nützlich.

6. Feedback

Wie lernt der Agent, was in diesem Kontext gut aussieht?

Feedback kann aus direkten Kommentaren, geprüften Beispielen, fehlgeschlagenen Tests, bearbeiteten Entwürfen oder expliziten Korrekturen bestehen.

7. Verifikation

Woran wissen wir, dass das Ergebnis korrekt ist?

Verifikation kann Tests, Linting, manuelles Review, Security Checks, Analytics, User Testing oder den Abgleich mit Akzeptanzkriterien umfassen.

8. Verantwortung

Wer trägt das Ergebnis?

Der Agent kann Arbeit produzieren. Er kann die Konsequenzen nicht tragen. Ein Mensch oder ein Team muss entscheiden, was sicher genug ist, um geshippt, veröffentlicht, automatisiert oder verlässlich genutzt zu werden.

Das ist der AI Agent Performance Stack:

Intent
Kontext
Einschränkungen
Tools
Gedächtnis und Retrieval
Feedback
Verifikation
Verantwortung

Wenn dein KI-Agent schlecht performt, frage nicht nur: "Welches Modell sollen wir nutzen?" Frage, welche Schicht des Stacks schwach ist.

Was Gründer tun sollten

Für Gründer sind KI-Agenten mächtig, weil sie die Kosten von Exploration senken. Du kannst Ideen testen, Content schreiben, Prototypen bauen, Kundenfeedback analysieren, Operations automatisieren und Investor-Materialien schneller vorbereiten als früher.

Aber Geschwindigkeit kann Risiko verstecken.

Gründer sollten sich weniger darauf konzentrieren, Prompt Hacker zu werden, und mehr darauf, bessere Entscheidungs- und Dokumentationsgewohnheiten aufzubauen.

Praktische Schritte:

Schreibe kurze Produktspezifikationen, bevor du Agenten bauen lässt.
Führe ein einfaches Decision Log für wichtige Produkt- und Technikentscheide.
Dokumentiere Kundenpersonas, Pricing-Annahmen und geschäftliche Einschränkungen.
Trenne Prototyp-Arbeit von Produktionsarbeit.
Bitte Agenten, Risiken in einfacher Sprache zu erklären.
Hole erfahrenes technisches Review ein, bevor Nutzer von der Software abhängen.
Nutze Agenten, um Lernen zu beschleunigen, nicht um Verständnis zu vermeiden.

Ein Gründer muss kein Senior Engineer werden, um von KI-Agenten zu profitieren. Aber wenn das Business von Software abhängt, braucht der Gründer genug technisches Grundverständnis, um zu wissen, wann man langsamer machen und Hilfe holen sollte.

Die gefährliche Frage ist: "Kann KI das für mich bauen?"

Die bessere Frage ist: "Welchen Kontext, welches Review und welche Sicherheitsmechanismen brauchen wir, damit KI uns verantwortungsvoll beim Bauen helfen kann?"

Was Entwickler tun sollten

Für Entwickler werden KI-Agenten Teil der Engineering-Umgebung. Der Vorteil wird nicht bei Entwicklern liegen, die sie verweigern, und auch nicht bei Entwicklern, die ihnen blind vertrauen.

Der Vorteil wird bei Entwicklern liegen, die zuverlässige Agenten-Workflows entwerfen können.

Praktische Schritte:

Halte Projektdokumentation nahe am Code.
Schreibe klare Aufgabenbeschreibungen mit Akzeptanzkriterien.
Bitte Agenten, zuerst zu inspizieren und dann zu implementieren.
Teile grosse Arbeit in kleine, reviewbare Aufgaben.
Nutze Tests, Linters, Type Checks und Build Commands als Verifikationstools.
Bitte Agenten, Annahmen, Risiken und Alternativen aufzulisten.
Nutze Subagents für Recherche, Implementierung, Testing, Debugging und Review, wenn die Aufgabe komplex ist.
Behandle generierten Code wie Code eines Junior Teamkollegen: nützlich, aber weiterhin reviewpflichtig.
Halte erfolgreiche Prompts und Workflows als wiederverwendbare Skills oder Playbooks fest.

