Loops und Goals erklärt: Wie AI-Agenten wiederkehrend arbeiten, prüfen und stoppen

Viele AI-Workflows scheitern nicht, weil das Modell zu wenig weiß, sondern weil der Arbeitsauftrag zu offen ist. Ein Agent kann viel leisten, aber er braucht klare Grenzen:

• Was soll verbessert werden?
• Woran erkennt er, dass es fertig ist?
• Welche Quellen oder Dateien sind verbindlich?
• Welche Dinge darf er nicht verändern?
• Wann muss er stoppen und zurückmelden?

Loops geben dieser Arbeit eine Struktur. Sie machen aus einem diffusen Auftrag wie "mach meine Seite besser" einen überprüfbaren Ablauf:

1. Bestand lesen.
2. Schwachstellen finden.
3. Änderung planen.
4. Änderung umsetzen.
5. Ergebnis prüfen.
6. Bei Fehlern nachbessern.
7. Mit Belegen abschließen.

Das klingt einfach, ist aber der Unterschied zwischen Prompt-Spielerei und produktiver Agentenarbeit.

Ein Goal ist kein Wunschzettel. Es ist ein Auftrag, den ein Agent über mehrere Turns oder über mehrere Stunden bearbeiten kann.

Ein gutes Goal enthält mindestens:

• Kontext: Wo liegt das Projekt, welche Dateien oder Quellen sind relevant?
• Ziel: Was soll am Ende konkret anders oder besser sein?
• Messbare Abschlussbedingung: Test, Screenshot, Linkcheck, Review, veröffentlichter Artikel oder anderer Beleg.
• Grenzen: Was darf der Agent nicht tun?
• Turn- oder Zeitlimit: Wann muss der Agent stoppen, auch wenn er noch Ideen hat?
• Receipt: Welche Datei, URL, Commit-ID oder Prüfung belegt das Ergebnis?

Beispiel:

Schau dir mein Projekt an und schlage mir ein /goal vor, das heute den größten Hebel hat. Es soll autonom laufen können, eine messbare Abschlussbedingung haben und nach spätestens 20 Turns stoppen.

Dieses Muster ist besonders stark, weil es nicht mit "baue irgendwas" startet, sondern zuerst fragt: Welches Goal lohnt sich heute wirklich?

Ein Loop beschreibt den wiederholbaren Ablauf innerhalb oder rund um ein Goal.

Ein brauchbarer Loop besteht aus:

• Input: Dateien, Quellen, Daten, Thread, Ticket oder Website.
• Operation: Analyse, Umsetzung, Review, Recherche, Migration, QA oder Publishing.
• Oracle: Wie wird geprüft, ob das Ergebnis stimmt?
• Stop-Regel: Wann ist genug?
• Fallback: Was passiert bei Blockern, Unsicherheit oder zu hohen Kosten?
• Receipt: Was bleibt als Nachweis zurück?

Ohne Oracle wird ein Loop schnell teuer und schwammig. Der Agent arbeitet dann weiter, obwohl niemand sauber prüfen kann, ob er besser wird. Deshalb ist die Prüfbedingung wichtiger als die Länge des Prompts.

Loops und Goals eignen sich besonders für Arbeit, die wiederholbar, prüfbar und in Schritten verbesserbar ist.

Gute Beispiele:

• Content-Research mit Quellenindex und finalem Draft.
• Website-QA mit Desktop/Mobile-Screenshots.
• Code-Review mit Tests und konkreten Findings.
• SEO- oder Help-KB-Updates mit Dublettencheck und Live-Readback.
• Backlog-Triage mit priorisierten nächsten Goals.
• "Über Nacht"-Läufe, bei denen ein Agent mit festem Budget an klaren Aufgaben weiterarbeitet.

Schlechte Beispiele:

• Rechtlich oder finanziell riskante Entscheidungen ohne menschliches Review.
• Unbegrenzte Recherche ohne Stop-Regel.
• Massenpublishing ohne Quellenprüfung.
• Änderungen an DNS, Zahlungsflüssen oder Kundendaten ohne explizite Freigabe.
• Automationen, die sich selbst neue Berechtigungen geben.

Die Faustregel: Je größer der mögliche Schaden, desto härter müssen Review, Freigabe und Stop-Regel sein.

Starte klein. Du brauchst nicht sofort ein eigenes Agenten-Orchestrierungs-System.

Ein guter Einstieg:

1. Nimm eine wiederkehrende Aufgabe.
2. Formuliere sie als Goal.
3. Ergänze eine Abschlussbedingung.
4. Ergänze eine Stop-Regel.
5. Lass den Agenten erst einen Plan oder eine Kandidatenliste erstellen.
6. Starte danach den eigentlichen Loop.
7. Prüfe am Ende den Receipt.

Beispiel für AInauten:

Prüfe die letzten offenen Help-KB-Kandidaten, finde maximal fünf sinnvolle Updates, entscheide new/update/skip, schreibe nur low-risk Artikel live und belege jeden Live-Schritt mit API-Readback und öffentlicher URL.

Das ist ein Loop, weil er dieselbe Arbeit wiederholbar macht. Es ist aber auch ein Goal, weil ein konkreter Lauf mit klarer Abschlussbedingung endet.

loops.ainauten.com ist unser Arbeitswiki und Generator für solche Muster. Dort findest du:

• Beispiele für Loops aus Publishing, Ops, Workspace und Research.
• einen Goal-Seed-Generator für startbare /goal-Aufträge.
• Quellen und Muster aus der aktuellen Loop-Diskussion.
• Gate-Ideen für Review, Stop-Regeln und Receipts.

Wichtig: Die Seite ist nicht als "mehr Prompts" gedacht. Der Nutzen liegt darin, Prompts in prüfbare Arbeitsabläufe zu übersetzen.

• AInauten Loops
• Forward Future Loop Library
• Forward-Future/loopy auf GitHub
• ksimback/looper auf GitHub
• Matt Van Horn: 15 loops people are actually running
• Matt Van Horn: Project-to-/goal Hack