Der Entwickler der Zukunft ist nicht nur Coder und nicht nur Prompt Writer. Der Entwickler der Zukunft ist Systemdesigner für Mensch-KI-Zusammenarbeit.

Eine praktische Checkliste für bessere KI-Agenten-Ergebnisse

Vor dem Start einer KI-Agenten-Aufgabe frage:

Ist das Ziel spezifisch?
Ist die Aufgabe klein genug?
Habe ich definiert, für wen das Ergebnis ist?
Habe ich relevanten Kontext gegeben?
Habe ich Einschränkungen genannt?
Habe ich Erfolgskriterien definiert?
Hat der Agent Zugriff auf die richtigen Tools oder Dokumente?
Sollte der Agent Fragen stellen, bevor er handelt?

Während der Aufgabe frage:

Hat der Agent den relevanten Kontext inspiziert?
Hat er Annahmen getroffen?
Hat er den einfachsten vernünftigen Ansatz gewählt?
Hat er Tradeoffs erklärt?
Hat er unnötige Komplexität vermieden?

Nach der Aufgabe frage:

Habe ich den tatsächlichen Output geprüft, nicht nur die Zusammenfassung?
Wurden Tests oder Validierungen ausgeführt?
Sind Risiken und Edge Cases sichtbar?
Sind sensible Daten geschützt?
Kann das später gewartet werden?
Sollte dieser Workflow zur Wiederverwendung dokumentiert werden?

Wenn mehrere Antworten "Ich weiss es nicht" lauten, ist der nächste Schritt nicht, dem Agenten stärker zu vertrauen. Der nächste Schritt ist, Kontext zu verbessern, Scope zu reduzieren, Output zu verifizieren oder menschliches Review einzuholen.

Die eigentliche Fähigkeit ist, die Umgebung zu designen

KI-Agenten verbessern sich schnell. Modelle werden besser. Tools werden besser. Agent Frameworks werden besser. Aber die grundlegende Lektion bleibt: Agenten arbeiten am besten in einer gut designten Umgebung.

Diese Umgebung enthält klare Ziele, gute Dokumentation, Retrieval, Tools, Feedback, Tests und verantwortliche Menschen.

Bessere Prompts helfen. Aber bessere Prompts allein reichen nicht.

Die Teams, die am meisten Wert aus KI-Agenten ziehen, werden nicht die Teams mit den cleversten Prompt-Tricks sein. Es werden die Teams mit dem besten Kontext, den besten Workflows, der besten Review-Disziplin und dem klarsten Verständnis dafür sein, welche Entscheidungen menschlich bleiben müssen.

Das ist der praktische Kern von Agentic Engineering.

Es geht nicht darum, Urteilskraft durch Automatisierung zu ersetzen. Es geht darum, Automatisierung in einem System zu nutzen, in dem Urteilskraft weiterhin zählt.

Wenn dich KI-unterstützte Entwicklung, Agentic Workflows, praktisches Product Engineering und die Zukunft von Softwareteams interessieren, abonniere den Pyango Newsletter. Dort teilen wir weitere Essays und Experimente aus unserer Arbeit.

Entwicklung im KI-nativen Zeitalter lernen?

KI-Agenten können dir helfen, schneller voranzukommen. Aber sie funktionieren am besten, wenn du die Grundlagen hinter der Arbeit verstehst: Logik, Daten, APIs, Debugging, Testing und technische Urteilskraft.

Das ist einer der Gründe, warum wir TomorrowDev aufbauen: einen praktischen Lernweg für Menschen, die Entwickler werden wollen in einer Welt, in der KI bereits Teil des Workflows ist.

Wenn du die Reise verfolgen, Updates sehen und mehr über unsere Sicht auf Developer Education erfahren möchtest, folge TomorrowDev auf LinkedIn: TomorrowDev

Bessere Ergebnisse mit KI-Agenten: Ein praktischer Guide zu Kontext, Tools und Agentic Workflows

Neueste Blogbeiträge